{"id":55628,"date":"2024-10-21T12:45:05","date_gmt":"2024-10-21T15:45:05","guid":{"rendered":"https:\/\/mindthegraph.com\/blog\/?p=55628"},"modified":"2024-10-21T12:45:07","modified_gmt":"2024-10-21T15:45:07","slug":"pearson-correlation","status":"publish","type":"post","link":"https:\/\/mindthegraph.com\/blog\/lt\/pearson-correlation\/","title":{"rendered":"<strong>Pearsono koreliacija: Koreliacinis ry\u0161ys: matematini\u0173 santyki\u0173 supratimas<\/strong>"},"content":{"rendered":"<p>Pearsono koreliacija yra pagrindinis statistinis metodas, naudojamas dviej\u0173 i\u0161tisini\u0173 kintam\u0173j\u0173 tiesiniams ry\u0161iams suprasti. Kiekybi\u0161kai \u012fvertinant \u0161i\u0173 ry\u0161i\u0173 stiprum\u0105 ir krypt\u012f, Pearsono koreliacijos koeficientas suteikia svarbi\u0173 \u012f\u017evalg\u0173, pla\u010diai taikom\u0173 \u012fvairiose srityse, \u012fskaitant mokslinius tyrimus, duomen\u0173 moksl\u0105 ir kasdien\u012f sprendim\u0173 pri\u0117mim\u0105. \u0160iame straipsnyje paai\u0161kinami Pearsono koreliacijos pagrindai, \u012fskaitant jos apibr\u0117\u017et\u012f, skai\u010diavimo metodus ir praktin\u012f taikym\u0105. Nagrin\u0117sime, kaip \u0161i statistin\u0117 priemon\u0117 gali i\u0161ry\u0161kinti duomen\u0173 d\u0117sningumus, kaip svarbu suprasti jos apribojimus ir koki\u0105 geriausi\u0105 praktik\u0105 taikyti, norint tiksliai interpretuoti duomenis.<\/p>\n\n\n\n<h2><strong>Kas yra Pearsono koreliacija?<\/strong><\/h2>\n\n\n\n<p>Pirsono koreliacijos koeficientas, arba Pirsono r, kiekybi\u0161kai \u012fvertina dviej\u0173 i\u0161tisini\u0173 kintam\u0173j\u0173 tiesinio ry\u0161io stiprum\u0105 ir krypt\u012f. Jis svyruoja nuo <strong>nuo -1 iki 1<\/strong>, \u0161is koeficientas rodo, kaip tiksliai duomen\u0173 ta\u0161kai sklaidos diagramoje sutampa su tiese.<\/p>\n\n\n\n<ul>\n<li>Reik\u0161m\u0117 1 rei\u0161kia, kad yra tobulas teigiamas tiesinis ry\u0161ys, t. y. did\u0117jant vienam kintamajam, nuosekliai did\u0117ja ir kitas.<\/li>\n\n\n\n<li>Vert\u0117 <strong>-1<\/strong> rodo, kad <strong>tobulas neigiamas tiesinis ry\u0161ys<\/strong>, kai vienas kintamasis did\u0117ja, o kitas ma\u017e\u0117ja.<\/li>\n\n\n\n<li>Vert\u0117 <strong>0<\/strong> si\u016blo . <strong>n\u0117ra tiesin\u0117s koreliacijos<\/strong>, o tai rei\u0161kia, kad kintamieji neturi tiesinio ry\u0161io.<\/li>\n<\/ul>\n\n\n\n<p>Pearsono koreliacija pla\u010diai naudojama gamtos, ekonomikos ir socialiniuose moksluose, siekiant nustatyti, ar du kintamieji kinta kartu ir kokiu mastu. Ji padeda \u012fvertinti, kaip stipriai kintamieji yra susij\u0119, tod\u0117l yra labai svarbi duomen\u0173 analiz\u0117s ir interpretavimo priemon\u0117.<\/p>\n\n\n\n<h3><strong>Kaip apskai\u010diuoti Pirsono koreliacijos koeficient\u0105<\/strong><\/h3>\n\n\n\n<p>Pirsono koreliacijos koeficientas (r) apskai\u010diuojamas pagal \u0161i\u0105 formul\u0119:<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img decoding=\"async\" loading=\"lazy\" width=\"1024\" height=\"461\" src=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula.jpg\" alt=\"Pirsono koreliacijos koeficiento formul\u0117s paveiksl\u0117lis, kuriame pavaizduota lygtis, naudojama dviej\u0173 kintam\u0173j\u0173 tiesiniam ry\u0161iui \u012fvertinti.