Kalkulator tau Kendalla
Wpisz dwie sparowane listy wartości, aby obliczyć tau-b Kendalla, liczbę par zgodnych i niezgodnych, statystykę z oraz wartość p dla zależności rangowej między zmiennymi.
Pomiar siły zależności rangowej między dwiema sparowanymi zmiennymi
Wzór na tau Kendalla
Gdzie:
- \(C\) — liczba par zgodnych (X i Y zmieniają się w tym samym kierunku)
- \(D\) — liczba par niezgodnych (X i Y zmieniają się w przeciwnych kierunkach)
- \(T_x\) — pary remisowe tylko w X, \(T_y\) — pary remisowe tylko w Y
- \(S\) — statystyka Kendalla, \(S = C - D\)
- \(n\) — liczba obserwacji sparowanych
- \(\Phi\) — dystrybuanta standardowego rozkładu normalnego
\(\tau_B\) porównuje każdą możliwą parę obserwacji: jeśli większość par zachowuje ten sam porządek w obu zmiennych, tau jest dodatnie; jeśli większość go łamie, tau jest ujemne. Statystyka z testuje hipotezę zerową \(\tau = 0\) w oparciu o przybliżenie normalne.
Tau Kendalla — przykład obliczenia
Przykład: dziesięć sparowanych obserwacji, w których \(X = 1; 2; 3; 4; 5; 6; 7; 8; 9; 10\) oraz \(Y = 2; 2; 1; 4; 5; 5; 7; 6; 9; 10\) (domyślne wartości w kalkulatorze).
Z \(\frac{10 \times 9}{2} = 45\) par: \(C = 40\), \(D = 3\), \(T_x = 0\), \(T_y = 2\), zatem \(S = 40 - 3 = 37\).
\[ \tau_B = \frac{37}{\sqrt{(40 + 3 + 0)(40 + 3 + 2)}} = \frac{37}{\sqrt{43 \times 45}} = \frac{37}{\sqrt{1935}} \approx 0.8412 \]
\[ z = \frac{37}{\sqrt{10 \times 9 \times 25 / 18}} = \frac{37}{\sqrt{125}} \approx 3.3094 \]
Wynik: \(\tau_B \approx 0.8412\), czyli bardzo silna dodatnia zależność monotoniczna; dwustronna wartość p wynosi \(\approx 0.0009\) i jest istotna na poziomie 1%.
Jak korzystać z kalkulatora
- Wpisz wartości Pierwszej zmiennej (X) w pierwszym polu tekstowym — po jednej liczbie na obserwację, oddzielone spacjami, średnikami lub znakami nowej linii. Mogą to być rangi albo surowe wartości, bo tau zależy wyłącznie od uporządkowania.
- Wpisz wartości Drugiej zmiennej (Y) w drugim polu tekstowym, w tej samej liczbie. Każda wartość Y jest łączona w parę z wartością X na tej samej pozycji.
- Wybierz hipotezę alternatywną: dwustronną (τ ≠ 0) do standardowego testu zależności w dowolnym kierunku albo jedną z opcji jednostronnych, jeśli spodziewasz się wyłącznie trendu dodatniego lub ujemnego.
- Odczytaj wyniki: tau-b Kendalla, liczby par (zgodne, niezgodne i remisowe), \(S\), statystykę z, wartość p oraz krótką interpretację siły, kierunku i istotności zależności.
Czym jest tau Kendalla?
Tau Kendalla to nieparametryczna miara zależności między dwiema zmiennymi. Zamiast porównywać rzeczywiste wartości, patrzy na kolejność obserwacji: para punktów jest zgodna, jeśli obserwacja o większym X ma jednocześnie większe Y, i niezgodna, jeśli jest odwrotnie. Tau to w istocie różnica między udziałem par zgodnych i niezgodnych, przeskalowana tak, by przybierała wartości od \(-1\) (idealna zależność malejąca), przez 0 (brak zależności monotonicznej), do \(+1\) (idealna zależność rosnąca).
Obliczana tutaj wersja, tau-b, uwzględnia remisy: pary o równych wartościach X albo równych wartościach Y nie da się zaklasyfikować jako zgodne lub niezgodne, a tau-b usuwa je z mianownika, dzięki czemu wartości skrajne \(\pm 1\) pozostają osiągalne, gdy dane są idealnie monotoniczne i remisy nie przeszkadzają. Jeśli w danych nie ma w ogóle remisów, tau-b równa się tau-a, a także bardziej znanej postaci \(S / \binom{n}{2}\).
