Ограничения коэффициента спирмена. Применение корреляции спирмена и пирсона
На практике для определения тесноты связи двух признаков часто применяется коэффициент ранговой корреляции Спирмена (Р). Значения каждого признака ранжируются по степени возрастания (от 1 до n), затем определяется разница (d) между рангами, соответствующими одному наблюдению.
Пример №1
. Зависимость между объемом промышленной продукции и инвестициями в основной капитал по 10 областям одного из федеральных округов РФ в 2003 году характеризуется следующими данными.
Вычислите ранговые коэффициенты корреляции Спирмена
и Кендэла . Проверить их значимость при α=0,05. Сформулируйте вывод о зависимости между объемом промышленной продукции и инвестициями в основной капитал по рассматриваемым областям РФ.
Присвоим ранги признаку Y и фактору X . Найдем сумму разности квадратов d 2 .
Используя калькулятор , вычислим коэффициент ранговой корреляции Спирмена:
| X | Y | ранг X, d x | ранг Y, d y | (d x - d y) 2 |
| 1.3 | 300 | 1 | 2 | 1 |
| 1.8 | 1335 | 2 | 12 | 100 |
| 2.4 | 250 | 3 | 1 | 4 |
| 3.4 | 946 | 4 | 8 | 16 |
| 4.8 | 670 | 5 | 7 | 4 |
| 5.1 | 400 | 6 | 4 | 4 |
| 6.3 | 380 | 7 | 3 | 16 |
| 7.5 | 450 | 8 | 5 | 9 |
| 7.8 | 500 | 9 | 6 | 9 |
| 17.5 | 1582 | 10 | 16 | 36 |
| 18.3 | 1216 | 11 | 9 | 4 |
| 22.5 | 1435 | 12 | 14 | 4 |
| 24.9 | 1445 | 13 | 15 | 4 |
| 25.8 | 1820 | 14 | 19 | 25 |
| 28.5 | 1246 | 15 | 10 | 25 |
| 33.4 | 1435 | 16 | 14 | 4 |
| 42.4 | 1800 | 17 | 18 | 1 |
| 45 | 1360 | 18 | 13 | 25 |
| 50.4 | 1256 | 19 | 11 | 64 |
| 54.8 | 1700 | 20 | 17 | 9 |
| 364 |
Связь между признаком Y фактором X сильная и прямая.
Оценка коэффициента ранговой корреляции Спирмена
По таблице Стьюдента находим Tтабл.
T табл = (18;0.05) = 1.734
Поскольку Tнабл > Tтабл, то отклоняем гипотезу о равенстве нулю коэффициента ранговой корреляции. Другими словами, коэффициента ранговой корреляции Спирмена статистически - значим.
Интервальная оценка для коэффициента ранговой корреляции (доверительный интервал)
Доверительный интервал
для коэффициента ранговой корреляции Спирмена: p(0.5431;0.9095).
Пример №2 . Исходные данные.
| 5 | 4 |
| 3 | 4 |
| 1 | 3 |
| 3 | 1 |
| 6 | 6 |
| 2 | 2 |
| Новые ранги | ||
| 1 | 1 | 1 |
| 2 | 2 | 2 |
| 3 | 3 | 3.5 |
| 4 | 3 | 3.5 |
| 5 | 5 | 5 |
| 6 | 6 | 6 |
| Номера мест в упорядоченном ряду | Расположение факторов по оценке эксперта | Новые ранги |
| 1 | 1 | 1 |
| 2 | 2 | 2 |
| 3 | 3 | 3 |
| 4 | 4 | 4.5 |
| 5 | 4 | 4.5 |
| 6 | 6 | 6 |
| ранг X, d x | ранг Y, d y | (d x - d y) 2 |
| 5 | 4.5 | 0.25 |
| 3.5 | 4.5 | 1 |
| 1 | 3 | 4 |
| 3.5 | 1 | 6.25 |
| 6 | 6 | 0 |
| 2 | 2 | 0 |
| 21 | 21 | 11.5 |
где
j - номера связок по порядку для признака х;
А j - число одинаковых рангов в j-й связке по х;
k - номера связок по порядку для признака у;
В k - число одинаковых рангов в k-й связке по у.