\" class=\"wp-image-55629\" srcset=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula.jpg 1024w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-300x135.jpg 300w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-768x346.jpg 768w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-18x8.jpg 18w, https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson-correlation-coefficient-formula-100x45.jpg 100w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Pirsono koreliacijos koeficiento formul\u0117 su paai\u0161kintais pagrindiniais kintamaisiais.<\/figcaption><\/figure><\/div>\n\n\n<p>Kur:<\/p>\n\n\n\n<ul>\n<li><em>x<\/em> ir <em>y<\/em> yra du lyginami kintamieji.<\/li>\n\n\n\n<li><em>n<\/em> yra duomen\u0173 ta\u0161k\u0173 skai\u010dius.<\/li>\n\n\n\n<li>\u2211<em>xy<\/em> yra suporuot\u0173 bal\u0173 sandaugos suma (<em>x<\/em> ir <em>y<\/em>).<\/li>\n\n\n\n<li>\u2211<em>x<\/em><sup>2<\/sup> ir \u2211<em>y<\/em><sup>2<\/sup> yra kiekvieno kintamojo kvadrat\u0173 sumos.<\/li>\n<\/ul>\n\n\n\n<p><strong>Skai\u010diavimas \u017eingsnis po \u017eingsnio:<\/strong><\/p>\n\n\n\n<ol>\n<li><strong>Rinkti duomenis:<\/strong> Surinkite porines kintam\u0173j\u0173 vertes <em>x<\/em> ir <em>y<\/em>.<br>Pavyzdys:<\/li>\n<\/ol>\n\n\n\n<p><em>x<\/em>=[1,2,3]<\/p>\n\n\n\n<p><em>y<\/em>=[4,5,6]<\/p>\n\n\n\n<ol start=\"2\">\n<li><strong>Apskai\u010diuokite x ir y sum\u0105:<\/strong><\/li>\n<\/ol>\n\n\n\n<p>\u2211<em>x<\/em> yra ver\u010di\u0173, esan\u010di\u0173 <em>x<\/em>.<\/p>\n\n\n\n<p>\u2211<em>y<\/em> yra ver\u010di\u0173, esan\u010di\u0173 <em>y<\/em>.<\/p>\n\n\n\n<p>Pavyzdys:<br>\u2211<em>x<\/em>=1+2+3=6<br>\u2211<em>y<\/em>=4+5+6=15<\/p>\n\n\n\n<ol start=\"3\">\n<li><strong>Dauginti <\/strong><strong><em>x<\/em><\/strong><strong> ir <\/strong><strong><em>y<\/em><\/strong><strong> kiekvienai porai:<\/strong><\/li>\n<\/ol>\n\n\n\n<p>Padauginkite kiekvien\u0105 x ir y ver\u010di\u0173 por\u0105 ir raskite \u2211<em>xy<\/em>.<\/p>\n\n\n\n<p><em>xy<\/em>=[1\u00d74,2\u00d75,3\u00d76]=[4,10,18]<br>\u2211<em>xy<\/em>=4+10+18=32<\/p>\n\n\n\n<ol start=\"4\">\n<li><strong>Kvadratas Kiekviena x ir y reik\u0161m\u0117:<\/strong><\/li>\n<\/ol>\n\n\n\n<p>Raskite kiekvienos x ir y reik\u0161m\u0117s kvadrat\u0105, tada jas sudauginkite ir gaukite \u2211<em>x<\/em><sup>2<\/sup> ir \u2211<em>y<\/em><sup>2<\/sup>.