Korrelaatio ja regressio ovat kaksi analyysiä, joka perustuu monimuuttujajakaumaan. Monimuuttujajakaumaa kuvataan useiden muuttujien jakaumana. korrelaatio kuvataan analyysinä, joka antaa meille tietää kahden muuttujan 'x' ja 'y' välisestä yhteydestä tai puuttumisesta. Toisessa päässä, Regressio analyysi, ennustaa riippuvaisen muuttujan arvon riippumattoman muuttujan tunnettuun arvoon perustuen olettaen, että kahden tai useamman muuttujan välinen keskimääräinen matemaattinen suhde.
Ero korrelaation ja regression välillä on yksi haastatteluissa usein kysyttyistä kysymyksistä. Lisäksi monet ihmiset kärsivät epäselvyydestä ymmärtää näitä kahta. Joten, lue tämä artikkeli kokonaan, jotta näet nämä kaksi selvästi.
Vertailun perusteet | korrelaatio | Regressio |
---|---|---|
merkitys | Korrelaatio on tilastollinen mitta, joka määrittää kahden muuttujan samansuhteen tai assosiaation. | Regressio kuvaa kuinka riippumaton muuttuja liittyy numeerisesti riippuvaiseen muuttujaan. |
Käyttö | Esittää kahden muuttujan välinen lineaarinen suhde. | Parhaan rivin sovittamiseksi ja yhden muuttujan arvioimiseksi toisen muuttujan perusteella. |
Riippuvat ja riippumattomat muuttujat | Ei eroa | Molemmat muuttujat ovat erilaisia. |
osoittaa | Korrelaatiokerroin osoittaa, missä määrin kaksi muuttujaa liikkuvat yhdessä. | Regressio osoittaa tunnetun muuttujan (x) yksikkömuutoksen vaikutuksen arvioituun muuttujaan (y). |
Tavoite | Löydät numeerisen arvon, joka ilmaisee muuttujien välisen suhteen. | Arvioida satunnaismuuttujan arvoja kiinteän muuttujan arvojen perusteella. |
Termi korrelaatio on yhdistelmä kahdesta sanasta 'Co' (yhdessä) ja suhteesta (yhteys) kahden määrän välillä. Korrelaatio on, kun kahden muuttujan tutkimishetkellä havaitaan, että yhden muuttujan yksikkömuutos vastustetaan vastaavan muutoksen toisella muuttujalla, ts. Suoralla tai epäsuoralla. Tai muuten muuttujien sanotaan olevan korreloimattomia, kun yhden muuttujan liike ei merkitse minkään toisen muuttujan liikettä tiettyyn suuntaan. Se on tilastollinen tekniikka, joka edustaa yhteyden voimakkuutta muuttujaparien välillä.
Korrelaatio voi olla positiivinen tai negatiivinen. Kun kaksi muuttujaa liikkuu samaan suuntaan, ts. Yhden muuttujan lisäys johtaa vastaavan lisäyksen toiseen muuttujaan ja päinvastoin, muuttujien katsotaan korreloivan positiivisesti.. Esimerkiksi: voitto ja sijoitukset.
Päinvastoin, kun kaksi muuttujaa liikkuu eri suuntiin siten, että yhden muuttujan lisääntyminen johtaa toisen muuttujan laskuun ja päinvastoin, tätä tilannetta kutsutaan negatiiviseksi korrelaatioksi.. Esimerkiksi: Tuotteen hinta ja kysyntä.
Korrelaation mitat on annettu seuraavasti:
Tilastollinen tekniikka estimoimaan metristä riippuvaisen muuttujan muutos, joka johtuu yhden tai useamman riippumattoman muuttujan muutoksesta kahden tai useamman muuttujan välisen keskimääräisen matemaattisen suhteen perusteella, tunnetaan regressiona. Sillä on merkittävä rooli monissa ihmistoiminnoissa, koska se on tehokas ja joustava työkalu, jota ennustettiin aiempia, nykyisiä tai tulevia tapahtumia menneiden tai nykyisten tapahtumien perusteella. Esimerkiksi: Yrityksen tulevaisuuden voitto voidaan arvioida aikaisempien tietojen perusteella.
Yksinkertaisessa lineaarisessa regressiossa on kaksi muuttujaa x ja y, joissa y riippuu x: stä tai sanotaan, että x vaikuttaa. Tässä y: tä kutsutaan riippuvaiseksi tai kriteerimuuttujaksi ja x on riippumaton tai ennustajamuuttuja. Y: n regressioviiva x: ssä ilmaistaan seuraavasti:
y = a + bx
missä a = vakio,
b = regressiokerroin,
Tässä yhtälössä a ja b ovat kaksi regressioparametria.
Jäljempänä esitetyt kohdat selittävät korrelaation ja regression välisen eron yksityiskohtaisesti:
Yllä olevan keskustelun perusteella on selvää, että näiden kahden matemaattisen käsitteen välillä on suuri ero, vaikka näitä kahta tutkitaan yhdessä. Korrelaatiota käytetään, kun tutkija haluaa tietää, korreloivatko tutkittavat muuttujat vai eivät, jos kyllä, mikä on niiden assosiaation vahvuus. Pearsonin korrelaatiokerrointa pidetään parhaana korrelaatiomittauksena. Regressioanalyysissä luodaan toiminnallinen suhde kahden muuttujan välillä, jotta voidaan tehdä tulevaisuuden ennusteita tapahtumista.