Составители:
Рубрика:
16
Подробнее проиллюстрируем процедуру вычисления медианного
коэффициента корреляции. Как известно, медиана – средний (или по
лусумма двух средних) член вариационного ряда. В нашем случае, так
как n = 5 – это измерение, имеющее ранг 3 (т. е. 110 и 8, соответствен
но). Для поиска отклонения Хемпеля нужно найти абсолютные от
клонения каждого измерения от медианы, и далее медиану этих вели
чин. Отклонение Хемпеля первого признака H
1
будет 10, для второго
– H
2
= 2. Делением на H
1,2
можно нормализовать эти признаки, при
ведя к единичному отклонению Хемпеля. Это можно сделать, если
отклонение Хемпеля отлично от нуля. В табл. 5б приведены значения
нормализованных признаков и их комбинации.
Таблица 5б
Нормализованные значения признаков
п/п№
X
1
*
X
2
*
X
1
*
+ X
2
*
X
1
*
– X
2
*
1014
41
6
293 216
3115,25,315,8
4515,55,025,9
5215,45,61
5,7
В табл. 5б выделены медианы признаков X
1
*±X
2
*. Соответствую
щие величины отклонений Хемпеля будут H
+
= 2,0 и H
–
= 1,5. Далее
(согласно п. 4 алгоритма) R
м
= (4–2,25)/(4+2,25) = 0,280.
Видно, что использование медиан “сглаживает” в данном модель
ном примере корреляции. Однако и значение 0,28 подтверждает нали
чие корреляционных связей между признаками. Само “сглаживание”
может быть вызвано тем, что медианы не учитывают большие откло
нения от среднего экстремальных измерений (наибольшей и наимень
шей порядковых статистик), которые могут вносить основной вклад,
прежде всего, в выборочный коэффициент корреляции.
3.3. Выявление и интерпретация значимых
корреляционных связей
В табл. 6 приведены близкие к значимым коэффициенты корреля
ции между рассматриваемыми в Приложении признаками и их воз
можная интерпретация.
В принципе выявление причинноследственных связей на основе
корреляционных является достаточно сложной задачей. Так, некото
рые из сделанных выводов можно считать достаточно тривиальными:
Страницы
- « первая
- ‹ предыдущая
- …
- 14
- 15
- 16
- 17
- 18
- …
- следующая ›
- последняя »
