Калькулятор рангової кореляції Спірмена
Введіть дві парні вибірки значень — і калькулятор обчислить коефіцієнт рангової кореляції Спірмена (ρ), проранжує кожну змінну та перевірить зв’язок за наближеним p-значенням.
Ранжуємо дві змінні й перевіряємо їхній монотонний зв’язок
Формула рангової кореляції Спірмена
Де:
- \(d_i\) — різниця між рангом i-го спостереження в X та його рангом у Y
- \(n\) — кількість парних спостережень
Ця класична формула дає кореляцію між рангами двох змінних, якщо повторюваних значень немає. Інакше кажучи, \(\rho\) — це коефіцієнт кореляції Пірсона, обчислений для рангів замість початкових даних. Саме це означення використовує калькулятор, щоб коректно враховувати однакові значення (вони отримують середній ранг).
Рангова кореляція Спірмена — приклад обчислення
Приклад: десять студентів навчаються дедалі довше (X) і отримують за тест бали, наведені в Y. Використано стандартні значення калькулятора: X = 2; 4; 6; 8; 10; 12; 14; 16; 18; 20 і Y = 55; 62; 58; 70; 70; 71; 80; 85; 82; 90.
Ранги X — це просто числа від 1 до 10. Ранжування Y дає 1, 3, 2, 4,5, 4,5, 6, 7, 9, 8, 10 (два бали 70 ділять між собою середнє рангів 4 і 5). Через цей збіг \(\rho\) обчислюється як кореляція Пірсона між рангами:
\[ \rho = \frac{\sum r_x r_y - n \bar{r}_x \bar{r}_y}{\sqrt{\left(\sum r_x^2 - n \bar{r}_x^2\right)\left(\sum r_y^2 - n \bar{r}_y^2\right)}} = \frac{80}{\sqrt{82.5 \times 82}} \approx 0.973 \]
Перевірка \(H_0: \rho = 0\) за статистикою \(t = \rho\sqrt{\frac{n-2}{1-\rho^2}} \approx 11.84\) з 8 ступенями вільності дає \(p < 0.0001\).
Результат: \(\rho \approx 0.973\) за \(n = 10\) пар — дуже сильний зростаючий монотонний зв’язок, статистично значущий на рівні 0,05.
Як користуватися калькулятором
- Введіть значення X у перше поле — по одному числу на кожне спостереження, розділені пробілами, крапками з комою або розривами рядка (десяткові коми підтримуються).
- Введіть значення Y у друге поле, причому в такому самому порядку, щоб кожне X було пов’язане з відповідним Y.
- Виберіть альтернативну гіпотезу: двобічну (\(\rho \neq 0\)), правобічну (\(\rho > 0\)) або лівобічну (\(\rho < 0\)). Від цього залежить, який хвіст розподілу використовується для p-значення.
- Ознайомтеся з результатами: \(\rho\) Спірмена, кількість парних спостережень \(n\), наближене p-значення та детальна таблиця, де для кожного значення наведено його ранги, різниці рангів і застосований метод.
Обидва списки мають містити однакову кількість значень (щонайменше 3), і жодна зі змінних не може бути константою — інакше кореляція невизначена.
Що таке рангова кореляція Спірмена?
Коефіцієнт рангової кореляції Спірмена, який зазвичай позначають \(\rho\) («ро») або \(r_s\), вимірює силу та напрям монотонного зв’язку між двома змінними: чи має тенденцію одна змінна зростати, коли зростає інша (\(\rho > 0\)), чи спадати, коли інша зростає (\(\rho < 0\)). Принцип простий: кожне значення замінюється його рангом усередині власної змінної, а потім корелюються вже ранги. Значення \(\rho\) завжди лежать між −1 і +1: +1 означає, що два ранжування ідентичні, а −1 — що вони точно протилежні.
Ключова відмінність від коефіцієнта кореляції Пірсона — у типі зв’язку, який вони охоплюють. Пірсон показує, наскільки добре дані описуються прямою лінією, тоді як Спірмен відповідає лише на питання, чи послідовно зростає або послідовно спадає зв’язок — підійде будь-яка монотонна крива. Тому Спірмен — природний вибір, коли дані порядкові (ранги, рейтинги, оцінки), сильно асиметричні або містять викиди: одне екстремальне значення може кардинально спотворити \(r\) Пірсона, але ледь зсуне чийсь ранг.
p-значення відповідає на питання: якби в генеральній сукупності насправді не було жодного монотонного зв’язку (\(\rho = 0\)), наскільки імовірно було б випадково отримати таку велику вибіркову кореляцію? Мале p-значення (умовно менше 0,05) свідчить про реальний зв’язок. Якщо ви не знаєте, як загалом читати p-значення, калькулятор p-значення детальніше пояснює це поняття.
Як інтерпретувати результат
Врахуйте і знак, і абсолютне значення \(\rho\), а разом із ними — p-значення:
- Знак: \(\rho > 0\) вказує на зростаючий зв’язок, \(\rho < 0\) — на спадний.
- Абсолютне значення (орієнтовно): |\(\rho\)| ≥ 0,9 — дуже сильний, 0,7–0,9 — сильний, 0,4–0,7 — помірний, 0,2–0,4 — слабкий, менше 0,2 — несуттєвий.
- p-значення: показує, чи відрізняється зв’язок статистично від нуля. Навіть велике \(\rho\), отримане на крихітній вибірці, може виявитися незначущим.
Пам’ятайте: кореляція — це не причинно-наслідковий зв’язок. Навіть дуже сильна монотонна залежність не доводить, що одна змінна впливає на іншу. Обидві може визначати третій чинник, або збіг може бути випадковим.
