چگونه تیم های بینش می توانند از موفقیت یک پروژه مطمئن شوند؟چگونه می توانند به مشتریان در دستیابی به همه چیز کمک کنند.
سارا گارباچ
- توانمندسازی بینش (24)
- کاربرد عملی (140)
- روش تحقیق (281)
- تفکر استراتژیک (178)
- فناوری و گرایشها (381)
- ویدیوها (1)
تجزیه و تحلیل همبستگی موضوعی است که تعداد کمی از افراد ممکن است آن را از درس های آمار در مدرسه به خاطر بسپارند، اما اکثر متخصصان بینش آن را به عنوان یک جزء اصلی از تجزیه و تحلیل داده ها می دانند. با این حال، حتی در صنعت بینش به دلایل متعددی، همبستگی ها اغلب به اشتباه درک می شوند و مورد سوء استفاده قرار می گیرند. بنابراین در اینجا یک راهنمای مفید برای مبانی تجزیه و تحلیل همبستگی، با چند لینک در طول مسیر آورده شده است.
تعریف تحلیل همبستگی
تجزیه و تحلیل همبستگی یک روش آماری است که برای کشف اینکه آیا رابطه ای بین دو متغیر/مجموعه داده وجود دارد یا خیر و اینکه چقدر ممکن است این رابطه قوی باشد استفاده می شود.
از نظر تحقیقات بازار، این بدان معناست که از تحلیل همبستگی برای تجزیه و تحلیل دادههای کمی جمعآوریشده از روشهای تحقیقاتی مانند نظرسنجیها و نظرسنجیها استفاده میشود تا مشخص شود آیا پیوندها، الگوها یا روندهای قابل توجهی بین این دو وجود دارد یا خیر.
این را توییت کنید | |
از نظر تحقیقات بازار، از تحلیل همبستگی برای تجزیه و تحلیل دادههای کمی استفاده میشود تا مشخص شود آیا الگوها، روندها یا بینشهای مهمی وجود دارد یا خیر. |
اساسا، تجزیه و تحلیل همبستگی برای شناسایی الگوها در مجموعه داده ها استفاده می شود. نتیجه همبستگی مثبت به این معنی است که هر دو متغیر نسبت به یکدیگر افزایش مییابند، در حالی که همبستگی منفی به این معنی است که با کاهش یک متغیر، متغیر دیگر افزایش مییابد.
ضرایب همبستگی
طبق اسپیرمن، کندال و پیرسون معمولاً سه روش مختلف برای رتبه بندی همبستگی آماری وجود دارد. هر ضریب نتیجه نهایی را به صورت "r" نشان می دهد. رتبه اسپیرمن و ضریب پیرسون دو فرمول تحلیلی پرکاربرد هستند که بسته به نوع دادههایی که محققان باید در اختیار داشته باشند:
ضریب همبستگی رتبه اسپیرمن
این ضریب برای دیدن اینکه آیا رابطه معنی داری بین دو مجموعه داده وجود دارد یا نه استفاده می شود و با این فرض عمل می کند که داده های مورد استفاده ترتیبی هستند، به این معنی که اعداد نشان دهنده کمیت نیستند، بلکه نشان دهنده موقعیت مکانی هستند. ایستادن سوژه (مثلاً اول، دوم، سوم، و غیره)
این ضریب به جدولی از داده ها نیاز دارد که داده های خام، رتبه های آن و تفاوت بین دو رتبه را نشان می دهد. این اختلاف مجذور بین دو رتبه در یک نمودار پراکنده نشان داده می شود که به وضوح نشان می دهد که آیا همبستگی مثبت، همبستگی منفی یا اصلاً همبستگی بین دو متغیر وجود دارد. محدودیتی که این ضریب تحت آن کار می کن د-1 ≤ r ≤ +1 است، که در آن نتیجه 0 به این معنی است که هیچ رابطه ای بین داده ها وجود ندارد. برای اطلاعات بیشتر در مورد ضریب همبستگی رتبه اسپیرمن، یک سند عالی وجود دارد که این فرآیند را در اینجا توضیح می دهد.
ضریب لحظه-محصول پیرسون
این پرکاربردترین فرمول تحلیل همبستگی است که قدرت روابط "خطی" بین داده های خام هر دو متغیر را به جای رتبه آنها اندازه گیری می کند. این یک ضریب بدون بعد است، به این معنی که هیچ مرز مربوط به داده ها وجود ندارد که در هنگام انجام تجزیه و تحلیل با این فرمول در نظر گرفته شود، به همین دلیل است که این ضریب اولین فرمولی است که محققان سعی می کنند.
با این حال ، اگر رابطه بین داده ها خطی نباشد ، پس از آن این است که این ضریب خاص به طور دقیق رابطه بین دو متغیر را نشان نمی دهد ، و هنگامی که رتبه Spearman باید به جای آن اجرا شود. ضریب پیرسون نیاز به داده های مربوطه دارد که باید در جدول مشابه رتبه Spearman وارد شوند اما بدون رده ها ، و نتیجه تولید شده به شکل عددی خواهد بود که همه ضرایب همبستگی از جمله رتبه Spearman و ضریب پیرسون: -1 ≤ r≤ 1
چه موقع باید استفاده کرد
دو روش ذکر شده در بالا با توجه به اینکه آیا پارامترهای مرتبط با داده های جمع آوری شده وجود دارد ، استفاده می شود. دو اصطلاح برای تماشای آنها عبارتند از:
- پارامتری: (ضریب پیرسون) که در آن داده ها باید در رابطه با پارامترهای جمعیت یا توزیع احتمال انجام شود. به طور معمول با داده های کمی که قبلاً در پارامترهای مذکور تنظیم شده است استفاده می شود.
