ピアソン相関：関係の背後にある数学を理解する

ピアソン相関は、2つの連続変数の間の線形関係を理解するために使用される基本的な統計手法である。これらの関係の強さと方向を定量化するピアソン相関係数は、研究、データサイエンス、日常的な意思決定など、さまざまな分野に広く適用できる重要な洞察を提供します。この記事では、ピアソン相関の定義、計算方法、実用的なアプリケーションなど、ピアソン相関の基礎について説明します。この統計ツールがどのようにデータ内のパターンを照らし出すのか、その限界を理解することの重要性、そして正確な解釈のためのベストプラクティスを探ります。

ピアソン相関とは何か？

ピアソンの相関係数、またはピアソンのrは、2つの連続変数の間の線形関係の強さと方向を定量化します。範囲は -1対1この係数は散布図中のデータ点が直線にどれだけ近いかを示す。

1の値は完全な正の線形関係を意味し、一方の変数が増加すると、もう一方の変数も一貫して増加することを意味する。
の値である。 -1 は 完全な負の直線関係ここで、一方の変数が増加すると他方の変数が減少する。
の値である。 0 示唆 線形相関なしこれは、変数が線形関係にないことを意味する。

ピアソン相関は、科学、経済学、社会科学で広く使われており、2つの変数が一緒に動くかどうか、どの程度動くかを判断するのに使われる。これは、変数がどの程度強く関連しているかを評価するのに役立ち、データ分析と解釈のための重要なツールとなる。

ピアソン相関係数の計算方法

ピアソン相関係数（r）は以下の式で算出される：

ピアソン相関係数の公式イメージ。2つの変数の間の線形関係を測定するために使用される式を示す。 — 主要変数を説明したピアソン相関係数式。

どこでだ：

x と y は比較される2つの変数である。
n はデータポイントの数である。
∑xy は対になった得点の積の和(x と y).
∑x² とy² は各変数の平方和である。

ステップ・バイ・ステップの計算：

データを収集する： 変数のペア値を集める x と y.
例

x=[1,2,3]

y=[4,5,6]

xとyの和を計算する：

∑x の値の合計である。 x.

∑y の値の合計である。 y.

例として：
∑x=1+2+3=6
∑y=4+5+6=15

乗算 x と y 各ペアの

それぞれのxとyの値の組を掛け合わせ、∑を求める。xy.

xy=[1×4,2×5,3×6]=[4,10,18]
∑xy=4+10+18=32

各 x と y の値を平方する：

各xとyの値の2乗を求め、それらを合計して∑を求める。x² とy².

x²=[1²,2²,3²]=[1,4,9]
∑x²=1+4+9=14
y²=[4²,5²,6²]=[16,25,36]
∑y²=16+25+36=77

ピアソン式に値を差し込む： 次に、この値をピアソン相関式に代入する：

r = (n∑)xy - ∑x∑y)/ √[(n∑x² - (∑x)²) * (n∑y² - (∑y)²)]

r = (3 × 32 - 6 × 15) / √[(3 × 14 - (6)²) × (3 × 77 - (15)²)]

r = (96 - 90) / √[(42 - 36) × (231 - 225)]

r = 6 / √[6 × 6]

r = 6 / 6 = 1

この例では、ピアソン相関係数は次のようになる。 1変数間の完全な正の線形関係を示す。 x と y.

このステップ・バイ・ステップのアプローチは、どのようなデータセットにも適用でき、ピアソン相関を手動で計算することができる。しかし、Excelのようなソフトウェア・ツールでは、このようなことはできません、パイソンまたは統計パッケージは、大規模なデータセットの場合、このプロセスを自動化することが多い。

統計分析においてピアソン相関が重要な理由

研究において

があります。 ピアソン相関 は、2つの連続変数の間の線形関係の強さと方向を識別し、定量化するための研究における重要な統計ツールです。研究者が2つの変数がどの程度強く関連しているかを理解するのに役立ち、データセット内のパターンや傾向に関する洞察を提供することができます。

ピアソン相関は、研究者が、変数が一貫した方法で、正または負のどちらかで一緒に動くかどうかを決定するのに役立ちます。例えば、勉強時間と試験の得点を測定したデータセットでは、ピアソン相関が強い正であれば、勉強時間の増加は試験の得点増加と関連していることを示唆する。逆に、負の相関は、一方の変数が増加すると、他方の変数が減少することを示す可能性がある。

様々な研究分野での使用例：

心理学だ： ピアソン相関は、ストレスレベルと認知能力のような変数間の関係を調べるためによく使用される。研究者は、ストレスの増加が記憶や問題解決能力にどのような影響を与えるかを評価することができる。