A = [(2 3 -2)]/12 = 0.5
B = [(2 3 -2)]/12 = 0.5
D = A + B = 0.5 + 0.5 = 1
Связь между признаком Y и фактором X умеренная и прямая.
Калькулятор ниже вычисляет коэффициент ранговой корреляции Спирмена между двумя случайными величинами. Теоретическая часть, чтобы не отвлекаться от калькулятора, традиционно размещается под ним.
add import_export mode_edit delete
Изменения случайных величин
| arrow_upward arrow_downward X | arrow_upward arrow_downward Y | ||
|---|---|---|---|
| mode_edit |
Изменения случайных величин
Импортировать данные Ошибка импорта
Для разделения полей можно использовать один из этих символов: Tab, ";" или "," Пример: -50.5;-50.5
Импортировать Назад Отменить
Метод расчета коэффициента ранговой корреляции Спирмена на самом деле описывается очень просто. Это тот же самый Коэффициент корреляции Пирсона , только рассчитанный не для самих результатов измерений случайных величин, а для их ранговых значений .
То есть,
Осталось только разобраться, что такое ранговые значения и для чего все это нужно.
Если элементы вариационного ряда расположить в порядке возрастания или убывания, то рангом элемента будет являться его номер в этом упорядоченном ряду.
Например, пусть у нас есть вариационный ряд {17,26,5,14,21}. Отсортируем его элементы в порядке убывания {26,21,17,14,5}. 26 имеет ранг 1, 21 - ранг 2 и т.д. Вариационный ряд ранговых значений будет выглядеть следующим образом {3,1,5,4,2}.
То есть, при расчете коэффициента Спирмена исходные вариационные ряды преобразуются в вариационные ряды ранговых значений, после чего к ним применяется формула Пирсона.
Есть одна тонкость - ранг повторяющихся значений берется как среднее из рангов. То есть для ряда {17, 15, 14, 15} ряд ранговых значений будет выглядеть как {1, 2.5, 4, 2.5}, так как первый элемент равный 15 имеет ранг 2, а второй - ранг 3, и .
Если же повторяющихся значений нет, то есть все значения ранговых рядов - числа из диапазона от 1 до n, формулу Пирсона можно упростить до
Ну и кстати, эта формула чаще всего и приводится как формула расчета коэффицента Спирмена.
В чем же суть перехода от самих значений к их ранговым значениям?
А суть в том, что исследуя корреляцию ранговых значений можно установить насколько хорошо зависимость двух переменных описывается монотонной функцией.
Знак коэффициента указывает на направление связи между переменными. Если знак положительный, то значения Y имеют тенденцию увеличиваться при увеличении значений X; если знак отрицательный, то значения Y имеют тенденцию уменьшаться при увеличении значений X. Если коэффициент равен 0, то никакой тенденции нет. Если же коэффициент равен 1 или -1, то зависимость между X и Y имеет вид монотонной функции - то есть, при увеличении X, Y также увеличивается, либо наоборот, при увеличении X, Y уменьшается.
То есть, в отличие от коэффициента корреляции Пирсона, который может выявить только линейную зависимость одной переменной от другой, коэффициент корреляции Спирмена может выявить монотонную зависимость, там, где непосредственная линейная связь не выявляется.
Поясню на примере. Предположим, что мы исследуем функцию y=10/x.
У нас есть следующие результаты измерений X и Y
{{1,10}, {5,2}, {10,1}, {20,0.5}, {100,0.1}}
Для этих данных коэффициент корреляции Пирсона равен -0.4686, то есть связь слабая либо отсутствует. А вот коэффициент корреляции Спирмена строго равен -1, что как бы намекает исследователю, что Y имеет строгую отрицательную монотонную зависимость от X.
Корреляционный анализ является методом, позволяющим обнаруживать зависимости между определенным количеством случайных величин. Цель корреляционного анализа, сводится к выявлению оценки силы связей между такими случайными величинами либо признаками, характеризующими определенные реальные процессы.