Припущення, обмеження та практичні поради
- Монотонність, а не лінійність: Спірмен виявляє будь-який послідовно зростаючий або послідовно спадний зв’язок. Якщо залежність спочатку зростає, а потім спадає (наприклад, має U-подібну форму), \(\rho\) може бути близькою до нуля, хоча змінні явно пов’язані.
- Порядкові дані підходять: припущення про нормальність не потрібне — важливо лише, щоб значення можна було осмислено проранжувати.
- Однакові значення: коли те саме значення трапляється у змінній кілька разів, такі спостереження отримують середній зі своїх рангів, а \(\rho\) обчислюється як кореляція Пірсона рангів. Класична формула \(1 - 6\sum d^2 / (n(n^2-1))\) точна лише без повторів; за великої кількості повторів правильним є підхід «Пірсон по рангах» — саме тому калькулятор завжди його застосовує.
- Малі вибірки: p-значення спирається на стандартне наближення \(t = \rho\sqrt{(n-2)/(1-\rho^2)}\) з \(n-2\) ступенями вільності, яке точне за \(n \geq 10\). Якщо \(n < 10\), перш ніж робити висновки, порівнюйте \(\rho\) з точними таблицями критичних значень Спірмена.
- Парність має значення: k-те значення X має відповідати k-му значенню Y. Перемішаний список значень Y дасть беззмістовний результат.
- Викиди: методи на основі рангів стійкі до них, але варто перевірити, чи екстремальне спостереження є справжньою точкою даних, а не помилкою запису.
Якщо ви хочете вийти за межі простого зв’язку і справді передбачати одну змінну за іншою, калькулятор лінійної регресії підбере модель і виведе її коефіцієнти, а калькулятор d Коена стане в нагоді для вимірювання різниць між групами, а не зв’язків між змінними.
Часті запитання
Як обчислити ρ Спірмена вручну?
Проранжуйте кожну змінну окремо від найменшого значення (1) до найбільшого (n), для кожної пари відніміть один ранг від іншого, щоб отримати \(d_i\), зведіть ці різниці в квадрат і підсумуйте, а потім застосуйте \( \rho = 1 - \frac{6\sum d_i^2}{n(n^2-1)} \). Для 5 пар і \(\sum d^2 = 4\) отримаємо \( \rho = 1 - \frac{6 \times 4}{5(25-1)} = 0.8 \). Якщо є однакові значення, призначте їм середній ранг і скористайтеся методом «Пірсон по рангах», адже спрощена формула стає зміщеною.
Яке значення рангової кореляції Спірмена вважається хорошим або сильним?
Універсальної межі не існує — все залежить від галузі та розміру вибірки. Орієнтовно |ρ| понад 0,7 зазвичай називають сильним зв’язком, понад 0,9 — дуже сильним, а значення нижче 0,2 — несуттєвими. Завжди читайте величину разом із p-значенням: ρ = 0,9 за 4 спостережень може бути статистично незначущою, тоді як ρ = 0,25 за 1000 пар може бути високозначущою, але практично малою.
Коли варто використовувати ρ Спірмена замість r Пірсона?
Обирайте Спірмена, коли зв’язок може бути монотонним, але не лінійним (експоненціальне зростання, криві насичення), коли дані порядкові (ранжування, шкали Лайкерта, оцінки), коли розподіли сильно асиметричні або наявні викиди — ранги обмежують екстремальні значення, тож ті не можуть домінувати в результаті. Пірсон кращий, коли вам потрібно виміряти саме лінійний зв’язок на приблизно інтервальних даних.
Як у кореляції Спірмена враховуються однакові значення?
Спостереження з однаковими значеннями отримують середній із рангів, які вони б зайняли: два значення, що поділяють 4-те і 5-те місця, обидва отримують ранг 4,5. Через таке усереднення класична формула \( 1 - 6\sum d^2/(n(n^2-1)) \) перестає бути точною, тому коефіцієнт слід обчислювати як кореляцію Пірсона рангів — саме так і робить цей калькулятор. За поодиноких повторів різниця мізерна, але за великої їх кількості вона стає суттєвою.
Чи можна обчислити ρ Спірмена за ранжованими або порядковими даними?
Так — це один із його головних плюсів. Можна вводити дані, які вже є рангами, рейтинговими оцінками чи впорядкованими категоріями (наприклад, 1-ше, 2-ге, 3-тє місце або бали від 1 до 5), адже метод вимагає лише, щоб значення можна було впорядкувати. Припущення про нормальність не потрібне. Просто стежте, щоб обидва списки були впорядковані в одному напрямку: якщо великі числа означають «найкраще» в одній змінній, але «найгірше» в іншій, ρ коректно вийде від’ємною.
Чому кореляція Спірмена низька, хоча змінні явно пов’язані?
Спірмен виявляє лише монотонні залежності — ті, що послідовно зростають або послідовно спадають. Якщо зв’язок U-подібний, спочатку зростає, а потім виходить на плато, або змінює напрям, ρ може бути близькою до нуля попри сильну залежність. Спершу побудуйте графік даних. Серед інших причин — мала кількість пар, неузгоджений порядок X–Y або численні повтори, що стискають ефективну варіацію рангів.
Чи доводить значуща кореляція Спірмена причинно-наслідковий зв’язок?
Ні. Значуща ρ лише свідчить про монотонний зв’язок між двома змінними у вашій вибірці. Одна змінна може впливати на іншу, обидві можуть залежати від третього чинника, або збіг може бути випадковим. Особливо в спостережуваних даних сприймайте статистичну значущість як поштовх до подальшого дослідження: причинно-наслідковий зв’язок встановлюють контрольовані експерименти або правильно побудоване дослідження, а не сама кореляція.