Ponieważ operuje na rangach, tau wychwytuje każdą zależność monotoniczną — wzrost wykładniczy, krzywe wysycenia, skale porządkowe — a nie tylko liniowe wzory, i jest odporne na obserwacje odstające oraz dane odbiegające od rozkładu normalnego. Według praktycznej reguły |τ| poniżej 0,2 to zależność bardzo słaba, 0,2–0,4 słaba, 0,4–0,6 umiarkowana, 0,6–0,8 silna, a powyżej 0,8 bardzo silna. Popularny punkt odniesienia to zależność \(\tau_B \approx \frac{2}{\pi}\arcsin(r)\), gdzie \(r\) to korelacja Pearsona — korelacja Pearsona równa 0,9 odpowiada w przybliżeniu \(\tau \approx 0.71\).
Wartość p odpowiada na pytanie: gdyby X i Y były naprawdę niezależne, jak prawdopodobne byłoby otrzymanie przez przypadek tau co najmniej tak skrajnego jak zaobserwowane? Mała wartość p (zwykle poniżej 0,05) świadczy o istotnej statystycznie zależności monotonicznej. Aby przeliczyć statystykę z na wartość p także w innych testach, możesz skorzystać z naszego kalkulatora wartości p.
Tau Kendalla a rho Spearmana
Obie statystyki mierzą zależność monotoniczną na rangach i zwykle prowadzą do tych samych wniosków. Tau Kendalla opiera się na porównaniach parami i ma bardziej bezpośrednią interpretację (różnica między parami zgodnymi i niezgodnymi); jest mniej wrażliwe na błędy i obserwacje odstające, a jego rozkład próbkowy lepiej się zachowuje w małych próbach. Rho Spearmana to korelacja Pearsona policzona na rangach i łatwiej obliczyć ją ręcznie. W większości zbiorów danych oba współczynniki dają podobne decyzje o istotności — aby sprawdzić alternatywną miarę na tych samych danych, wypróbuj nasz kalkulator korelacji rang Spearmana.
Założenia, ograniczenia i wskazówki
- Dane sparowane: każda wartość X musi mieć odpowiadającą wartość Y z tej samej obserwacji; obie listy muszą mieć równą długość, a parowanie musi być sensowne (kolejność wpisów decyduje o tym, które wartości do siebie należą).
- Zależność monotoniczna, nie liniowa: tau wykrywa zależności, które konsekwentnie rosną lub maleją. Zależność w kształcie litery U może dać tau bliskie zeru, choć X i Y są silnie powiązane.
- Przyjazne danym porządkowym: ponieważ liczą się tylko rangi, tau działa dla kategorii uporządkowanych (np. oceny satysfakcji), a nie tylko pomiarów ciągłych. Dla kategorii bez naturalnego porządku w tabeli kontyngencji użyj zamiast tego testu chi-kwadrat albo dokładnego testu Fishera.
- Przybliżenie normalne: wartość p wykorzystuje \(z = S/\sqrt{n(n-1)(2n+5)/18}\), co jest w miarę dokładne od około \(n \ge 10\). Przy mniejszych próbach lub dużej liczbie remisów lepsze są tablice dokładne albo oprogramowanie statystyczne liczące dokładną wariancję S.
- Niezależność: obserwacje powinny być od siebie niezależne; powtórzone pomiary na tych samych osobach wymagają specjalnych wariantów, takich jak W Kendalla.
Ściągawka: interpretacja tau
| \(|\tau_B|\) | Siła zależności |
|---|---|
| 0,00 – 0,19 | Bardzo słaba |
| 0,20 – 0,39 | Słaba |
| 0,40 – 0,59 | Umiarkowana |
| 0,60 – 0,79 | Silna |
| 0,80 – 1,00 | Bardzo silna |
Pamiętaj, że to nieformalne wytyczne, a nie ostre progi: przy wystarczająco dużej próbie nawet malutkie tau może być istotne statystycznie, a przy nielicznych obserwacjach duże tau może nie osiągnąć istotności. Zawsze podawaj obok tau i wartości p również liczebność próby.