経済学： 経済学者はピアソン相関を用いて、所得と消費、インフレと失業といった変数間の関係を研究し、経済的要因が互いにどのように影響し合っているかを理解するのに役立てている。

薬です。 医学研究において、ピアソン相関は異なる健康指標間の関係を特定することができる。例えば、研究者は血圧レベルと心臓病リスクの相関を調査し、早期発見や予防ケア戦略に役立てることができる。

環境科学： ピアソン相関は、気温と作物収量などの環境変数間の関係を探るのに有効で、科学者は気候変動が農業に与える影響をモデル化することができる。

全体として、ピアソン相関は、意味のある関係を明らかにし、将来の研究、介入、政策決定を導くために、多様な研究分野にわたって不可欠なツールである。

日常生活の中で

理解する ピアソン相関 日常生活や選択に影響を与えるさまざまな変数間のパターンや関係を特定するのに役立つからだ。

実用的なアプリケーションと例：

フィットネスと健康： ピアソン相関は、運動頻度と体重減少など、異なる要因がどのように関連しているかを評価するために適用できる。例えば、運動習慣と体重を長期にわたって追跡すると、定期的な身体活動と体重減少の間に正の相関関係があることが明らかになるかもしれない。

パーソナル・ファイナンス 予算編成において、ピアソン相関は支出習慣と貯蓄の関係を分析するのに役立つ。毎月の支出額と貯蓄率を追跡している人がいれば、支出額が増えるにつれて貯蓄額が減っていることを示す負の相関関係が見つかるかもしれない。

天気と気分： 相関関係の日常的な利用法としては、天候が気分に与える影響を理解することも考えられる。例えば、晴れの日と気分の向上には正の相関があるかもしれないが、雨の日はエネルギーレベルの低下や悲しみと相関があるかもしれない。

時間管理： 特定のタスクに費やした時間（勉強時間など）と、生産性やパフォーマンスの結果（成績や仕事の効率など）を比較することで、ピアソン相関は、時間配分が結果にどのように影響するかを個人が理解するのに役立つ。

よくあるシナリオで相関関係を理解することの利点：

意思決定の改善： 変数がどのように関連しているかを知ることで、個人は十分な情報に基づいた意思決定を行うことができる。例えば、食生活と健康の相関関係を理解することで、より良い食生活を送ることができる。

成果を最適化する： 例えば、睡眠時間と生産性の相関関係を発見し、それに応じて睡眠スケジュールを調整することで、効率を最大化することができる。

パターンを特定する： 画面使用時間と眼精疲労の相関関係など）日常生活のパターンを認識することは、個人が行動を修正し、悪影響を減らし、生活の質全体を向上させるのに役立つ。

ピアソン相関の概念を日常生活に応用することで、人々は日常生活のさまざまな側面がどのように相互作用しているのかについて貴重な洞察を得ることができ、健康、経済、幸福を高める積極的な選択ができるようになる。

ピアソン相関の解釈

価値と意義

があります。 ピアソン相関係数 (r）の範囲である。 -1対1それぞれの値は、2つの変数の間の関係の性質と強さについての洞察を提供する。これらの値を理解することは、相関の方向と程度を解釈するのに役立つ。

係数の値：

1:の値である。 +1 は 完全な正の直線関係 つまり、一方の変数が増加すると、もう一方の変数も完全に比例して増加する。

-1:の値である。 -1 は 完全な負の直線関係一方の変数が増加すると、もう一方の変数は完全に比例して減少する。

0:の値である。 0 示唆 線形関係なし つまり、一方の変数の変化は他方の変数の変化を予測しないということである。

正の相関、負の相関、ゼロの相関：

正の相関:いつ rは正 (例えば、0.5)の場合、両方の変数が同じ方向に動く傾向があることを意味する。例えば、気温が上昇すると、アイスクリームの売上が増加し、正の相関を示すかもしれない。

負の相関:いつ rは負 (例えば、-0.7)の場合、変数が反対方向に動くことを示唆する。例えば、運動頻度と体脂肪率の関係で、運動量が増えると体脂肪は減少する傾向がある。

相関ゼロ:アン r of 0 があることを意味する。 明確な直線関係はない 変数間の例えば、靴のサイズと知能の間には直線的な相関関係はないかもしれない。

一般的には

0.7～1または-0.7～-1 は強い相関関係がある。

0.3～0.7または-0.3～-0.7 を反映している。 控えめ 相関関係がある。

0～0.3または-0.3～0 を意味する。弱い相関関係がある。

これらの値を理解することで、研究者や個人は、2つの変数がどの程度密接に関係しているのか、また、その関係がさらなる注意や行動を正当化するほど有意なものなのかを判断することができる。