<\/p>\n\n\n\n<p><em>x<\/em><sup>2<\/sup>=[1<sup>2<\/sup>,2<sup>2<\/sup>,3<sup>2<\/sup>]=[1,4,9]<br>\u2211<em>x<\/em><sup>2<\/sup>=1+4+9=14<br><em>y<\/em><sup>2<\/sup>=[4<sup>2<\/sup>,5<sup>2<\/sup>,6<sup>2<\/sup>]=[16,25,36]<br>\u2211<em>y<\/em><sup>2<\/sup>=16+25+36=77<\/p>\n\n\n\n<ol start=\"5\">\n<li><strong>\u012estatykite vertes \u012f Pearsono formul\u0119:<\/strong> Dabar \u012fra\u0161ykite \u0161ias vertes \u012f Pirsono koreliacijos formul\u0119:<\/li>\n<\/ol>\n\n\n\n<p><br>r = (n\u2211<em>xy<\/em> - \u2211<em>x<\/em>\u2211<em>y<\/em>) \/ \u221a[(n\u2211<em>x<\/em>\u00b2 - (\u2211<em>x<\/em>)\u00b2) * (n\u2211<em>y<\/em>\u00b2 - (\u2211<em>y<\/em>)\u00b2)]<\/p>\n\n\n\n<p>r = (3 \u00d7 32 - 6 \u00d7 15) \/ \u221a[(3 \u00d7 14 - (6)\u00b2) \u00d7 (3 \u00d7 77 - (15)\u00b2)]<\/p>\n\n\n\n<p>r = (96 - 90) \/ \u221a[(42 - 36) \u00d7 (231 - 225)]<\/p>\n\n\n\n<p>r = 6 \/ \u221a[6 \u00d7 6]<\/p>\n\n\n\n<p>r = 6 \/ 6 = 1<\/p>\n\n\n\n<p>\u0160iame pavyzdyje Pirsono koreliacijos koeficientas yra <strong>1<\/strong>, rodantis tobul\u0105 teigiam\u0105 tiesin\u012f ry\u0161\u012f tarp kintam\u0173j\u0173 <em>x<\/em> ir <em>y<\/em>.<\/p>\n\n\n\n<p>\u0160\u012f laipsni\u0161k\u0105 metod\u0105 galima taikyti bet kuriam duomen\u0173 rinkiniui, norint rankiniu b\u016bdu apskai\u010diuoti Pearsono koreliacij\u0105. Ta\u010diau programin\u0117s priemon\u0117s, pvz., \"Excel\",<a href=\"https:\/\/mindthegraph.com\/blog\/python-in-research\/\"> Python<\/a>, arba statistiniai paketai da\u017enai automatizuoja \u0161\u012f proces\u0105 didesniems duomen\u0173 rinkiniams.<\/p>\n\n\n\n<h2><strong>Kod\u0117l Pearsono koreliacija yra svarbi statistin\u0117je analiz\u0117je<\/strong><\/h2>\n\n\n\n<h3><strong>Moksliniuose tyrimuose<\/strong><\/h3>\n\n\n\n<p>Svetain\u0117 <strong>Pearsono koreliacija<\/strong> yra pagrindinis statistinis \u012frankis, naudojamas moksliniuose tyrimuose, siekiant nustatyti ir kiekybi\u0161kai i\u0161reik\u0161ti dviej\u0173 i\u0161tisini\u0173 kintam\u0173j\u0173 tiesini\u0173 ry\u0161i\u0173 stiprum\u0105 ir krypt\u012f. Ji padeda tyr\u0117jams suprasti, ar du kintamieji yra susij\u0119 ir kaip stipriai, o tai gali pad\u0117ti \u012f\u017evelgti duomen\u0173 rinkini\u0173 modelius ir tendencijas.<\/p>\n\n\n\n<p>Pearsono koreliacija padeda tyr\u0117jams nustatyti, ar kintamieji tarpusavyje nuosekliai kinta teigiamai ar neigiamai. Pavyzd\u017eiui, duomen\u0173 rinkinyje, kuriame vertinamas mokymosi laikas ir egzamin\u0173 rezultatai, stipri teigiama Pearsono koreliacija rodyt\u0173, kad ilgesnis mokymosi laikas yra susij\u0119s su geresniais egzamin\u0173 rezultatais. Ir atvirk\u0161\u010diai, neigiama koreliacija gal\u0117t\u0173 reik\u0161ti, kad vienam kintamajam did\u0117jant, kitas ma\u017e\u0117ja.<\/p>\n\n\n\n<p><strong>Naudojimo \u012fvairiose mokslini\u0173 tyrim\u0173 srityse pavyzd\u017eiai:<\/strong><\/p>\n\n\n\n<p><strong>Psichologija:<\/strong> Pearsono koreliacija da\u017enai naudojama tiriant s\u0105sajas tarp kintam\u0173j\u0173, pavyzd\u017eiui, streso lygio ir kognityvin\u0117s veiklos. Tyr\u0117jai gali \u012fvertinti, kaip padid\u0117j\u0119s stresas gali paveikti atmint\u012f ar problem\u0173 sprendimo geb\u0117jimus.<\/p>\n\n\n\n<p><strong>Ekonomika:<\/strong> Ekonomistai naudoja Pearsono koreliacij\u0105, nor\u0117dami i\u0161tirti ry\u0161\u012f tarp kintam\u0173j\u0173, pavyzd\u017eiui, pajam\u0173 ir vartojimo arba infliacijos ir nedarbo, ir suprasti, koki\u0105 \u012ftak\u0105 vienas kitam daro ekonominiai veiksniai.