Калькулятор часткової кореляції
Обчисліть часткову кореляцію між двома змінними з урахуванням третьої. Введіть три парні стовпці даних або три попарні кореляції Пірсона — і отримайте коефіцієнт часткової кореляції з інтерпретацією.
Визначте зв'язок, усунувши вплив третьої змінної
Формула часткової кореляції
Де:
- \(r_{XY \cdot Z}\) — часткова кореляція X і Y з урахуванням Z
- \(r_{XY}\) — кореляція Пірсона між X і Y
- \(r_{XZ}\) — кореляція Пірсона між X і Z
- \(r_{YZ}\) — кореляція Пірсона між Y і Z
Формула усуває ту частину зв’язку X–Y, яка пояснюється окремими лінійними залежностями кожної зі змінних від Z. Результат, як і звичайний коефіцієнт кореляції, лежить у межах від −1 до 1.
Часткова кореляція — приклад обчислення
Приклад: вісім спостережень, де X = 1; 2; 3; 4; 1; 2; 3; 4, Y = 3; 3; 5; 9; 4; 8; 10; 10 і бінарна контрольна змінна Z = 0; 0; 0; 0; 1; 1; 1; 1 (демонстраційні значення калькулятора).
Спочатку обчисліть три попарні кореляції Пірсона:
\[ r_{XY} = 0.7785, \qquad r_{XZ} = 0.0000, \qquad r_{YZ} = 0.5222 \]
Далі застосуйте формулу часткової кореляції:
\[ r_{XY \cdot Z} = \frac{0.7785 - (0)(0.5222)}{\sqrt{(1 - 0^{2})(1 - 0.5222^{2})}} = \frac{0.7785}{0.8528} \approx 0.9129 \]
Результат: часткова кореляція становить приблизно 0,9129. Урахування Z посилює зв’язок X–Y з 0,78 до 0,91, адже в цьому наборі даних Z пов’язана з Y, але не з X.
Як користуватися калькулятором
- Виберіть спосіб введення: «Три парні стовпці даних», якщо у вас є сирі вимірювання, або «Три попарні кореляції», якщо три коефіцієнти Пірсона вам уже відомі.
- У режимі сирих даних вставте значення у поля Змінна X, Змінна Y та Контрольна змінна Z. Розділяйте значення пробілами, крапками з комою або переносами рядків; десяткові коми підтримуються. Усі три стовпці мають бути в однаковому порядку спостережень і мати однакову довжину (від 4 до 2000 значень).
- У режимі коефіцієнтів введіть Кореляцію X і Y, Кореляцію X і Z та Кореляцію Y і Z — кожне значення в межах від −1 до 1.
- Ознайомтеся з результатом: часткова кореляція X і Y з урахуванням Z, три попарні кореляції, кількість парних спостережень (у режимі даних) та інтерпретація простими словами.
Що таке часткова кореляція?
Часткова кореляція вимірює силу лінійного зв’язку між двома змінними після усунення впливу однієї або кількох контрольних змінних. У випадку з однією контрольною змінною, який розглядає цей калькулятор, вона відповідає на питання: наскільки сильно пов’язані X і Y, якщо виключити варіацію, яку кожна з них має спільну з Z?
Це важливо, бо звичайна кореляція може вводити в оману. Дві змінні можуть виглядати корельованими лише тому, що обидві залежать від третьої змінної — класична ситуація сплутування. Наприклад, продажі морозива й випадки утоплення протягом року корелюють між собою, але обидві зумовлені температурою. Часткова кореляція допомагає з’ясувати, чи залишається прямий зв’язок після врахування спільної причини.
Результат інтерпретують так само, як будь-який коефіцієнт кореляції: значення близькі до +1 або −1 свідчать про сильний позитивний або негативний лінійний зв’язок, значення близькі до 0 — про слабкий зв’язок або його відсутність. Часткова кореляція за абсолютною величиною може бути як більшою, так і меншою за звичайну. Вона більша, коли Z маскує частину справжнього зв’язку (як у прикладі вище), і менша, коли звичайна кореляція була переважно артефактом впливу Z.
Зауважте: часткова кореляція, як і будь-яка кореляція, вимірює асоціацію, а не причинно-наслідковий зв’язок. Усунення лінійного впливу Z зменшує один із можливих джерел хибної асоціації, але не може визначити напрямок причинності або виключити інші сплутані змінні. Щоб моделювати кілька предикторів одночасно, наступним логічним кроком буде калькулятор множинної лінійної регресії.
Припущення, обмеження та поради
- Лінійність. Формула базується на кореляції Пірсона, тому охоплює лише лінійні зв’язки. Якщо залежності монотонні, але нелінійні, скористайтеся ранговими мірами, як-от рангова кореляція Спірмена.
- Одна контрольна змінна. Цей калькулятор враховує лише одну змінну Z. За кількох контрольних змінних той самий принцип узагальнюється через матрицю точності (обернену кореляційну матрицю), але обчислення стають матричними.
