Jesteśmy najlepsi

Aktualności

Aenean sagittis mattis purus ut hendrerit. Mauris felis magna, cursus in venenatis ac, vehicula eu massa. Quisque nunc velit, pulvinar nec iaculis id, scelerisque in diam. Sed ut turpis velit. Integer dictum urna iaculis vestibulum finibus. Etiam tempus dictum rhoncus. Nam vel semper eros. Ut molestie sit amet sapien vitae semper. Pellentesque habitant morbi tristique senectus et netus et malesuada fames ac turpis egestas. 

18 grudnia 2017
Kilka znaczących cyfr dla bezpieczeństwa żywności – swego rodzaju numerologia J do zastosowania również
27 października 2017
Jednym z narzędzi, którego użyjemy podczas poszukiwania przyczyny źródłowej problemu będzie diagram korelacji, który

Diagram korelacji | Współczynnik Pearsona

Jednym z narzędzi, którego użyjemy podczas poszukiwania przyczyny źródłowej problemu będzie diagram korelacji, który pozwoli graficznie pokazać jaki wpływ ma określony czynnik (X) na określoną zmienną lub wynik (Y)

Kiedy użyjemy?

  • W celu sprawdzenia/ przetestowania podejrzanej przyczyny (jaki ma wpływ na wynik końcowy?)

  • Porównanie - w jaki sposób różne czynniki wpływają na wynik (co ma większy a co mniejszy wpływ na wynik? Co nie ma znaczenia?)

  • Prognozowanie wpływu czynnika na efekt - na podstawie danych, które już posiadamy


Pamiętajmy również o tzw. „szumach” – czyli innych zmiennych, które mogą zaburzać wpływ jednego czynnika na drugi – analiza dotyczy wpływu jednej przyczyny a nie kilku (szerzej – przy okazji…)

Książkowy przykład korelacji: wysokie temperatury i sprzedaż lodów są silnie skorelowane
Dlaczego?
Oczywista oczywistość – im wyższa temperatura tym więcej kupujemy lodów (KORELACJA DODATNIA)

 



Żeby jeszcze bardziej zobrazować proponuję przeanalizować fikcyjny, banalny, wyssany z palca przykład:


zależność pomiędzy wzrostem a masą ciała (zakładamy, że przykład dotyczy tylko mężczyzn, żeby nie było reklamacji ze strony płci pięknej )

Do stworzenia diagramu będziemy potrzebowali danych z dwóch lub więcej czynników

  • Dane: Wzrost [cm]/ masa ciała [kg]

167/65; 176/65; 159/50; 177/90; 167/70; 188/90; 187/80; 169/70; 170/70; 168/60; 190/88; 185/70; 176/70; 177/73; 165/60; 178/70
 

  • Po naniesieniu danych na osie X – wzrost i masa ciała – Y otrzymujemy wykres pokazujący, że jest silna korelacja dodatnia – im ktoś wyższy tym więcej waży (wykres po lewej)

 

  • Współczynnik korelacji Pearsona (r) dla tego przykład = 0,8 (celowo nie podaję wzoru – wystarczy Excel i użycie funkcji PEARSON) u

 


 

INTERPRETACJA

  • DODATNIA: wzrost jednego czynnika powoduje wzrost drugiego

  • UJEMNA: odwrotnie

  • MIESZANA: zależność wzrasta lub maleje tylko do pewnego momentu a następnie zmienia kierunek


WSPÓŁCZYNNIK KORELACJI

  • Brak: 0

  • Słaba: -0,4 do <0 (ujemna)/ 0< do 0,4 (dodatnia)

  • Średnia: -0,4 do -0,7 (ujemna)/ 0,4 do 0,7 (dodatnia)

  • Silna: -0,7 do -0,9 (ujemna)/ 0,7 do 0,9 (dodatnia)

  • Bardzo silna: -0,9 do -1 (ujemna)/ 0,9 do 1 (dodatnia)


Przy braku lub słabej korelacji – nie ma sensu dalej badać czynnika

 


 

 

Krzysztof Bielański 

27 października 2017