Atšķirība starp korelāciju un regresiju

Korelācija un regresija ir divas analīzes, kuru pamatā ir daudzdimensiju sadalījums. Daudzveidīgs sadalījums tiek aprakstīts kā vairāku mainīgo lielumu sadalījums. Korelācija tiek aprakstīta kā analīze, kas ļauj uzzināt asociāciju vai neesamību starp diviem mainīgajiem lielumiem “x” un “y”. Otrā galā, Regresija analīze, prognozē atkarīgā mainīgā lielumu, pamatojoties uz neatkarīgā mainīgā zināmo vērtību, pieņemot, ka vidējā matemātiskā saistība starp diviem vai vairākiem mainīgajiem lielumiem.

Atšķirība starp korelāciju un regresiju ir viens no intervijās visbiežāk uzdotajiem jautājumiem. Turklāt daudzi cilvēki cieš no divdomības izprast šos divus. Tātad, izlasiet visu šo rakstu, lai būtu skaidra izpratne par šiem diviem.

Saturs: korelācija un regresija

1. Salīdzināšanas tabula
2. Definīcija
3. Galvenās atšķirības
4. Secinājums

Salīdzināšanas tabula

Salīdzināšanas pamats	Korelācija	Regresija
Nozīme	Korelācija ir statistisks rādītājs, kas nosaka divu mainīgo lielumu saistību vai saistību.	Regresija apraksta, kā neatkarīgais mainīgais ir skaitliski saistīts ar atkarīgo mainīgo.
Lietošana	Attēlot lineāru sakarību starp diviem mainīgajiem.	Lai atbilstu labākajai rindai un novērtētu vienu mainīgo, pamatojoties uz citu mainīgo.
Atkarīgie un neatkarīgie mainīgie	Nav atšķirības	Abi mainīgie ir atšķirīgi.
Norāda	Korelācijas koeficients norāda, cik lielā mērā divi mainīgie pārvietojas kopā.	Regresija norāda zināmā mainīgā lieluma (x) vienības izmaiņu ietekmi uz aprēķināto mainīgo (y).
Objektīvs	Lai atrastu skaitlisku vērtību, kas izsaka attiecības starp mainīgajiem.	Novērtēt izlases lieluma vērtības, pamatojoties uz fiksētā mainīgā vērtībām.

Korelācijas definīcija

Termins korelācija ir divu vārdu “Co” (kopā) un attiecību (savienojums) starp diviem lielumiem apvienojums. Korelācija ir tad, kad divu mainīgo lielumu izpētes laikā tiek novērots, ka vienības mainība vienā mainīgajā tiek pakļauta ekvivalentām izmaiņām citā mainīgajā, t.i., tieša vai netieša. Vai arī mainīgos lielumus uzskata par nesaistītiem, ja viena mainīgā kustība nenozīmē kustību citā mainīgā lielumā noteiktā virzienā. Tas ir statistikas paņēmiens, kas atspoguļo savienojuma stiprumu starp mainīgo pāru pāriem.

Korelācija var būt pozitīva vai negatīva. Ja abi mainīgie pārvietojas vienā virzienā, t.i., palielinoties vienam mainīgajam, attiecīgi palielinās cits mainīgais un otrādi, tad mainīgos lielumus uzskata par pozitīvi korelētiem.. Piemēram: peļņa un ieguldījumi.

Tieši otrādi, kad abi mainīgie mainās dažādos virzienos tā, ka, palielinoties vienam mainīgajam, samazinās cits mainīgais un otrādi, šo situāciju sauc par negatīvu korelāciju.. Piemēram: Produkta cena un pieprasījums.

Korelācijas mēri ir doti šādi:

• Kārļa Pīrsona produkta momenta korelācijas koeficients
• Spīrmena pakāpes korelācijas koeficients
• Izkliedes diagramma
• Vienlaicīgu noviržu koeficients

Regresijas definīcija

Statistikas paņēmiens, lai novērtētu no metriskā atkarīgā mainīgā lieluma izmaiņas viena vai vairāku neatkarīgu mainīgo izmaiņu dēļ, balstoties uz vidējo matemātisko sakarību starp diviem vai vairākiem mainīgiem lielumiem, tiek saukts par regresiju. Tam ir nozīmīga loma daudzās cilvēku darbībās, jo tas ir spēcīgs un elastīgs rīks, ko izmanto, lai prognozētu pagātnes, pašreizējos vai nākotnes notikumus, pamatojoties uz pagātnes vai pašreizējiem notikumiem.. Piemēram: Pamatojoties uz iepriekšējiem ierakstiem, var aprēķināt uzņēmuma nākotnes peļņu.

Vienkāršā lineārā regresijā ir divi mainīgie x un y, kur y ir atkarīgs no x vai, teiksim, ietekmē x. Šeit y tiek saukts par atkarīgu vai kritērija mainīgo un x ir neatkarīgs vai prognozējams mainīgais. Y regresijas līniju uz x izsaka šādi:

y = a + bx

kur a = konstante,
b = regresijas koeficients,
Šajā vienādojumā a un b ir divi regresijas parametri.

Galvenās atšķirības starp korelāciju un regresiju

Turpmāk sniegtie punkti sīki izskaidro atšķirību starp korelāciju un regresiju:

1. Statistikas mērs, kas nosaka divu lielumu kopsakarības vai saistību, ir pazīstams kā korelācija. Regresija apraksta, kā neatkarīgais mainīgais ir skaitliski saistīts ar atkarīgo mainīgo.
2. Korelācija tiek izmantota, lai attēlotu lineāro sakarību starp diviem mainīgajiem. Gluži pretēji, regresiju izmanto, lai ietilptu vislabākajā rindiņā un novērtētu vienu mainīgo, pamatojoties uz citu mainīgo.
3. Korelācijā starp atkarīgajiem un neatkarīgajiem mainīgajiem nav atšķirības, t.i., korelācija starp x un y ir līdzīga y un x. Un otrādi, y regresija uz x atšķiras no x uz y.
4. Korelācija norāda asociāciju stiprumu starp mainīgajiem. Pretstatā regresijai tiek atspoguļota neatkarīgā mainīgā vienības izmaiņu ietekme uz atkarīgo mainīgo.
5. Korelācijas mērķis ir atrast skaitlisku vērtību, kas izsaka attiecības starp mainīgajiem. Atšķirībā no regresijas, kuras mērķis ir paredzēt izlases lieluma vērtības, pamatojoties uz fiksētā mainīgā vērtībām.

Secinājums

Ar iepriekšminēto diskusiju ir acīmredzams, ka starp šīm divām matemātiskajām koncepcijām ir liela atšķirība, kaut arī šīs abas tiek pētītas kopā. Korelācija tiek izmantota gadījumos, kad pētnieks vēlas zināt, vai pētāmie mainīgie ir savstarpēji saistīti, ja nē, tad kāds ir to asociācijas spēks. Pīrsona korelācijas koeficients tiek uzskatīts par labāko korelācijas izmēru. Regresijas analīzē tiek izveidotas funkcionālās attiecības starp diviem mainīgajiem, lai nākotnē varētu prognozēt notikumus.