Mi az a fordított korreláció?
Az inverz korreláció, más néven negatív korreláció, ellentétes kapcsolat két változó között úgy, hogy ellentétes irányba mozognak. Például, az A és B változóval, A növekedésével, B csökkenésével és A csökkenésével B növekszik. A statisztikai terminológiában egy inverz korrelációt az "r" korrelációs együttható jelöli, amelynek értéke -1 és 0 között van, r = -1 pedig a tökéletes inverz korrelációt jelöli.
Kulcs elvihető
- Annak ellenére, hogy két adatkészletnek erős negatív korrelációja lehet, ez nem jelenti azt, hogy az egyik viselkedése bármilyen módon befolyásolja vagy okozati összefüggést mutat a másikkal. A két változó közötti kapcsolat idővel változhat, és pozitív korrelációs periódusai lehetnek, mint pl. jól.
Inverz korreláció ábrázolása
Két adatpont halmazot ábrázolhat egy grafikonon egy x és y tengelyen a korreláció ellenőrzése céljából. Ezt szétszórt diagramnak nevezzük, és vizuális módon reprezentálja a pozitív vagy negatív korrelációt. Az alábbi grafikon erős negatív korrelációt mutat a grafikonon ábrázolt két adatpont halmaza között.
Példa az inverz korreláció kiszámítására
A numerikus eredmény eléréséhez a korreláció kiszámítható két adatkészlet között. A kapott statisztikát prediktív módon használják olyan mutatók becslésére, mint például a portfóliódiverzifikáció kockázatcsökkentési előnyei és más fontos adatok. Az alább bemutatott példa bemutatja, hogyan kell kiszámítani a statisztikát.
Tegyük fel, hogy az elemzőnek ki kell számítania a következő két adatkészlet közötti korreláció mértékét:
- X: 55, 37, 100, 40, 23, 66, 88Y: 91, 60, 70, 83, 75, 76, 30
Három lépés van a korreláció megtalálásában. Először össze kell adni az összes X értéket, hogy SUM-ot (X) találjon, az összes Y-értéket összeadva, hogy SUM-ot (Y) találjon, és szorozzon meg minden X-értéket a megfelelő Y-értékkel, és összeadja őket, hogy SUM-ot (X, Y) találjon:
SUM (X) = 55 + 37 + 100 + 40 + 23 + 66 + 88 = 409
SUM (Y) = 91 + 60 + 70 + 83 + 75 + 76 + 30 = 485
SUM (X, Y) = (55 × 91) + (37 × 60) +… + (88X × 30) = 26.926
A következő lépés az egyes X értékek levétele, négyzetbe helyezése és az összes érték összegzése, hogy SUM (x 2) legyen. Ugyanezt kell tenni az Y értékekre:
SUM (X2) = (552) + (372) + (1002) +… + (882) = 28.623
SUM (Y2) = (912) + (602) + (702) +… + (302) = 35.971
Figyelembe véve, hogy hét megfigyelés létezik, n, a következő képlet használható az r korrelációs együttható meghatározására:
r = ×
Ebben a példában a korreláció:
- R = ((7 × 28, 623-4092) × (7 × 35, 971-4852)) (7 × 26, 926- (409 × 485)) r = 9883 ÷ 23.414 r = -0, 42
A két adathalmaz fordított korrelációja -0, 42.
Mit mond neked a fordított korreláció?
A fordított korreláció azt mondja, hogy amikor az egyik változó megemelkedik, a másik esik. A pénzügyi piacokon az inverz korreláció legjobb példája valószínűleg az amerikai dollár és az arany közötti. Amint az amerikai dollár leértékelõdik a fõbb valutákhoz képest, általában az arany növekedését tekintik, és az amerikai dollár felértékelõdésével az arany csökken.
Két szempontot szem előtt kell tartani a negatív korrelációval kapcsolatban. Először is, e tekintetben a negatív vagy pozitív korreláció létezése nem feltétlenül jelenti az okozati összefüggést. Másodszor, a két változó közötti kapcsolat nem statikus és az idő múlásával ingadozik, ami azt jelenti, hogy a változók fordított korrelációt mutathatnak bizonyos időszakokban, másokon pedig pozitív korrelációt.
Az inverz korreláció alkalmazásának korlátozásai
A korrelációs elemzések hasznos információkat tárhatnak fel a két változó közötti kapcsolatról, például arról, hogy a részvény- és kötvénypiacok gyakran mozognak ellentétes irányba. Az elemzés azonban nem veszi teljes mértékben figyelembe néhány adatpont kimeneteleit vagy szokatlan viselkedését egy adott adatpont halmazon belül, ami torzíthatja az eredményeket.
Ezenkívül, ha két változó negatív korrelációt mutat, lehet más olyan változó is, amelyek, bár nem szerepelnek a korrelációs tanulmányban, valójában befolyásolják a kérdéses változót. Annak ellenére, hogy két változónak nagyon erős inverz korrelációja van, ez az eredmény soha nem utal okozati összefüggésre a kettő között. Végül, ha a korrelációs elemzés eredményeit ugyanazon következtetés extrapolálására használják fel az új adatokra, akkor nagy a kockázata.