변동성으로 인한 수학적 관계의 유형: 이론, 테스트 및 응용

개시 » 분류 » 변동성으로 인한 수학적 관계의 유형: 이론, 테스트 및 응용

Capire che 유형의 Legam c'è tra Due variabili 이는 통계 응용 프로그램, 과거 데이터 및 실험 테스트에서 가장 자주 지배하는 것 중 하나입니다. 양적. 관계의 다른 방향은 선형적이고 항상 cogliere의 일부이며, 다른 방향으로 돌아가는 것은 단조롭지만 비선형적이며, 반대되는 covolge 범주이고 숫자가 아니며, 앵커는 세 번째 변수에 따라 달라집니다. insomma, non è una passeggiata.

이 이탈리아어 실용 및 이론 가이드에서는 유기적 모드로 작업했습니다. 변동성으로 인한 수학적 관계의 주요 팁, 시각적으로 진단하는 방법 및 공식 테스트를 통해 사용된 정성적 계수(Pearson, Spearman, Kendall), 가변 범주형 변수를 사용하여 변경하는 방법(chi-quadro di indipendenza, test esatto di Fisher, V di Cramér, Coefficiente di contingenza, phi), 방법 misurare l'accordo Kappa를 사용하는 방법 및 관리 방법 variabili di confundimento parziale 상관관계를 처리합니다. 또한, 우리는 남부 finestra'를 개선할 것입니다.대수학 델레 렐라지오니 (insiemistic 및 계산적 의미에서) 형식적 개념에 따른 필수 요소는 도메인, 구성, 역 및 기능입니다.

변동성으로 인해 "relazione"에 대해 우리가 의도하는 것

수학 용어로 A와 B 사이의 관계는 다음과 같습니다. 데카르트 곱 A×B의 요약: ogni coppia ordinata (a, b) appartenente a R은 a di A 요소가 b di B 요소와 "관련"되어 있음을 나타냅니다. 결정론적인 관계(함수) oppure probabilistica (associazione stochastica): 첫 번째 경우에는 ad ogni a 대응 esattamente una b, 두 번째 경우에는 osserviamo una 힘줄 (più 이하로 강함) 및 non un legam uno-a-uno.

모든 '관계의 내부 대수(심론적 의미에서)'는 흥미로운 속성입니다. riflessività (자신과 관련하여 a è를 인식함), 대칭 ((a, b)는 (b, a)를 의미합니다), 반대칭성 (만약 (a, b)이고 (b, a)이면 a = b)이고 이동성 ((a, b)와 (b, c)에서 (a, c)가 이어집니다.) 이 중요한 부동산 소유자는 다음과 같습니다. 관계가 대칭적이면 대칭적이고 전이적이면 diventa una relazione di equivalenza che "partizona" A in classi di elementi Equivalenti. 만약 invece가 소총적이고 반대칭적이며 전이적이라면, 우리는 abbiamo una relazione d'ordine.

이 분석에서 우리는 이 아이디어를 실제로 구현해 보겠습니다. 우리는 변동성의 유형을 평가합니다 (정량적 계속, ordinali, nomini/dicotomiche) 그리고 거기 이 통계에서의 순위 그리고 scegliamo strumenti adeguati per misurare la relazione은 "relazione"이 항상 "원인-결과"를 의미하는 것은 아니라는 점을 알고 있습니다.

시각적 이스페지오네: 리코노세레 패턴과 방향을 먹어라

Prima di buttarsi nei numeri, 유엔 산점도 그것은 가장 지적인 것의 무게입니다. 직선으로 쭉 내려간 구름은 다음을 암시합니다. 선형 관계 (양수 또는 음수); 지표 곡선을 구성합니다. 비선형 관계 (마 마가리 모노톤). 패턴을 삽입하지 않으면 선형 관계가 동의를 파괴할 수 있습니다.

변동성이 거의 없는 경우 산점도 패널(예: R에서)을 사용합니다. 쌍(데이터)) 그리고 ggplot2의 geom_smooth와 같이 smussate 경향이 있는 줄을 기록할 수 있습니다. 연관성, 클러스터 및 이상치주목: gli 이상치 Podenofluenzare moltissimo 및 계수, 종 Pearson.