Najczęściej zadawane pytania
Jak obliczyć tau Kendalla ręcznie?
Zapisz sparowane obserwacje i porównaj każdą możliwą parę wierszy — przy n obserwacji jest ich \(\frac{n(n-1)}{2}\). Każdą parę oznacz jako zgodną, jeśli większemu X towarzyszy większe Y, niezgodną, jeśli większemu X towarzyszy mniejsze Y, albo remisową, jeśli któraś z wartości jest równa. Następnie policz C, D, \(T_x\) i \(T_y\) i podstaw do \(\tau_B = (C - D)/\sqrt{(C+D+T_x)(C+D+T_y)}\). Kalkulator robi to automatycznie i pokazuje wszystkie liczby par.
Czym różni się tau-a od tau-b Kendalla?
Tau-a to po prostu \(S/\binom{n}{2}\), czyli różnica między parami zgodnymi i niezgodnymi podzielona przez łączną liczbę par. Wobec remisów nie osiąga ±1. Tau-b koryguje mianownik tak, by wykluczyć pary remisowe, dzięki czemu przy danych z remisami nadal może osiągnąć skrajne wartości −1 lub +1. Gdy w danych nie ma żadnych remisów, obie wersje dają identyczne wyniki — i obie różnią się od rho Spearmana, które jest korelacją Pearsona policzoną na rangach.
Ile obserwacji potrzebuję, żeby wynik był wiarygodny?
Tau-b da się policzyć już z 2 par, ale wartość p opiera się na przybliżeniu normalnym, które jest dokładne dopiero od około n ≥ 10. Poniżej tego progu użyj dokładnych tablic rozkładu Kendalla albo oprogramowania statystycznego z testem dokładnym. Pamiętaj też, że małe próby utrudniają osiągnięcie istotności: przy n = 5 nawet idealne uporządkowanie monotoniczne może nie dać p < 0,05.
Dlaczego moje tau jest istotne, choć wygląda na małe?
Istotność statystyczna i wielkość efektu to różne rzeczy. Przy dużej próbie nawet bardzo słaba zależność (np. \(\tau = 0.08\)) może dać malutką wartość p, bo par wystarczy, by wiarygodnie ją wykryć. Zawsze podawaj tau razem z n i wartością p, a o praktycznej doniosłości przesądzaj na podstawie wielkości tau, a nie samej istotności. Pomocne są tu nieformalne przedziały siły (bardzo słaba poniżej 0,2, bardzo silna powyżej 0,8).
Co się stanie, jeśli moje listy mają różną długość albo zawierają literówki?
Kalkulator wymaga dokładnie tej samej liczby wpisów na obu listach, ponieważ parowanie jest pozycyjne — pierwsze X łączy się z pierwszym Y i tak dalej. Jeśli liczby się różnią albo którejś wartości nie da się odczytać jako liczby, zamiast wyniku zobaczysz komunikat o błędzie. Wartości możesz oddzielać spacjami, średnikami lub znakami nowej linii, a przecinek dziesiętny (np. 3,5) jest akceptowany tak samo jak kropka.
Czy mogę stosować tau Kendalla dla danych porządkowych lub rangowych?
Tak — to jedna z jego głównych zalet. Ponieważ tau wykorzystuje wyłącznie uporządkowanie wartości, sprawdza się dla kategorii uporządkowanych, takich jak oceny w skali Likerta, miejsca w zawodach czy stopnie nasilenia, bez zakładania równych odstępów między poziomami. Nie poradzi sobie natomiast z kategoriami bez porządku, jak grupa krwi czy kraj: tam zastosuj w tabeli kontyngencji test chi-kwadrat albo dokładny test Fishera.
Czy można przeliczyć tau Kendalla na współczynnik korelacji Pearsona?
Tylko w przybliżeniu i tylko wtedy, gdy zależność jest w miarę liniowa, a zmienne ciągłe bez remisów. Powszechne przybliżenie to \(r \approx \sin(\pi\tau/2)\), czyli odwrotność zależności \(\tau \approx \frac{2}{\pi}\arcsin(r)\). Na przykład \(\tau = 0.6\) odpowiada \(r \approx 0.95\). Uważaj przy danych porządkowych lub z licznymi remisami — tam obie miary nie są wprost porównywalne.