Коэффициент корреляции ранга Кендалла

4.    Коэффициент корреляции ранга Кендалла

 - максимальная сумма ранга

S – фактическая сумма рангов

Дает более строгую оценку чем коэффициент Спирмена.

Для расчета  все единицы ранжируются по признаку х по признаку у для каждого ранга подсчитывается число последующих рангов превышающих данный их сумму обозначим Р и число последующих рангов ниже данного обозначения Q.

S=P-Q

P+Q=¹/₂n(n-1)

5.    Коэффициент корреляции ранга Фехнера.

	х	у
	600	50		+	+ - C
	700	40		+	0 – C
	300	20		-	- - C
	400	50		-	+ - H

Коэффициент Фехнера – мера тесноты связи в виде отношения разности числа пар совпадающих и не совпадающих знаков к сумме этих чисел.

1.    расчет средних по х и у

2.    сравниваются индивидуальные значения x_i y_i со средними значениями с обязательным указанием знака «+» или «-». Если знаки совпадают по х и у, то мы относим их числу «С» если, нет, то к «Н».

3.    подсчитываем количество совпадающих и несовпадающих пар.

Коэффициент Фехнера очень грубый коэффициент оценки связи, не учитывающий величину отклонений от среднего значения, но он может служить ориентиром для оценки интенсивности связи.

	Часто а	Редко в
Есть А	Аа 5	Ав 10
Нет В	Ва 7	Вв 4

Задача измерения связи становится перед статисткой по отношению к описательным признакам, важным частным случаем такой задачи, измерения связи между 2 альтернативными признаками один из которых причина другой последствие.

Теснота связи между 2 альтернативными признаками может быть измерена с помощью 2х коэффициентов:

1.    коэффициент ассоциации

2.    коэффициент контингенции

Коэффициент контингенции имеет недостаток: при равных нулю одного из двух гетерогенных сочетаний Ав или Ва коэффициент обращается в единицу. Очень либерально оценивает тесноту связи – завышает ее.

Коэффициент Пирсона

При наличии не двух, а более возможных значений каждого из взаимосвязанных признаков рассчитываются следующие коэффициенты:

Коэффициент Пирсона Коэффициент Чупрова для описательного признака

Коэффициент Пирсона рассчитывается по квадратным матрицам

доход	Ниже нормы	Норма	2 нормы	3 нормы
1-3 ПМ	2	4	-	-
3-7 ПМ	5	3	5	-
7-12 ПМ	10	7	6	1
Св. 12 ПМ

к₁ и к₂ – число группы по признакам 1 и 2 соответственно. Минус коэффициента Пирсона в том, он не достигает 1 даже при увеличении количества групп.

Коэффициент Чупрова (1874 –1926)

 коэффициент Чупрова более строже оценивает тесноту связи.

§6. Множественная корреляция.

Изучение связи между результативным и двумя или более факторными признаками называется множественной регрессией. При исследовании зависимостей методами множественной регрессии ставят 2 задачи.

определение аналитического выражения связи между результативным признаком у и фактическими признаками х₁, х₂, х₃, …х_к, т.е. найти функцию у=f(х₁, х₂, …х_к) Оценка тесноты связи между результативным и каждым из факторных признаков.

Корреляционно-регрессионная модель (КРМ) – такое уравнение регрессии, которое включает основные факторы, влияющие на вариацию результативного признака.

Построение модели множественной регрессии включает этапы: выбор формы связи отбор факторных признаков обеспечение достаточного объема совокупности для получения верных оценок.

    I.    все множество связей между переменными, встречающиеся на практике достаточно полно описывается функциями 5-ти видов:

линейная: степенная: показательная: парабола: гипербола:

хотя все 5 функций присутствуют в практике КРА, наиболее часто используется линейная зависимость, как наиболее простая и легко поддающаяся интерпретации уравнение линейной зависимости: , к – множество факторов включающихся в уравнение, b_j– коэффициент условно-чистой регрессии, который показывает среднее по совокупности отклонение результативного признака от его среднего значения при отклонении фактора x_j от своей средней величины на единицу при условии, что все остальные факторы, входящие в уравнение сохраняют средние значения.

Параметры уравнения множественной регрессии и определение с помощью МНК.

0

Пример:

	0

0 – т.к. >0,7 следовательно на них обращаем особое внимание

ЭКО. Шкала тесноты связи:

Если связь 0 – 0,3 – слабая связь

0,3 – 0,5 – заметная

0,3 – 0,5 – тесная

0,7 – 0,9 – высокая

более 0,9 – весьма высокая

затем сравниваем два признака (доход и пол) <0,7, то включаем в уравнение множественной регрессии.

Отбор факторов для включения в уравнение множественной регрессии:

между результативным и фактическим признаками должна быть причинно-следственная зависимость. результативный и фактический признаки должны быть тесно связаны между собой иначе возникает явление мультиколлинеарности (>06), т.е. включенные в уравнение факторные признаки влияют не только на результативный, но друг на друга, что влечет к неверной интерпретации числовых данных.

Методы отбора факторов для включения в уравнение множественной регрессии:

1.    экспертный метод – основан на интуитивно логическом анализе который выполняется высококвалифицированными экспертами.

2.    использование матриц парных коэффициентов корреляции осуществляется параллельно с первым методом, матрица симметрична относительно единичной диагонали.

3.    пошаговый регрессионный анализ – последовательное включение факторных признаков в уравнение регрессии и проверки значимости проводится на основании значений двух показателей на каждом шаге. Показатель корреляции, регрессии.

Показатель корреляции: рассчитывают изменение теоретической корреляции отношения или изменение средней остаточной дисперсии. Показатель регрессии – изменение коэффициента условно чистой регрессии.

Пример расчета:

	Ниже среднего	Среднее	Выше среднего	Итого
Ниже среднего	12	7	3	22
Средний	15	10	9	34
Выше среднего	3	15	10	29
Итого	31	32	22	85