예를 들어 R si può iniziare così에서는 다음과 같습니다. 쌍(데이터)

# Matrice di grafici a dispersione
pairs(dati)

# Correlazioni grezze (matrice)
cor(dati, use = "pairwise.complete.obs")

첫 번째 시각적 검사는 숫자에 맞게 정확합니다. scegliere il test giusto로 이동하세요. 형태, 단조로움, 그리고 뚜렷한 선형성에 기초함.

정상성 확인: davvero를 제공할 때

Molti 검정 매개변수(피어슨 검정의 예) 나는 다양한 정도로 가정합니다. 정상 상태 알메노는 복잡한 코드가 없는 대칭 구조입니다. 이포테시를 제어하기 위해 그래픽 구조의 특정 부분이 제공됩니다. istogrammi con densità e QQ-플롯.

R에서는 una 최소 배터리 포함 항목:

# Istogrammi con densità e curva normale sovrapposta
par(mfrow = c(2, 2))
plot_hist <- function(x) {
  hist(x, prob = TRUE)
  lines(density(x), col = "red")
  curve(dnorm(x, mean(x), sd(x)), add = TRUE, col = "blue")
}
plot_hist(dati$GASTEDU)
plot_hist(dati$GASAUDE)
plot_hist(dati$GASLAZER)
plot_hist(dati$IDADE)

정량적 관찰 결과를 정상 표준의 관찰 결과와 비교하려면, QQ-플롯 è insostituibile:

par(mfrow = c(2, 2))
qqfun <- function(x) {
  qqnorm(x, main = "", xlab = "Quantili teorici N(0,1)", pch = 20)
  qqline(x, col = "red", lty = 1)
}
qqfun(dati$IDADE)
qqfun(dati$GASAUDE)
qqfun(dati$GASLAZER)
qqfun(dati$GASTEDU)

사용할 수 없다면 눈에 띄게 두세요 test formali di normalità 축적된 증거에 따라: 매개변수 추정이 포함된 Kolmogorov–Smirnov, Lilliefors, Cramér–von Mises, Shapiro–Wilk, Shapiro–Francia, Anderson–Darling 및 Pearson(chi-quadro) di Normalità 테스트.

normalita <- function(x) {
  t1 <- ks.test(x, "pnorm", mean(x), sd(x))            # Kolmogorov–Smirnov
  t2 <- nortest::lillie.test(x)                         # Lilliefors
  t3 <- nortest::cvm.test(x)                            # Cramér–von Mises
  t4 <- shapiro.test(x)                                 # Shapiro–Wilk
  t5 <- nortest::sf.test(x)                             # Shapiro–Francia
  t6 <- nortest::ad.test(x)                             # Anderson–Darling
  t7 <- PearsonDS::pearson.test(x)                      # Pearson chi-quadro di normalità
  pv <- c(t1$p.value, t2$p.value, t3$p.value, t4$p.value, t5$p.value, t6$p.value, t7$p.value)
  data.frame(p_value = pv, row.names = c(t1$method, t2$method, t3$method, t4$method, t5$method, t6$method, t7$method))
}
normalita(dati$GASAUDE)

내가 평소처럼 자고 관계가 선형적이라면피어슨 계수는 켈트족의 좋은 사촌입니다. 그렇지 않은 경우, 스피어먼이나 켄달과 바사테 수이 랑기를 섞는 것이 현명합니다.

양적 변동성 간의 관계: 공분산과 상관관계

La 공분산 문제는 공분산이다 depende dall'unità di misura, quindi è poco comparabile.

La 피어슨 선형 상관관계 표준 편차에 따른 표준화 문제를 해결하세요. 계수 r은 -1과 1 사이에서 변하며 ±1 값을 나타냅니다. forte relazione lineare (양수 또는 음수) 및 0은 assenza di Linearità를 나타냅니다. 참고: R = 0 비선형 관계를 배제하지 않습니다.

