Kalkulator kowariancji

Kalkulator kowariancji

Kowariancja mierzy, jak dwie zmienne zmieniają się względem siebie. Dodatnia oznacza, że rosną razem, ujemna — że jedna rośnie, gdy druga maleje.

Wzory

Przykład

Dla danych X = 1,2,3,4,5 i Y = 2,4,5,4,5 kowariancja próbkowa wynosi 1,5, a korelacja R około 0,775. Oznacza to umiarkowanie silny związek dodatni.

Kowariancja a korelacja

Wartość kowariancji zależy od jednostek i skali danych — trudno ją interpretować samodzielnie. Korelacja jest znormalizowana do przedziału od −1 do 1, więc łatwiej ocenić siłę związku.

Jak kalkulator zamienia dwie listy liczb w jeden wynik

Kalkulator przyjmuje dwie listy liczb tej samej długości: jedną dla zmiennej X, drugą dla zmiennej Y. Najpierw liczy średnią każdej z nich, a potem dla każdej pary obserwacji wyznacza odchylenia: wartość X minus średnia X oraz wartość Y minus średnia Y. Kluczowy jest iloczyn tych dwóch odchyleń - mówi on, czy w danym punkcie obie zmienne odbiegają od swojej średniej w tę samą stronę (iloczyn dodatni), czy w strony przeciwne (iloczyn ujemny). Suma wszystkich iloczynów trafia do licznika wzoru na kowariancję.

O wartości decyduje mianownik. Kowariancja populacyjna dzieli sumę iloczynów przez n, czyli przez liczbę par obserwacji - stosuje się ją wtedy, gdy dane obejmują całą znaną zbiorowość. Kowariancja próbkowa dzieli przez n - 1, dzięki czemu oszacowanie na podstawie próbki jest mniej obciążone. Przy krótkich seriach różnica między wariantami jest wyraźna: przy pięciu parach dzielenie przez 5 daje inną liczbę niż dzielenie przez 4. Dlatego przy każdym wyniku warto wiedzieć, który wariant został policzony.

Korelacja to ostatni krok: kowariancja dzielona przez iloczyn odchyleń standardowych obu zmiennych. To dzielenie usuwa jednostki (złote, kilogramy, punkty), a wynik trafia do przedziału od -1 do 1, więc można porównywać ze sobą różne zestawy danych. Kalkulator nie zmienia kolejności danych ani ich nie sortuje - wynik nie zależy od tego, na której pozycji stoi dana para, ale zależeć będzie od tego, czy piąta wartość X nadal odpowiada piątej wartości Y.

Przykład krok po kroku dla X = 1, 2, 3, 4, 5 i Y = 2, 4, 5, 4, 5

1. Policz średnie. Średnia X wynosi (1 + 2 + 3 + 4 + 5) ÷ 5 = 3, a średnia Y to (2 + 4 + 5 + 4 + 5) ÷ 5 = 4.
2. Wyznacz odchylenia od średnich. Dla X: -2, -1, 0, 1, 2. Dla Y: -2, 0, 1, 0, 1.
3. Pomnoż odchylenia parami i zsumuj iloczyny: (-2 razy -2) + (-1 razy 0) + (0 razy 1) + (1 razy 0) + (2 razy 1) = 4 + 0 + 0 + 0 + 2 = 6.
4. Wariant populacyjny: podziel sumę iloczynów przez liczbę obserwacji, czyli 6 ÷ 5 = 1,2.
5. Wariant próbkowy: podziel przez n - 1, czyli 6 ÷ 4 = 1,5. Ta wartość jest domyślnym wynikiem kowariancji dla tego zestawu.
6. Na koniec korelacja. Próbkowe odchylenia standardowe wynoszą około 1,581 dla X i około 1,225 dla Y, a ich iloczyn około 1,936. Dzielenie 1,5 ÷ 1,936 daje korelację około 0,775, czyli umiarkowanie silny związek dodatni.

Wyniki pośrednie dla przykładowego zestawu danych

Praktyczne wskazówki przed wpisaniem danych

• Zachowaj dopasowanie par - każda wartość X musi odpowiadać konkretnej wartości Y z tego samego pomiaru lub okresu. Przestawienie liczb tylko w jednej kolumnie rozrywa pary i zmienia wynik.
• Nie mieszaj jednostek w jednej kolumnie - jeśli część obserwacji podajesz w złotych, a część w tysiącach złotych, skala zmiennej przestaje być spójna, a wynik traci sens.
• Liczyj oba warianty, gdy nie masz pewności - różnica między wariantem populacyjnym i próbkowym jest tym większa, im mniej masz obserwacji. Dla omawianego zestawu to 1,2 wobec 1,5.
• Patrz na kowariancję razem z korelacją - sam znak kowariancji mówi o kierunku, ale nie o sile. Do oceny siły związku użyj znormalizowanej korelacji.
• Pamiętaj o minimalnej liczbie danych - potrzebne są co najmniej dwie pary obserwacji. Przy jednej parze wariant próbkowy jest nieokreślony, bo dzielenie przez n - 1 równa się zero.

Czego ten kalkulator nie uwzględnia

• Tylko związek liniowy - kowariancja i korelacja mierzą wspólne zmiany w linii prostej. Zależność w kształcie łuku lub litery U może dać wynik bliski zeru, mimo że zmienne są wyraźnie powiązane.
• Brak wnioskowania o przyczynie - dodatni wynik nie dowodzi, że X oddziałuje na Y. Możliwa jest wspólna przyczyna działająca na obie zmienne albo zależność odwrotna.
• Brak oceny istotności statystycznej - narzędzie nie liczy p-wartości ani przedziałów ufności, więc nie rozstrzyga, czy uzyskana wartość wynika z realnej zależności, czy z przypadku przy małej próbce.
• Wrażliwość na wartości skrajne - pojedyncza nietypowa para obserwacji przesuwa średnie i sumę iloczynów, a kalkulator nie sygnalizuje takich punktów ani nie wykrywa braków w danych.

Najczęstsze pytania