20. Виды связей, статистические методы анализа взаимосвязей, понятие корреляции.

Корреля́ция — статистическая взаимосвязь двух или нескольких случайных величин (либо величин, которые можно с некоторой допустимой степенью точности считать таковыми). При этом, изменения одной или нескольких из этих величин приводят к систематическому изменению другой или других величин. Математической мерой корреляции двух случайных величин служит коэффициент корреляции.

Корреляция может быть положительной и отрицательной (возможна также ситуация отсутствия статистической взаимосвязи — например, для независимых случайных величин). Отрицательная корреляция — корреляция, при которой увеличение одной переменной связано с уменьшением другой переменной, при этом коэффициент корреляции отрицателен. Положительная корреляция — корреляция, при которой увеличение одной переменной связано с увеличением другой Классификация статистических методов

Статистические методы делятся на одно- и многомерные. Одномерные методы ( univariate techniques ) используются тогда, когда все элементы выборки оцениваются единым измерителем, либо если этих измерителей несколько для каждого элемента, но каждая переменная анализируется при этом отдельно ото всех остальных.

Многомерные методы (multivariate techniques) прекрасно подходят для анализа данных, если для оценки каждого элемента выборки используется два или больше измерителей, а эти переменные анализируются одновременно. Такие методы применяются для определения одновременных взаимосвязей между двумя или больше явлениями.

Многомерные методы отличаются от одномерных прежде всего тем, что при их использовании центр внимания смещается с уровней (средних показателей) и распределений (дисперсий) явлений и сосредотачивается на степени взаимосвязи (корреляции или ковариации) между этими явлениями. Оба этих вида статистических методов анализа подробно описаны в последующих главах, но сейчас мы покажем, как разные методы взаимосвязаны в общей схеме классификации.

Одномерные методы можно классифицировать на основе того, какие данные анализируются: метрические или неметрические. Метрические данные (metric data) измеряются по интервальной шкале или относительной шкале.

Неметрические данные (nonmetric data) оцениваются по номинальной или порядковой шкале

Затем эти методы делят на классы на основе того, сколько выборок — одна, две или более — анализируется в ходе исследований. Заметим, что число выборок определяется тем, как ведется работа с данными для конкретного анализа, а не тем, каким способом собирались данные. Например, данные по лицам мужского и женского пола можно получить в пределах одной ныбор-ки, но если их анализ нацелен на выявление разницы в восприятии, основанной на разнице полов, исследователю придется воспользоваться двумя разными методами выборки. Выборки считаются независимыми, если они выделены из разных генеральных совокупностей произвольно. Для анализа данные, относящиеся к разным группам респондентов, например собранные от лиц женского и мужского пола, обычно обрабатываются как независимые выборки.

С другой стороны, если данные по двум выборкам относятся к одной и той же группе респондентов, выборки считаются объединенными в пары. Что касается метрических данных, то если существует только одна выборка, может использоваться z- и ^-критерий. Если же независимых выборок две или больше, в первом случае можно> воспользоваться z- и /-критерием для двух выборок, в во втором — методом однофакторного дисперсионного анализа. Для двух связанных выборок используется парный /-критерий. Если речь идет о неметрических данных по одной выборке, исследователь может воспользоваться критериями частотного распределения, хи-квадратом, критерием Колмогорова—Смирнова (K~S), критерием серий и биномиальным критерием. Для двух независимых выборок с неметрическими данными можно прибегнуть к следующим методам анализа: хи-квадрат, Манна—Уитни, медианы, К—С, однофакторным дисперсионным анализом Крускала—Уоллиса (ДА К—У). В отличие от этого, если существует две или больше взаимосвязанных выборок, следует воспользоваться критериями знаков, Мак-Немара и Уилкоксона переменной, при этом коэффициент корреляции положителен.

Корреляционная связь бывает прямая (при увеличении одного признака увеличивается другой) и обратная (при увеличении одного показателя другой уменьшается). Коэффициент корреляции свидетельствует не только о направлении связи, но и об уровне этой связи. Сильная связь выражается коэффициентом от 0,7 до 0,99, средняя — от 0,3 до 0,69, слабая — до 0,29. При нулевом значении коэффициента связи отсутствуют.

Наиболее простыми являются ранговая корреляция и коэффициент корреляции. При ранговой корреляции числовые выражения сравниваемых рядов величин ранжируют, то есть проставляют ранговые цифры (от 1 и далее) и подставляют значения в формулу с учетом разницы порядковых значений. При расчете коэффициента корреляции сначала вычисляют среднее значение в каждом вариационном ряду сравниваемых групп. Затем находят отклонение каждой величины ряда от полученной средней. Для устранения отрицательных значений эти величины возводят в квадрат и подставляют в формулу. По величине коэффициента устанавливают направление и силу связи. Достоверность коэффициента определяют по табличным значениям и при расчете средней ошибки. Коэффициент корреляции должен превышать свою ошибку не менее чем в 3 раза.