Калькулятор частной корреляции
Рассчитайте частную корреляцию между двумя переменными, устраняя влияние третьей. Введите три парных столбца данных или три коэффициента корреляции Пирсона — и получите коэффициент частной корреляции с интерпретацией результата.
Найдите связь двух переменных с поправкой на третью
Формула частной корреляции
Где:
- \(r_{XY \cdot Z}\) — частная корреляция X и Y при устранении влияния Z
- \(r_{XY}\) — корреляция Пирсона между X и Y
- \(r_{XZ}\) — корреляция Пирсона между X и Z
- \(r_{YZ}\) — корреляция Пирсона между Y и Z
Формула устраняет ту часть связи между X и Y, которая объясняется их отдельными линейными зависимостями от Z. Результат, как и обычный коэффициент корреляции, лежит в диапазоне от −1 до 1.
Частная корреляция — пример расчёта
Пример: восемь наблюдений с X = 1; 2; 3; 4; 1; 2; 3; 4, Y = 3; 3; 5; 9; 4; 8; 10; 10 и бинарной контрольной переменной Z = 0; 0; 0; 0; 1; 1; 1; 1 (это значения, установленные в калькуляторе по умолчанию).
Сначала вычислим три парных корреляции Пирсона:
\[ r_{XY} = 0.7785, \qquad r_{XZ} = 0.0000, \qquad r_{YZ} = 0.5222 \]
Затем подставим их в формулу частной корреляции:
\[ r_{XY \cdot Z} = \frac{0.7785 - (0)(0.5222)}{\sqrt{(1 - 0^{2})(1 - 0.5222^{2})}} = \frac{0.7785}{0.8528} \approx 0.9129 \]
Результат: частная корреляция равна примерно 0,9129. После устранения влияния Z связь между X и Y усиливается с 0,78 до 0,91, потому что в этих данных Z связана с Y, но не с X.
Как пользоваться калькулятором
- Выберите способ ввода данных: «Три парных столбца данных», если у вас есть исходные измерения, или «Три парных коэффициента корреляции», если три коэффициента Пирсона вам уже известны.
- При вводе исходных данных вставьте значения в поля Переменная X, Переменная Y и Контрольная переменная Z. Разделяйте значения пробелами, точками с запятой или переносами строк; десятичные запятые допускаются. Все три столбца должны идти в одном порядке наблюдений и иметь одинаковую длину (от 4 до 2000 значений).
- При вводе коэффициентов укажите Корреляцию X и Y, Корреляцию X и Z и Корреляцию Y и Z — каждый от −1 до 1.
- Ознакомьтесь с результатом: частной корреляцией X и Y с учётом Z, тремя парными корреляциями, числом парных наблюдений (в режиме данных) и интерпретацией простым языком.
Что такое частная корреляция?
Частная корреляция показывает силу линейной связи между двумя переменными после устранения влияния одной или нескольких контрольных переменных. В случае одной контрольной переменной, с которым работает этот калькулятор, она отвечает на вопрос: насколько сильно связаны X и Y, если исключить ту часть их изменчивости, которая совпадает с изменчивостью Z?
Это важно, потому что обычная корреляция может вводить в заблуждение. Две переменные могут казаться связанными лишь потому, что обе зависят от третьей, — классическая ситуация смешивания. Например, продажи мороженого и число утоплений в течение года коррелируют между собой, но обе величины определяются температурой. Частная корреляция помогает понять, сохраняется ли прямая связь после устранения общей причины.
Результат интерпретируется так же, как любой коэффициент корреляции: значения около +1 или −1 указывают на сильную положительную или отрицательную линейную связь, значения около 0 — на слабую связь или её отсутствие. Частная корреляция может быть как больше, так и меньше обычной по абсолютной величине. Она оказывается больше, когда Z маскирует часть真实 связи (как в примере выше), и меньше — когда обычная корреляция была в основном артефактом влияния Z.
Обратите внимание: частная корреляция, как и любая другая, измеряет связь, а не причинность. Устранение линейного влияния Z убирает один из возможных источников ложной связи, но не позволяет установить направление причинности и не исключает другие смешивающие факторы. Если нужно одновременно учитывать несколько переменных-предикторов, логичным следующим шагом будет калькулятор множественной линейной регрессии.
Допущения, ограничения и советы
- Линейность. Формула основана на корреляции Пирсона, поэтому улавливает только линейные связи. Если зависимости монотонны, но нелинейны, стоит обратиться к ранговым мерам, например ранговой корреляции Спирмена.