- غیرپارامتری: (رتبه Spearman) که در آن هیچ فرضیه ای در مورد توزیع احتمال وجود ندارد. به طور معمول با داده های کیفی مورد استفاده قرار می گیرد ، اما اگر رتبه Spearman ناکافی باشد ، می توان با داده های کمی استفاده کرد.
در مواردی که هر دو کاربرد داشته باشند ، آمارشناسان توصیه می کنند از روشهای پارامتری مانند ضریب پیرسون استفاده کنند ، زیرا تمایل بیشتری دارند. اما این به معنای تخفیف روشهای غیر پارامتری نیست اگر داده کافی وجود نداشته باشد یا نتیجه دقیق تری لازم باشد.
تفسیر نتایج
به طور معمول ، بهترین راه برای به دست آوردن یک تفسیر کلی اما فوری تر از نتایج مجموعه ای از داده ها ، تجسم آن در نمودار پراکندگی مانند این موارد است:
همبستگی مثبت
هر نمره ای از +0. 5 تا 1 نشان دهنده یک همبستگی مثبت بسیار قوی است ، به این معنی که هر دو به طور همزمان افزایش می یابند. خط بهترین تناسب یا خط روند ، مکان هایی برای نشان دادن بهترین داده ها در نمودار است. در این حالت ، نقاط داده را به سمت بالا دنبال می کند تا همبستگی مثبت را نشان دهد.
همبستگی منفی
هر نمره ای ا ز-0. 5 ب ه-1 نشان دهنده یک همبستگی منفی قوی است ، به این معنی که با افزایش یک متغیر ، دیگری به طور متناسب کاهش می یابد. خط بهترین تناسب را می توان در اینجا مشاهده کرد تا همبستگی منفی را نشان دهد. در این موارد ، از نقطه مبدا به سمت پایین می رود.
بدون همبستگی
خیلی ساده ، نمره 0 نشان می دهد که هیچ ارتباطی یا رابطه بین دو متغیر وجود ندارد. اندازه نمونه بزرگتر ، نتیجه دقیق تر است. مهم نیست که از کدام فرمول استفاده می شود ، این واقعیت برای همه صادق خواهد بود. هرچه داده های بیشتری در فرمول در نظر گرفته شود ، نتیجه نهایی دقیق تر خواهد بود.
در هر دو ضرایب همبستگی باید از Outriers یا ناهنجاری ها استفاده شود. استفاده از نمودار پراکندگی ساده ترین روش برای شناسایی هرگونه ناهنجاری است که ممکن است رخ داده باشد ، و اجرای تجزیه و تحلیل همبستگی دو بار (با و بدون ناهنجاری) راهی عالی برای ارزیابی قدرت تأثیر ناهنجاری ها در تجزیه و تحلیل است. اگر ناهنجاری ها وجود داشته باشد ، ممکن است از ضریب رتبه Spearman به جای ضریب پیرسون استفاده شود ، زیرا این فرمول به دلیل سیستم رتبه بندی مورد استفاده بسیار در برابر ناهنجاری ها است.
همبستگی ≠ علیت
در حالی که ممکن است یک رابطه معنی دار با تکنیک های تحلیل همبستگی شناسایی شود، همبستگی به معنای علیت نیست. علت را نمی توان با تجزیه و تحلیل مشخص کرد و همچنین نباید به این نتیجه رسید. رابطه معنیدار نشان میدهد که چیزهای بیشتری برای درک وجود دارد و عوامل خارجی یا زمینهای وجود دارد که باید برای جستجوی یک علت بیشتر مورد بررسی قرار گیرند. در حالی که ممکن است یک رابطه علی وجود داشته باشد، استفاده از نتایج همبستگی به عنوان اثبات این وجود برای هر محققی نادیده گرفته خواهد شد.
این را توییت کنید | |
همبستگی به معنای علیت نیست. با این حال، یک محقق خوب میداند که کاربردهای بینشهای آماری مبتنی بر همبستگی با دادههای مناسب بیپایان است. |
علت هر رابطه ای که ممکن است از طریق تحلیل همبستگی کشف شود، این است که محقق از طریق روش های دیگر تحلیل آماری مانند تحلیل ضریب تعیین تعیین کند. با این حال، مقدار زیادی از ارزش وجود دارد که تجزیه و تحلیل همبستگی می تواند ارائه دهد. به عنوان مثال، ارزش وابستگی یا متغیرها را می توان تخمین زد، که می تواند به شرکت ها کمک کند هزینه و فروش یک محصول یا خدمات را تخمین بزنند.
در اصل، کاربردها و کاربردهای آنالیزهای آماری مبتنی بر همبستگی به محققان اجازه میدهد تا شناسایی کنند کدام جنبهها و متغیرها به یکدیگر وابسته هستند، که نتیجه آن میتواند بینشهای عملی را همانطور که هستند، یا نقطه شروعی برای تحقیقات بیشتر و بینشهای عمیقتر ایجاد کند.
درباره FlexMR
ما The Insights Empowerment Company هستیم. ما به تیمهای تحقیقاتی، محصول و بازاریابی کمک میکنیم تا با بینش کارآمد، مقیاسپذیر و تأثیرگذار تصمیمهای آگاهانه بگیرند.
درباره امیلی جیمز
امیلی به عنوان یک کپی رایتر حرفه ای، چشم انداز جهانی ما را از طریق طیف گسترده ای از محتوای پیشرو در صنعت زنده می کند.