Calcoli per correlazioni R에서:

# Coefficiente di Pearson e test di significatività
cor(dati$GASTEDU, dati$GASAUDE, method = "pearson")
cor.test(dati$GASTEDU, dati$GASAUDE, method = "pearson")

Quando la relazione è 단조로움과 비선형성 또는 정상적으로 잠을 자지 못할 때(또는 이상치를 포함하지 않을 때) 사용할 의미가 있습니다. 창병 (ranghi; 견고하고 medio-grandi campioni에 적합함) 켄달 τ (basato su concordanze/discordanze; 선호하는 su 작은 챔피언들 (또는 여러 개의 파레지와 함께):

# Correlazioni non parametriche
cor.test(dati$GASTEDU, dati$GASAUDE, method = "spearman")

# Su un sottoinsieme più piccolo, meglio Kendall
dati2 <- head(dati, 20)
cor.test(dati2$IDADE, dati2$GASAUDE, method = "kendall")

유용한 아이디어: 결정계수 R² 디 운 modello lineare semplice X에서 Y spiegata의 변수 공유를 선형적으로 복원합니다. R에서:

summary(lm(GASAUDE ~ ESTCIVIL, data = dati))$r.squared

가변성 이분법 대 양적 이분법, 계수 점-이중 직렬 실제로는 0/1로 코딩된 변수를 사용한 피어슨 계산과 일치합니다. 색상(이분형, 양적) con 메서드 = "피어슨".

가변 카테고리: 인디펜덴자, 연관성 강도, 피콜리 캄피오니

수면 변화가 나타날 때 명목상 또는 순서상, la relazione si studia con tabelle di contingentza (종종 도피아 분류에서). 전형적인 ipotesi는 다음과 같습니다: H0 = indipendenza(필요한 연관성), 대조 H1 = dipendenza.

Il test di riferimento è il chi-quadro di indipendenza. Se ci sono frequenze attese troppo basse (일반적으로 < 5), 사용하는 경우 예이츠의 수정 2×2당 o si passa al Fisher의 esatto 테스트특히 캄피오니 피콜리와 함께 표시됩니다.

# Tabella incrociata e chi-quadro
xtabs(~ PROFI + ESTCIVIL, data = dati) -> tab1
chisq.test(dati$PROFI, dati$ESTCIVIL)  # p-value non significativo => indipendenza plausibile

# Campioni piccoli: test di Fisher
chisq.test(dati$PROFI, dati$RENDA)
fisher.test(dati2$PROFI, dati2$RENDA)

퀀트케어당 l'intensità dell'associazione in table I×J si usano: 브 디 크라메르 (0-1), coefficiente di contingentza (0–1, 제한), 그리고 2×2 il에서 파이(φ), 이는 공식적으로 Pearson applicato alla tabella binaria입니다.

# Misure di associazione per tabelle
library(vcd)
xtabs(~ PROFI + RENDA, data = dati) -> tab2
assocstats(tab2)  # riporta V di Cramér, coeff. di contingenza e test

# Attenzione: cor() su codifiche numeriche di categorie non è equivalente a φ in generale

Se l'intersse è confrontore 그루피의 양적 변동성 (예: 직업별 reddito), valutano인 경우 t-검정, 분산 분석 전자는 모수적 대안이 아니며, 신뢰도의 간격이 없습니다. 일반적으로, 변동성 유형과 방법의 일관성 중요합니다.

가치 평가 문서: Kappa di Cohen

Due (또는 più) giudici가 카테고리에 no gli stessi oggetti를 분류할 때 동의 비율을 혼합하는 것만으로는 충분하지 않습니다. perché a quota può essere dovuta al 케이스. 카파 디 코헨 우연한 합의에 대한 올바른 합의를 정량화합니다. 각 사례에 대한 합의를 나타내는 0까지 추가로 평가하고 maggiori suggeriscono를 평가했습니다. 증가하는 합의 (해석: Scarso, Discreet, Moderato, Buono, molto Buono).

R è possibile stimare Kappa anche in versione ponderata (순서별 카테고리별):

set.seed(1)
val1 <- sample(0:1, 10, replace = TRUE)
val2 <- sample(0:1, 10, replace = TRUE)

# Kappa non ponderato
fmsb::Kappa.test(val1, val2)

카테고리가 자연스러운 순서가 아닌 경우 (ad empio, lieve/moderata/severa), 불일치 "vicini" 및 più quelli "lontani"의 Kappa 폰데라토 페날리자 마이너로 인해 spesso più 정보가 생성됩니다.

Relazioni e variabil di 혼란: la correlazione parziale

Può capitare che Due variabili X e Y sembrino molto 상관관계가 있지만 실제로는 dell'associazione sia dovuta a una variabile di confundimento Z 엔트라베와 관련이 있습니다. 이 질문을 클릭하면 편상관관계 Z당 X와 Y를 제어합니다.