Сегодня мы предлагаем рассмотреть, как применяется корреляционный анализ по Спирмену, для наглядного отображения форм связи в практическом трейдинге.
Корреляция по Спирмену или основа корреляционного анализа
Для того чтобы понять, что такое корреляционный анализ, изначально следует уяснить понятие корреляции.
При этом, если цена начнет двигаться в нужном Вам направлении необходимо вовремя произвести разлокирование позиций.
Для данной стратегии в основу которой положен корреляционный анализ, наилучшим образом подходят торговые инструменты имеющие высокую степень корреляции (EUR/USD и GBP/USD, EUR/AUD и EUR/NZD, AUD/USD и NZD/USD, контракты CFD и тому подобные).
Видео: Применение корреляции Спирмена на рынке Форекс
This calculator below calculates Spearman"s rank correlation coefficient between two random variables. The theoretical part is traditional below the calculator.
add import_export mode_edit delete
Changes of random variables
| arrow_upward arrow_downward | arrow_upward arrow_downward | ||
|---|---|---|---|
| mode_edit |
Changes of random variables
Import data Import error
"One of the following characters is used to separate data fields: tab, semicolon (;) or comma(,)" Sample: -50.5;-50.5
Import Back Cancel
Digits after the decimal point: 4
Calculate
Spearman"s correlation coefficient
Save share extension
The method of Spearman"s rank correlation coefficient calculation is actually pretty simple. It"s like the Pearson correlation coefficient , but designed not for measurements of random variables only but for their ranking values .
We have only to understand what is the rank value and why all this is necessary.
If the elements of a variational series arranged in ascending or descending order, that rank of the element will be his number in ordered series.
For example, we have a variational series {17,26,5,14,21}. Let"s sort it"s elements in a descending order {26,21,17,14,5}. 26 has a rank of 1, 21 - rank of 2 and so on, Variational series of ranking values will look like this {3,1,5,4,2}.
I.e. when calculating Spearman"s coefficient initial variation series are converted into variational series of ranking values and then Pearson"s formula is applied to them.
.
There is one subtlety - the rank of the repeating values is taken as the average of the ranks. That is, for a series {17, 15, 14, 15}ranking series will look like {1, 2.5, 4, 2.5}, as the first element is 15 has a rank of 2, and the second - rank of 3, and.
If you don"t have the repeating values, that is, all the values of ranking series - the numbers between 1 and n, the Pearson"s formula can be simplified to
By the way, this formula is often given as the formula for calculating the Spearman"s coefficient.
What is the essence of the transition from the values themselves to their rank value?
When investigating the correlation of ranking values you can find how well the dependence of the two variables is described by a monotonic function.
The sign of the coefficient indicates the direction of the relationship between variables. If the sign is positive the values of Y has a tendency to increase with the increasement of X. If the sign is negative the values of Y has a tendency to decrease with the increasement of X. If the coefficient is 0 there is no tendency then. If the coefficient equals 1 or -1, the relationship between X and Y has an appearance of monotonic function, i.e. with the increasement of X, Y also increases and vice versa.
That is, unlike the Pearson"s correlation coefficient, which can detect only the linear relationship of one variable from another, Spearman"s correlation coefficient can detect monotonic dependence, where the direct linear relationship cannot be revealed.
Here"s an example.
Поясню на примере. Let"s suppose,we examine the function y=10/x.
We have the following measurements of X and Y
{{1,10}, {5,2}, {10,1}, {20,0.5}, {100,0.1}}
For this data, Pearson correlation coefficient is equal to -0.4686, i.e. the relationship is weak or absent. And Spearman"s correlation coefficient is strictly equal to -1, as if it"s hints to the researcher that Y has strongly negative monotonic dependence from X.
Коэффициент корреляции рангов, предложенный К. Спирменом, относится к непараметрическим показателям связи между переменными, измеренными в ранговой шкале. При расчете этого коэффициента не требуется никаких предположений о характере распределений признаков в генеральной совокупности. Этот коэффициент определяет степень тесноты связи порядковых признаков, которые в этом случае представляют собой ранги сравниваемых величин.