- Узгоджені коефіцієнти. У режимі коефіцієнтів три кореляції мають бути взаємно сумісними — калькулятор відхиляє комбінації, з яких не може скластися коректна кореляційна матриця.
- Невизначені випадки. Результат не визначено, коли X або Y корелює з Z досконало (або майже досконало), бо знаменник прямує до нуля.
- Розмір вибірки. Малі вибірки дають нестійкі оцінки. За невеликої кількості спостережень часткова кореляція середньої величини цілком може виникнути випадково; перевірка статистичної потужності допоможе оцінити, чи здатна ваша вибірка виявити очікуваний ефект.
- Повні пари. Кожен рядок має містити значення X, Y і Z. Пропуски в одному зі стовпців руйнують парність, тож спочатку очистьте дані.
Часті запитання
Як обчислити часткову кореляцію вручну?
Спочатку обчисліть за парними даними три кореляції Пірсона \(r_{XY}\), \(r_{XZ}\) і \(r_{YZ}\). Потім підставте їх у формулу \( r_{XY \cdot Z} = \frac{r_{XY} - r_{XZ} r_{YZ}}{\sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)}} \). Перемножте дві кореляції з Z, відніміть результат від \(r_{XY}\) і розділіть на квадратний корінь із добутку двох інших виразів. Калькулятор виконує всі кроки одразу і показує попарні коефіцієнти, які використав.
Чи є моя часткова кореляція статистично значущою?
Калькулятор не проводить перевірки значущості, але ви можете зробити це самостійно за формулою \( t = r_{XY \cdot Z}\sqrt{\frac{n-3}{1 - r_{XY \cdot Z}^2}} \), де \(n\) — кількість повних спостережень. Порівняйте \(t\) з t-розподілом із \(n - 3\) ступенями вільності. Орієнтовно, за \(n = 50\) часткова кореляція, яка перевищує приблизно \(\pm 0.28\), є значущою на 5%-му рівні (двобічна перевірка).
Яке значення вважається сильною чи хорошою частковою кореляцією?
Універсального «хорошого» значення не існує — все залежить від галузі. Як грубі орієнтири, які застосовують у поведінкових науках: величини близько 0,1 вважають малими, близько 0,3 — середніми, а 0,5 і більше — сильними. У фізиці чи інженерії суттєвими можуть бути й значно слабші кореляції. Оцінюйте значення з огляду на розмір вибірки: малий коефіцієнт з великої вибірки може бути змістовним, тоді як великий з кількох спостережень — чистою випадковістю.
Чи може часткова кореляція перевищувати звичайну або навіть змінювати знак?
Так, можливе й те, й інше. Коли Z пригнічує частину справжнього зв’язку X–Y, часткова кореляція за абсолютною величиною перевищує \(r_{XY}\). Зміна знаку (від’ємна часткова кореляція при позитивній звичайній) є ознакою класичної супресії — контрольна змінна виявляє зв’язок, протилежний до того, на який вказувала звичайна кореляція. Обидва результати є правомірними, а не помилковими, хоча зазвичай вони потребують ретельної інтерпретації того, як Z пов’язана з X і Y.
Яка різниця між частковою та напівчастковою (парціальною) кореляцією?
Часткова кореляція усуває вплив Z з обох змінних — X і Y, а потім корелює те, що залишилося. Напівчасткова кореляція усуває Z лише з однієї змінної, скажімо Y, залишаючи X недоторканою. Часткову кореляцію застосовуйте, коли питаєте: «чи пов’язані X і Y між собою незалежно від Z для обох?», а напівчасткову — коли питаєте: «чи пояснює X ту частку Y, яку Z не враховує?». Цей калькулятор обчислює саме частковий варіант.
Чому калькулятор відхилив мої три коефіцієнти кореляції?
У режимі коефіцієнтів три значення мають бути взаємно узгодженими: вони повинні утворювати коректну кореляційну матрицю, тобто \( |r_{XY} - r_{XZ}\, r_{YZ}| \) не може перевищувати \( \sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)} \). Якщо це не так, жоден реальний набір даних не міг би дати таку комбінацію. Типові причини — плутанина, який коефіцієнт до якої пари належить, або кореляції з різних вибірок чи досліджень, які не містили одних і тих самих спостережень.
Чи можна враховувати більше однієї змінної?
Цей калькулятор працює з однією контрольною змінною Z. За кількох контрольних змінних потрібен підхід через матрицю точності: оберніть повну кореляційну матрицю всіх змінних, змініть знак недіагональних елементів на протилежний і переведіть їх назад у кореляції. На практиці більшість людей натомість будує множинну лінійну регресію та розглядає стандартизовані коефіцієнти або значення часткового \(R^2\), які узагальнюють ту саму ідею і надають довірчі інтервали та p-значення.