R에서는 ggm::pcor si ottiene la correlazione parziale di primo ordine e si può testne la significatività를 사용합니다. 비교해보시면 유용해요 클래식 r e r 파르치알레 Z "spiega" del legam grezzo로 capire별로.

library(ggm)
# Correlazione parziale tra GASLAZER e GASAUDE controllando GASTEDU
rp <- pcor(c("GASLAZER", "GASAUDE", "GASTEDU"), var(dati))

# Correlazione grezza
r  <- cor(dati$GASLAZER, dati$GASAUDE)

# Test della correlazione parziale (1 variabile di controllo)
pcor.test(rp, 1, length(dati$GASAUDE))

# Confronto R^2 grezzo vs parziale
data.frame("Senza_controllo" = r^2, "Con_controllo" = rp^2)

스피에가타 할당량 "crollas"가 dopo il controllo를 제어한다면, 이제 Z는 중요한 동맹자였습니다.통제 변인이 범주(예: 직업)인 경우, 해당 범주를 요인으로 포함하는 유사한 접근 방식이나 모델을 사용할 수 없습니다.

상관관계 사용의 한계와 모범 사례

피어슨 계수 혼합 solo la linearità관계가 비선형(2차, sponenziale, logarithmic)인 경우, 강한 종속성이 있는 경우 0 pur가 발생할 수 있습니다. 이 경우, 창병이를 비선형 모델로 변환합니다.

Gli 국외자 결과를 왜곡할 수 없습니다. 따라서 우선 그래프를 확인하고, 필요한 경우 강건성 분석을 수행하거나 결과의 민감도를 동시에 확인하는 것이 편리합니다.

또 다른 고전: 상관관계 ≠ 인과관계. 가변성으로 인해 Perché 수면 인플루엔자는 단지 우연의 일치 또는 역 메커니즘의 효과에 따라 세 번째 fattore를 제공할 수 없습니다. Servono disegni sperimentali, strumenti causali o modelli appropriati per parlare di causa-effetto.

관계 유형: 선형, 단조, 귀무, 범주형

Nei casi misti(정량적 vs dichotomica/nominale/ordinata) se는 gruppi, correlazioni biserial/point-biserial oa 간의 대결 테스트를 통과합니다. 모델 (예측 요인을 포함한 광고 예시 회귀). 변동성을 포함함 entrarbe categoriali, ci si affida a chi-quadro/Fisher e alle misure di Strength dell'associazione già viste.

Funzioni는 특별한 관계를 먹습니다

우나 funzione 이는 도메인의 한 요소당 연관되는 관계입니다. 정확히 하나의 요소 콘도미니엄의. 결론적으로, A의 ogni a가 첫 번째 구성 요소와 단일 전압을 비교하는 것은 A×B 이야기의 핵심입니다. 수면 관련 대수의 다른 중요한 연산은 다음과 같습니다. 노동 조합 (R1 ∪ R2), 교차로 (R1 ∩ R2), 작곡 (R2 ∘ R1) 및 역전 (R^{-1}, (b, a)의 che scambia ciascuna coppia (a, b)).

이들 마토니 콘체투알리 tornano utili sia nella 순수 수학 (equivalenze, ordini, classi di 동등) sia in applicazioni 콘크리트 비둘기는 형식적 관계를 제공합니다.

내가 준 관계와 과학의 대수학

Nel mondo dei database, l'관계 대수 SQL의 이론적 구조는 다음과 같습니다. 선택, proiezione, 가입, Unione 및 intersezione sono versioni pratice di Operazioni su relazioni-insiemi. 이러한 형식화는 사물을 빠르게 설명하고, 최적화하고, 조작하기 위한 강력한 무기입니다.

이내에 인공 지능 그리고 기계 학습, 코노센스 그래프, raccomandation 시스템 및 통합 파이프라인을 구축할 수 있는 관계 모델링 능력; 이 값은 경제학, 생물 통계학 및 사회 과학에서 유효하며 거의 항상 "chi는 레가토 아 치(legato a chi)이고 체 모드에서는".

인시에미 이론에서의 관계의 고전적 예

Relazioni di 등가: 수면은 비선형, 대칭형, 타동형입니다. "이 값을 해결책으로 갖는다"와 같은 예는 실제로 현실적이거나 모듈로 n에 대한 합동 나는 내부적으로 제안했다. Ogni 동치 관계는 classi di equivalenza che ripartiscono l'insieme in blocchi disgiunti.

