Связи b0 и b1 с другими описательными статистиками
Как задачи подбора «наилучшей» линии предсказания, так и измерения корреляции двух переменных касаются пары переменных для группы объектов. В обоих случаях данные можно представить на диаграмме рассеивания.
Есть несколько интересных соотношений между rxy, sx, sy и коэффициентами b0 и b1 для прямой метода наименьших квадратов.
, (8.8)
то есть b1 равен ковариации X и Y, деленной на дисперсию X. Ковариация X и Υ для данных табл. 8.1 составляет 27,211, а = 38,408. Отношение sxy/ = 0,708, значению b1, найденному из уравнения (8.2).
Вспомните, что . Таким образом, если мы просто умножим это уравнение на
,
то получим b1:
. (8.9)
. (8.10)
Дисперсия предсказываемых значений, то есть значений , равна квадрату коэффициента корреляции X и Y, умноженному на дисперсию Y. Например, rxy для данных табл. 8.1 равен 0,861; = 25,958. Поэтому дисперсия 20 предсказанных значений Y равна:
.
Измерение нелинейных связей между переменными, корреляционное отношение η2
Этот параграф приведен здесь ради полноты и логической последовательности. Вы поймете его лучше после прочтения главы 15 об однофакторном дисперсионном анализе.
Рис. 8.4 – Связь между возрастом и характеристикой 28 людей
по вспомогательному тесту цифра-знак (WAIS)
Мы уже говорили, что произведение моментов Пирсона r измеряет лишь степень линейной связи между X и Y, теперь укажем еще описательную меру, применяемую в том случае, когда связь между X и Y преимущественно нелинейна. В качестве примера нелинейной связи рассмотрим данные рис. 8.4, показывающие связь возраста X с результатами Y вспомогательного теста цифра-знак шкалы интеллекта взрослых Векслера (WAIS). Данные рис. 8.4 представлены в табл. 8.2.
Из рис. 8.4 видно, что результаты растут линейно от 10 до 22 лет, достигают пика и затем довольно быстро уменьшаются.
Таблица 8.2
WAIS – Вспомогательный тест цифра-знак, располагающий по шкале оценки 28 лиц в восьми возрастных группах с равным шагом
Возраст с точностью до ближайшего года | |||||||
Среднее возрастных групп: 8,60 | 9,50 | 10,50 | 11,50 | 10,00 | 9,00 | 8,67 | 8,00 |
Общее среднее всех значений = |
Мера линейной или нелинейной связи X и Υ обозначается η2 (читается «эта в квадрате») и называется корреляционным отношением. Корреляционное отношение определяется так:
, (8.11)
где , то есть сумма квадратов отклонений каждого значения Υ от среднего всех п значений Y, a SSвнутри получена следующим образом.
Для первого значения X находим отклонения соответствующих значений относительно их среднего и вычисляем сумму квадратов этих отклонений. Например, первая сумма квадратов в табл. 8.2 есть (7 – 8,60)2 + (8 – 8,60)2 + (9 – 8,60)2 + (9 – 8,60)2 + (10 – 8,60)2. Этот процесс повторяется для каждого значения X. Так, для X = 14 имеем: (8 – 9,50)2 + (9 – 9,50)2 + (10 – 9,50)2 + (11 – 9,50)2. Для последней группы, Х = 38, сумма квадратичных отклонений значений Y относительно их среднего равна (8 – 8)2 = 0, поскольку есть только одно значение. Наконец, складываем эти суммы квадратов отклонений для всех значений X. В результате имеем SSвнутри. (Если вы читаете этот раздел после главы 15, то обратите внимание, что SSвнутри есть «внутригрупповая сумма квадратов» в однофакторном дисперсионном анализе с неравными п).
Для данных табл. 8.2 величина SSобщая равна 54,68, а SSвнутри = 24,87. Отсюда значение есть
.
Последующие соображения касаются интерпретации . Коэффициент – заметьте, что Y предшествует запятой, а X следует за ней, – является мерой степени предсказания Υ по X с помощью «наилучшим образом подобранной» линии, либо прямой, либо кривой.
Важно отметить, что и обычно будут иметь разные значения. Это противоречит известным нам случаям, когда rxy = ryx. Мы можем смириться с фактом, что может не быть равным , интуитивно обратившись к данным табл. 8.2. Если человеку 10 лет, то можно довольно уверенно предсказать, что его оценка по шкале цифра-знак равна ≈8,60. Однако, если известно, что оценка Y равна 8, то возраст X может быть как малым, около 10, так и большим, около 38 лет. Значит, можно довольно хорошо предсказать Y по X, но нельзя хорошо прогнозировать X по Y. Эти обстоятельства отражаются на величинах = 0,545 и , которую мы не вычисляли, но которая близка к нулю.
Величину надо сравнивать с , а не с . Мы знаем, что , или
. (8.12)
Уравнение (8.12) показывает, что (1 минус сумма квадратов отклонений Y относительно прямой предсказания) делится на . Уравнение (8.11) показывает, что (1 минус сумма квадратов отклонений Y относительно кривой предсказания, проходящей через средние значения Y для каждого значения X) разделен на . Кривая предсказания Υ по X показана на рис. 8.4.
Как и в случае , должна быть меньше или равна единице и больше или равна нулю. Кроме того, ≥ . Разность является мерой степени нелинейности линии наилучшего сглаживания для предсказания Y по X.
Дата добавления: 2015-09-21; просмотров: 683;