Калькулятор частной корреляции

Частная корреляция измеряет линейную связь двух переменных после удаления из обеих линейного влияния другой переменной. Обычный коэффициент Пирсона между X и Y может быть большим из-за того, что обе переменные связаны с Z. Частная корреляция первого порядка показывает, какая связь остаётся между X и Y при фиксированной общей связи с Z. Это полезно для предварительного анализа смешения, поисковых исследований, обучения и проверки результатов статистических программ. Калькулятору нужны три попарных коэффициента Пирсона: корреляция между X и Y, между X и контрольной переменной Z, а также между Y и Z. Он вычитает часть связи X-Y, обусловленную их отдельными связями с Z, и стандартизирует остаток. Если три входных значения образуют допустимую корреляционную структуру, результат находится между минус единицей и плюс единицей. Положительный результат означает, что большим остаточным значениям X обычно соответствуют большие остаточные значения Y. Отрицательный результат указывает на обратную связь остатков. Модуль коэффициента описывает силу, а не важность или причинность. Значение около нуля означает, что после контроля Z линейная связь почти не остаётся; близость к любому краю диапазона указывает на более сильную оставшуюся линейную зависимость. Контекст, объём выборки, качество измерений и неопределённость по-прежнему важны. Калькулятор выдаёт только коэффициент: он не рассчитывает доверительный интервал и не проверяет значимость, поскольку для этого также нужны объём выборки и предположения о наблюдениях. Формула не определена, когда X или Y полностью коррелирует с Z. В этом случае после удаления влияния Z у переменной не остаётся остаточной вариации. Входные корреляции также должны быть рассчитаны по одним и тем же наблюдениям с одинаковой обработкой пропусков. Попарные коэффициенты из несвязанных выборок могут оказаться математически несовместимыми. Используйте результат как краткую описательную поправку, а если решения зависят от нелинейных эффектов, взаимодействий, дополнительных контрольных переменных или причинного толкования, изучите графики данных и подходящую регрессионную модель.