Величина коэффициента корреляции Спирмена также лежит в интервале +1 и -1. Он, как и коэффициент Пирсона, может быть положительным и отрицательным, характеризуя направленность связи между двумя признаками, измеренными в ранговой шкале.
В принципе число ранжируемых признаков (качеств, черт и т.п.) может быть любым, но сам процесс ранжирования большего, чем 20 числа признаков -- затруднителен. Возможно, что именно поэтому таблица критических значений рангового коэффициента корреляции рассчитана лишь для сорока ранжируемых признаков (n < 40, табл. 20 приложения 6).
Ранговый коэффициент корреляции Спирмена подсчитывается по формуле:
где n - количество ранжируемых признаков (показателей, испытуемых);
D - разность между рангами по двум переменным для каждого испытуемого;
Сумма квадратов разностей рангов.
Используя ранговый коэффициент корреляции, рассмотрим следующий пример.
Пример : Психолог выясняет, как связаны между собой индивидуальные показатели готовности к школе, полученные до начала обучения в школе у 11 первоклассников и их средняя успеваемость в конце учебного года.
Для решения этой задачи были проранжированы, во-первых, значения показателей школьной готовности, полученные при поступлении в школу, и, во-вторых, итоговые показатели успеваемости в конце года у этих же учащихся в среднем. Результаты представим в табл. 13.
Таблица 13
|
№ учащихся | |||||||||||
|
Ранги показателей школьной готовности | |||||||||||
|
Ранги среднегодовой успеваемости | |||||||||||
Подставляем полученные данные в формулу и производим расчет. Получаем:
Для нахождения уровня значимости обращаемся к табл. 20 приложения 6, в которой приведены критические значения для коэффициентов ранговой корреляции.
Подчеркнем, что в табл. 20 приложения 6, как и в таблице для линейной корреляции Пирсона, все величины коэффициентов корреляции даны по абсолютной величине. Поэтому, знак коэффициента корреляции учитывается только при его интерпретации.
Нахождение уровней значимости в данной таблице осуществляется по числу n, т. е. по числу испытуемых. В нашем случае n = 11. Для этого числа находим :
0,61 для P 0,05
0,76 для P 0,01
Строим соответствующую ``ось значимости"":
Полученный коэффициент корреляции совпал с критическим значением для уровня значимости в 1%. Следовательно, можно утверждать, что показатели школьной готовности и итоговые оценки первоклассников связаны положительной корреляционной зависимостью - иначе говоря, чем выше показатель школьной готовности, тем лучше учится первоклассник. В терминах статистических гипотез психолог должен отклонить нулевую (Нгипотезу о сходстве и принять альтернативную (Но наличии различий, которая говорит о том, что связь между показателями школьной готовности и средней успеваемостью отлична от нуля.
Случай одинаковых (равных) рангов
При наличии одинаковых рангов формула расчета коэффициента линейной корреляции Спирмена будет несколько иной. В этом случае в формулу вычисления коэффициентов корреляции добавляются два новых члена, учитывающие одинаковые ранги. Они называются поправками на одинаковые ранги и добавляются в числитель расчетной формулы.
где n - число одинаковых рангов в первом столбце,
k - число одинаковых рангов во втором столбце.
Если имеется две группы одинаковых рангов, в каком-либо столбце то формула поправки несколько усложняется:
где n - число одинаковых рангов в первой группе ранжируемого столбца,
k - число одинаковых рангов в второй группе ранжируемого столбца. Модификация формулы в общем случае такова:
Пример : Психолог, используя тест умственного развития (ШТУР) проводит исследование интеллекта у 12 учащихся 9 класса. Одновременно с этим, но просит учителей литературы и математики провести ранжирование этих же учащихся по показателям умственного развития. Задача заключается в том, чтобы определить, как связаны между собой объективные показатели умственного развития (данные ШТУРа) и экспертные оценки учителей.
Экспериментальные данные этой задачи и дополнительные столбцы, необходимые для расчета коэффициента корреляции Спирмена, представим в виде табл. 14.