- Одна контрольная переменная. Калькулятор учитывает только одну переменную Z. При нескольких контрольных переменных та же идея обобщается через точная (обратную корреляционную) матрицу, но вычисления становятся матричными.
- Согласованность коэффициентов. В режиме коэффициентов три корреляции должны быть взаимно согласованы — калькулятор отклоняет комбинации, из которых не может получиться корректная корреляционная матрица.
- Неопределённые случаи. Результат не определён, когда X или Y коррелирует с Z идеально (или почти идеально), так как знаменатель стремится к нулю.
- Объём выборки. Малые выборки дают неустойчивые оценки. При небольшом числе наблюдений частная корреляция умеренной величины легко может возникнуть случайно; проверить, способна ли ваша выборка обнаружить ожидаемый эффект, поможет расчёт статистической мощности.
- Полные пары. В каждой строке должны быть значения X, Y и Z. Пропуски в одном из столбцов разрушают парность, поэтому сначала очистите данные.
Часто задаваемые вопросы
Как вычислить частную корреляцию вручную?
Сначала найдите по своим парным данным три корреляции Пирсона \(r_{XY}\), \(r_{XZ}\) и \(r_{YZ}\). Затем подставьте их в формулу \( r_{XY \cdot Z} = \frac{r_{XY} - r_{XZ} r_{YZ}}{\sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)}} \). Перемножьте две корреляции с Z, вычтите произведение из \(r_{XY}\) и разделите на квадратный корень из произведения двух оставшихся скобок. Калькулятор выполняет все шаги сразу и показывает использованные парные коэффициенты.
Значима ли моя частная корреляция статистически?
Калькулятор не проводит проверку значимости, но её легко выполнить самостоятельно: вычислите \( t = r_{XY \cdot Z}\sqrt{\frac{n-3}{1 - r_{XY \cdot Z}^2}} \), где \(n\) — число полных наблюдений. Сравните \(t\) с t-распределением с \(n - 3\) степенями свободы. Ориентировочно, при \(n = 50\) частная корреляция за пределами примерно \(\pm 0.28\) значима на 5%-ном уровне (двусторонний критерий).
Какая частная корреляция считается сильной или хорошей?
Универсального «хорошего» значения не существует — всё зависит от области. В поведенческих науках в качестве грубых ориентиров принято считать величины около 0,1 малыми, около 0,3 — умеренными, а 0,5 и выше — сильными. В физике или технике значимыми могут быть и гораздо более слабые корреляции. Оценивайте значение с учётом объёма выборки: небольшой коэффициент при большой выборке может быть содержательным, а крупный при горсте наблюдений — чистой случайностью.
Может ли частная корреляция быть больше обычной или даже сменить знак?
Да, и то и другое возможно. Когда Z подавляет часть истинной связи X и Y, частная корреляция по абсолютной величине превышает \(r_{XY}\). Смена знака (отрицательная частная корреляция при положительной обычной) — признак классического эффекта подавления: контрольная переменная вскрывает связь, противоположную той, на которую указывала обычная корреляция. И то и другое — законные результаты, а не ошибки, хотя обычно они требуют вдумчивой интерпретации того, как Z связана с X и Y.
Чем частная корреляция отличается от полупарной (part) корреляции?
Частная корреляция устраняет влияние Z из обеих переменных X и Y, а затем коррелирует то, что осталось. Полупарная (part) корреляция устраняет Z только из одной переменной, скажем Y, оставляя X без изменений. Частная корреляция отвечает на вопрос «связаны ли X и Y помимо Z с обеих сторон?», полупарная — «объясняет ли X ту часть Y, которую не учитывает Z?». Этот калькулятор вычисляет частную корреляцию.
Почему калькулятор отклонил мои три коэффициента корреляции?
В режиме коэффициентов три значения должны быть взаимно согласованы: они обязаны образовывать корректную корреляционную матрицу, то есть \( |r_{XY} - r_{XZ}\, r_{YZ}| \) не может превышать \( \sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)} \). Если это условие нарушено, никакие реальные данные не могли дать такую комбинацию. Частые причины — перепутанные пары коэффициентов или корреляции, взятые из разных выборок или исследований с несовпадающими наблюдениями.
Можно ли контролировать больше одной переменной?
Этот калькулятор работает с одной контрольной переменной Z. При нескольких контрольных переменных нужен подход через точную матрицу: обратите полную корреляционную матрицу всех переменных, смените знак внедиагональных элементов и переведите их обратно в корреляции. На практике большинство предпочитает построить множественную линейную регрессию и посмотреть на стандартизированные коэффициенты или частные значения \(R^2\) — они обобщают ту же идею и дают доверительные интервалы и p-значения.