В статистике корреляция — это мера линейной зависимости между двумя переменными.
Значение коэффициента корреляции всегда находится в диапазоне от -1 до 1, где:
- -1 указывает на совершенно отрицательную линейную корреляцию между двумя переменными
- 0 указывает на отсутствие линейной корреляции между двумя переменными
- 1 указывает на совершенно положительную линейную корреляцию между двумя переменными.
Если две переменные имеют нулевую корреляцию, это указывает на то, что они никак не связаны. Другими словами, знание значения одной переменной не дает нам никакого представления о том, каким может быть значение другой переменной.
Если мы создадим диаграмму рассеяния двух переменных с нулевой корреляцией, на графике не будет четкой закономерности:
Примеры отсутствия корреляции
Следующие примеры иллюстрируют сценарии, в которых две переменные не имеют корреляции.
Пример 1: потребление кофе и интеллект
Количество кофе, которое люди потребляют, и их уровень IQ имеют нулевую корреляцию. Другими словами, знание того, сколько кофе выпивает человек, не дает нам представления о том, каким может быть его уровень IQ.
Если бы мы построили диаграмму рассеяния ежедневного потребления кофе в зависимости от уровня IQ, она выглядела бы так:
Пример 2: Рост и результаты экзаменов
Рост студентов и их средние баллы за экзамены имеют нулевую корреляцию. Другими словами, знание роста человека не дает нам представления о том, каким может быть его средний балл на экзамене.
Если бы мы построили диаграмму рассеяния роста и среднего балла за экзамен, она выглядела бы так:
Пример 3. Размер обуви и просмотренные фильмы
Размер обуви людей и количество фильмов, которые они смотрят в год, имеют нулевую корреляцию. Другими словами, знание размера обуви человека не дает нам представления о том, сколько фильмов он смотрит в год.
Если бы мы построили диаграмму рассеяния размера обуви в зависимости от количества просмотренных фильмов, она выглядела бы так:
Пример 4: Вес и доход
Вес индивидуумов и их годовой доход имеют нулевую корреляцию. Другими словами, знание веса человека не дает нам представления о том, каким может быть его годовой доход.
Если бы мы построили диаграмму рассеяния веса и дохода, она выглядела бы так:
Дополнительные ресурсы
Введение в коэффициент корреляции Пирсона
Корреляция против ассоциации: в чем разница?
Корреляция против регрессии: в чем разница?