Таблица 14
|
№ учащихся |
Ранги тестирования с помощью ШТУРа |
Экспертные оценки учителей по математики |
Экспертные оценки учителей по литературе |
D (второго и третьего столбцов) |
D (второго и четвертого столбцов) |
(второго и третьего столбцов) |
(второго и четвертого столбцов) |
Поскольку при ранжировании использовались одинаковые ранги, то необходимо проверить правильность ранжирования во втором, третьем и четвертом столбцах таблицы. Суммирование в каждом из этих столбцов дает одинаковую сумму - 78.
Проверяем по расчетной формуле. Проверка дает:
В пятом и шестом столбцах таблицы приведены величины разности рангов между экспертными оценками психолога по тесту ШТУР для каждого ученика и величинами экспертных оценок учителей, соответственно по математике и литературе. Сумма величин разностей рангов должна быть равна нулю. Суммирование величин D в пятом и шестом столбцах дало искомый результат. Следовательно, вычитание рангов проведено правильно. Подобную проверку необходимо делать каждый раз при проведении сложных видов ранжирования.
Прежде, чем начать расчет по формуле необходимо рассчитать поправки на одинаковые ранги для второго, третьего и четвертого столбцов таблицы.
В
нашем случае во втором столбце таблицы
два одинаковых ранга, следовательно,
по формуле величина поправки D1 будет:
В
третьем столбце три одинаковых ранга,
следовательно, по формуле величина
поправки D2 будет:
В
четвертом столбце таблицы две группы
по три одинаковых ранга, следовательно,
по формуле величина поправки D3 будет:
Прежде, чем преступить к решению задачи, напомним, что психолог выясняет два вопроса - как связаны величины рангов по тесту ШТУР с экспертными оценками по математике и литературе. Именно поэтому расчет проводится дважды.
Считаем первый ранговый коэффициент с учетом добавок по формуле. Получаем:
Подсчитаем без учета добавки:
Как видим, разница в величинах коэффициентов корреляции оказалась очень незначительной.
Считаем второй ранговый коэффициент с учетом добавок по формуле. Получаем:
Подсчитаем без учета добавки:
И опять, различия оказались очень незначительны. Поскольку число учащихся в обоих случаях одинаково, по табл. 20 приложения 6 находим критические значения при n = 12 сразу для обоих коэффициентов корреляции.
0,58 для P 0,05
0,73 для P 0,01
Откладываем первое значение на ``оси значимости"":
В первом случае полученный коэффициент ранговой корреляции находится в зоне значимости. Поэтому психолог должен отклонить нулевую Нгипотезу о сходстве коэффициента корреляции с нулем и принять альтернативную Но значимом отличии коэффициента корреляции от нуля. Иными словами, полученный результат говорит о том, что чем выше экспертные оценки учащихся по тесту ШТУР, тем выше их экспертные оценки по математике.
Откладываем второе значение на ``оси значимости"":
Во втором случае коэффициент ранговой корреляции находится в зоне неопределенности. Поэтому психолог может принять нулевую Нгипотезу о сходстве коэффициента корреляции с нулем и отклонить альтернативную Но значимом отличии коэффициента корреляции от нуля. В этом случае полученный результат говорит о том, что экспертные оценки учащихся по тесту ШТУР не связаны с экспертными оценками по литературе.
Для применения коэффициента корреляции Спирмена, необходимо соблюдать следующие условия:
1. Сравниваемые переменные должны быть получены в порядковой (ранговой) шкале, но могут быть измерены также в шкале интервалов и отношений.
2. Характер распределения коррелируемых величин не имеет значения.
3. Число варьирующих признаков в сравниваемых переменных X и Y должно быть одинаковым.
Таблицы для определения критических значений коэффициента корреляции Спирмена (табл. 20 приложение 6) рассчитаны от числа признаков равных n = 5 до n = 40 и при большем числе сравниваемых переменных следует использовать таблицу для пирсоновского коэффициента корреляции (табл. 19 приложение 6). Нахождение критических значений осуществляется при k = n.