制限事項

一方 ピアソン相関 は、変数間の線形関係を評価するための強力なツールであるが、限界があり、すべてのシナリオで適切であるとは限らない。

ピアソン相関が適切でない状況：

非線形の関係:ピアソン相関のみ 直線関係したがって、変数間の関係が曲線的または非線形である場合、関連性の強さを正確に反映しないことがある。たとえば，変数が2次関係や指数関係を持つ場合，ピアソン相関は，真の関係を過小評価したり，捕捉できないかもしれない．

アウトライアーズ:の存在 外れ値 (極値）は、ピアソン相関の結果を大きく歪め、変数間の全体的な関係を誤解させる表現を与える可能性がある。1つの異常値が、人為的に相関値を膨らませたり萎ませたりすることがある。

非連続変数:ピアソン相関は、両方の変数が連続的で正規分布していることを仮定している。これは 定言的 または 順序データここでいう関係とは、必ずしも直線的あるいは数値的なものである必要はない。

異分散性:ある変数の変動性が別の変数の範囲にわたって異なるとき（すなわち、データポイントの広がりが一定でないとき）、ピアソン相関は関係の不正確な尺度を与えるかもしれない。この状態は 異分散性そして、係数を歪めてしまう。

線形関係のみへの制限： ピアソン相関は、特にその強さと方向を測定する。 直線関係.変数が非線形に関係している場合、ピアソン相関はこれを検出しない。たとえば、ある変数が別の変数に対して相対的に増加する場合（指数関係や対数関係のように）、強い関係があるにもかかわらず、ピアソン相関は弱い相関またはゼロ相関を示すことがある。

このような制限に対処するために、研究者は次のような他の方法を用いることができる。 スピアマンの順位相関 順序データの場合は 非線形回帰モデル の方が複雑な関係をよりよく捉えることができる。要するに、ピアソン相関は直線的な関係には価値があるが、正確な解釈に必要な仮定をデータが満たしていることを確認し、慎重に適用しなければならない。

ピアソン相関の使い方

ツールとソフトウェア

計算 ピアソン相関 は手作業で行うこともできるが、統計ツールやソフトウェアを使う方がはるかに効率的で実用的である。これらのツールは、ピアソン相関係数を素早く計算し、大規模なデータセットを扱い、包括的な分析のための追加統計機能を提供することができる。ピアソン相関を計算するための一般的なソフトウェアやツールがいくつかあります：

マイクロソフトエクセル:ピアソン相関を計算する機能が組み込まれており、基本的な統計作業に利用できる。

SPSS（社会科学統計パッケージ）:この強力なソフトウェアは統計分析用に設計されており、社会科学や医学研究でよく使用されている。

Rプログラミング言語: データ解析と統計のために特別に設計されたフリーでオープンソースのプログラミング言語。幅広い柔軟性とカスタマイズが可能。

Python（PandasやNumPyなどのライブラリがある):Pythonはデータ解析のためのもう一つの強力なオープンソース言語であり、ピアソン相関の計算を簡単にするユーザーフレンドリーなライブラリを備えている。

グラフパッドプリズム:生物科学で人気のあるこのソフトウェアは、ピアソン相関を含む統計分析のための直感的なインターフェイスを提供します。

これらのツールを分析に使用するための基本的なガイド：

マイクロソフト・エクセル

データを2つの列に入力する。
組込み関数 =CORREL(array1, array2) を使って、2つのデータセット間のピアソン相関を計算する。

SPSS

データをSPSSにインポートする。
次のページへ 分析 > 相関 > 二変量を選択し、分析のための変数を選択する。
相関係数のオプションで "Pearson "を選択し、"OK "をクリックする。

Rプログラミング：

データをベクトルまたはデータフレームとしてRに入力する。
ピアソン相関を計算するには、関数 cor(x, y, method = "pearson") を使用する。

Python (Pandas/NumPy)：

Pandasを使ってデータをロードする。
df['変数1'].corr(df['変数2'])を使用して、2つの列間のピアソン相関を計算します。

グラフパッド・プリズム

データをソフトウェアに入力する。
相関」分析オプションを選択し、ピアソン相関を選択すると、ソフトウェアは視覚的な散布図とともに相関係数を生成する。

これらのツールは、ピアソン相関係数を計算するだけでなく、データの解釈に役立つグラフ出力、p値、その他の統計指標も提供します。これらのツールの使い方を理解することで、効率的で正確な相関分析が可能になり、研究やデータ主導の意思決定に不可欠です。