Relazioni d'Ordine: 소총형, 반대심형 및 전이형입니다. 예: ≤ sui numeri naturali, l'inclusione ⊆ sull'insieme delle parti P(X), o “나누기”(|) sui naturali. 정의에 따른 Fondamentali 수면 ordinamenti totali o parziali 그리고 각 지역마다 질량, 최소, 카테네, 반체인이 있습니다.

순서 레시코그래픽: 제가 말씀드린 게 바로 그겁니다. 시퀀스(문자열, 시퀀스로 작성된 숫자)의 순서로, 요소별로 비교하는 것입니다. 이 구조에는 중요한 노이즈가 있는데, 저는 알고리즘을 무시했습니다.

이 섹션은 수학에서 "relazione"이 개념이라는 것을 이해하는 데 유용합니다. più ampio della sole correlazione: uguaglianze, ordini, 구성 등이 포함되어 있으며 모두 모델 시스템 완성에 없어서는 안 될 요소입니다.

실용적인 워크플로: 결과를 제어하세요

가능한 플루소 디 라보로 그래서 당신이 그것을 잃어버리지 않도록 하려면 다음과 같은 것이 필요합니다:

• 그래픽 검사: 산점도, 평활화, 이스토그램미, QQ 플롯. 비선형적인 형태의 이상값을 선택합니다.
• 체크 무늬: 효과가 있으면 정규성을 테스트하고, 선형 모델이 예상되는 경우 분산 제어를 실시합니다.
• 계수의 Scelta: Pearson(lineare, dati circa Normali), Spearman/Kendall(모노토나/비노멀/피콜리 캄피오니).
• 범주형: chi-quadro/Fisher + misure d'associazione(V di Cramér, 계수 di contingenza, ψ). 그룹 비교의 경우 t-test/ANOVA 또는 대안.
• Confundenti: parziale 또는 다변량 모델(범주 fattori 포함)을 연관시킵니다.

Qualunque sia la scelta, interpretae nel contexto 그것은 chiave입니다: grandezza dell'effetto, 유의한 통계, ampiezza del campione e qualità dei dati contano como (if not più) del numero finale.

Esempi di codice R ricorrenti

리아수멘도 알쿠네 치아메이트 유틸리 이를 통해 변수 간의 관계를 분석하는 데 더 정확해지고 데이터 세트에 맞게 조정할 수 있습니다.

# 1) Correlazioni
cor(x, y, method = "pearson")
cor.test(x, y, method = "spearman")
cor.test(x_small, y_small, method = "kendall")

# 2) Grafici (base e ggplot2)
plot(x, y)
# ggplot2: geom_point() + geom_smooth(method = "lm" o se = FALSE)

# 3) Normalità
shapiro.test(x)
nortest::ad.test(x)

# 4) Tabelle e test
xtabs(~ a + b, data = dati) -> tab
chisq.test(tab)
fisher.test(tab)  # campioni piccoli o celle con attesi < 5
vcd::assocstats(tab)  # V di Cramér e coeff. di contingenza

# 5) Kappa
afmsb::Kappa.test(giudice1, giudice2)

# 6) Correlazione parziale
ggm::pcor(c("x", "y", "z"), var(dati))

실용적인 참고사항: "giuste"는 데이터를 잘게 쪼개는 데 사용됩니다. 가설을 검증하고, 방법을 비교하고, 효과가 있다면 문제를 빠르고 신뢰할 수 있는 방식으로 진단하는 피콜로 스크립트를 작성하는 것이 좋습니다.

Abbiamo는 "relazione"이 다음과 같은 의미를 갖는 경우가 더 많다는 것을 확인했습니다. Pearson의 선형 형식, Spearman/Kendall의 단조로움, chi-quadro/Fisher의 범주 내 얇은 모든 연관, V di Cramér 및 ψ의 오해; senza dimententicare는 giudici(Kappa)와 경영진 사이의 합의를 통해 parziale 상관 관계에 대해 확신을 갖게 되었습니다. 따라서 관계형 대수학은 정의된 지배권에 대한 개념, 역구성, 관계형 대수학을 통해 데이터베이스를 보관하고 데이터를 검색하는 모드를 안내합니다. Chiave 아이디어는 scegliere lo strumento in base al type di variabili, alla forma del Legam e agli obiettivi dell'analisi입니다., ricordandoci che nessun Coefficiente, da solo, può raccontare tutta la storya.