インフォグラフィックとビジュアルデザインの統計をご覧いただけます。

ピアソン相関を使うための実践的なヒント

相関を計算する前のデータの準備とチェック：

データの品質を確保する： データが正確で完全であることを確認する。欠測は結果を歪める可能性があるため、欠測がないか確認し、対処する。データに不備があると、相関係数が正しくなかったり、誤解を招くような解釈につながることがあります。

直線性をチェックする： ピアソン相関は線形関係を測定する。計算の前に、散布図を用いてデータをプロットし、変数間の関係が線形であるかどうかを視覚的に評価する。データが非線形のパターンを示す場合は、スピアマンの順位相関や非線形回帰などの別の方法を検討します。

正常性を確認する： ピアソン相関は、各変数のデータがほぼ正規分布していると仮定する。正規性からの乖離にはある程度頑健ですが、有意な乖離は結果の信頼性に影響します。データの分布をチェックするには、ヒストグラムまたは正規性検定を使用します。

データを標準化する： 変数が異なる単位または尺度で測定されている場合は、それらを標準化することを検討する。このステップは、ピアソン相関自体はスケール不変であるが、比較が測定スケールによって偏らないことを保証する。

結果を解釈する際に避けるべき一般的な間違い：

強さの過大評価： ピアソン相関係数が高いからといって因果関係があるわけではない。相関は線形関係の強さを測定するだけであり、ある変数が他の変数の変化を引き起こすかどうかを測定するものではない。相関関係のみに基づいて因果関係について結論を急ぐことは避ける。

外れ値を無視する 外れ値はピアソン相関係数に不釣り合いな影響を及ぼし、誤解を招く結果につながります。外れ値が分析に与える影響を特定し、評価する。時には、外れ値を除去または調整することで、関係をより明確に把握することができます。

ゼロ相関の誤解： ピアソン相関がゼロの場合は、線形関係がないことを示しますが、関係がまったくないわけではありません。変数がまだ非線形の形で関係しているかもしれないので、非線形の関連が疑われる場合は、他の統計手法を検討する。

相関関係と因果関係を混同している： 相関関係は因果関係を意味しないことを忘れないでください。2つの変数は、第3の未観測変数の影響によって相関しているかもしれない。常に広い文脈を考慮し、潜在的な因果関係を探るために追加の方法を使用する。

サンプルの大きさを無視する： サンプル・サイズが小さいと、不安定で信頼できない相関推定値になる可能性があります。相関の信頼できる測定値を提供するのに十分なサンプル・サイズであることを確認してください。一般にサンプル数が多いほど、より正確で安定した相関係数が得られます。

主な要点と考察

ピアソン相関は、2つの連続変数の間の線形関係の強さと方向を測定するために使用される基本的な統計ツールです。ピアソン相関は、研究から日常生活まで様々な分野で貴重な洞察を提供し、データ内の関係を特定し定量化するのに役立ちます。ピアソン相関の正しい計算方法と解釈を理解することで、研究者や個人は変数間の関連性の強さに基づいて情報に基づいた意思決定を行うことができます。

しかし、その限界、特に直線関係に重点を置いていること、外れ値に対して敏感であることを認識することは極めて重要である。正確な分析には、適切なデータ準備と、相関関係と因果関係を混同するようなよくある落とし穴の回避が不可欠です。ピアソン相関を適切に使用し、その制約を考慮することで、このツールを効果的に活用し、意味のある洞察を得て、より良い意思決定を行うことができます。

80以上の人気分野で75.000以上の科学的に正確なイラストをブラウズする

Mind the Graph は、複雑な研究結果を視覚的に伝えるために科学者を支援するために設計された強力なツールです。80以上の一般的な分野にわたる75,000以上の科学的に正確なイラストにアクセスできるため、研究者はプレゼンテーション、論文、レポートを強化するビジュアル要素を簡単に見つけることができます。生物学、化学、医学、その他の分野を問わず、このプラットフォームの幅広いイラストにより、科学者はそれぞれの研究分野に合わせた明確で魅力的なビジュアルを作成することができます。この膨大なライブラリーは、時間を節約するだけでなく、データをより効果的に伝達することを可能にし、科学情報を専門家にも一般の人々にもアクセスしやすく、理解しやすくします。

無料会員登録

"生物学、化学、物理学、医学を含む、Mind the Graphで利用可能な80以上の科学分野を示すGIFアニメーションは、研究者のためのプラットフォームの多様性を示している。" — Mind the Graphがカバーする幅広い科学分野を紹介するGIFアニメーション。