<\/p>\n\n\n\n<p><strong>Medicina:<\/strong> Medicininiuose tyrimuose Pearsono koreliacija galima nustatyti ry\u0161ius tarp skirting\u0173 sveikatos rodikli\u0173. Pavyzd\u017eiui, mokslininkai gali tirti kraujosp\u016bd\u017eio lygio ir \u0161irdies lig\u0173 rizikos ry\u0161\u012f, taip pad\u0117dami anksti nustatyti ligas ir taikyti prevencin\u0117s prie\u017ei\u016bros strategijas.<\/p>\n\n\n\n<p><strong>Aplinkos mokslas:<\/strong> Pearsono koreliacija naudinga tiriant aplinkos kintam\u0173j\u0173, pavyzd\u017eiui, temperat\u016bros ir derliaus, ry\u0161ius, tod\u0117l mokslininkai gali modeliuoti klimato kaitos poveik\u012f \u017eem\u0117s \u016bkiui.<\/p>\n\n\n\n<p>Apskritai, Pearsono koreliacija yra svarbi priemon\u0117 \u012fvairiose mokslini\u0173 tyrim\u0173 srityse, padedanti atskleisti reik\u0161mingus ry\u0161ius ir nukreipti b\u016bsimus tyrimus, intervencijas ar politinius sprendimus.<\/p>\n\n\n\n<h3><strong>Kasdieniame gyvenime<\/strong><\/h3>\n\n\n\n<p>Suprasti <strong>Pearsono koreliacija<\/strong> gali b\u016bti nepaprastai naudingas priimant kasdienius sprendimus, nes padeda nustatyti modelius ir ry\u0161ius tarp \u012fvairi\u0173 kintam\u0173j\u0173, kurie daro \u012ftak\u0105 m\u016bs\u0173 kasdienybei ir pasirinkimams.<\/p>\n\n\n\n<p><strong>Praktiniai taikymai ir pavyzd\u017eiai:<\/strong><\/p>\n\n\n\n<p><strong>K\u016bno rengyba ir sveikata:<\/strong> Pirsono koreliacija gali b\u016bti taikoma siekiant \u012fvertinti, kaip susij\u0119 skirtingi veiksniai, pavyzd\u017eiui, treniruo\u010di\u0173 da\u017enumas ir suma\u017e\u0117j\u0119s svoris. Pavyzd\u017eiui, stebint fizinio aktyvumo \u012fpro\u010dius ir k\u016bno svor\u012f laikui b\u0117gant, gali paai\u0161k\u0117ti, kad tarp reguliaraus fizinio aktyvumo ir svorio ma\u017e\u0117jimo yra teigiamas ry\u0161ys.<\/p>\n\n\n\n<p><strong>Asmeniniai finansai:<\/strong> Sudarant biud\u017eet\u0105, Pearsono koreliacija gali pad\u0117ti analizuoti ry\u0161\u012f tarp i\u0161laid\u0173 \u012fpro\u010di\u0173 ir santaup\u0173. Jei kas nors stebi savo m\u0117nesio i\u0161laidas ir santaup\u0173 normas, jis gali pasteb\u0117ti neigiam\u0105 koreliacij\u0105, rodan\u010di\u0105, kad did\u0117jant i\u0161laidoms, santaupos ma\u017e\u0117ja.<\/p>\n\n\n\n<p><strong>Orai ir nuotaika:<\/strong> Kitas kasdienis koreliacijos panaudojimo b\u016bdas gal\u0117t\u0173 b\u016bti or\u0173 poveikio nuotaikai supratimas. Pavyzd\u017eiui, teigiama koreliacija gali b\u016bti tarp saul\u0117t\u0173 dien\u0173 ir geresn\u0117s nuotaikos, o lietingos dienos gali b\u016bti susijusios su ma\u017eesniu energijos lygiu arba li\u016bdesiu.<\/p>\n\n\n\n<p><strong>Laiko valdymas:<\/strong> Lygindami konkre\u010dioms u\u017eduotims atlikti praleistas valandas (pvz., mokymosi laik\u0105) ir produktyvum\u0105 ar veiklos rezultatus (pvz., pa\u017eymius ar darbo na\u0161um\u0105), Pearsono koreliacija gali pad\u0117ti asmenims suprasti, kaip laiko paskirstymas daro \u012ftak\u0105 rezultatams.<\/p>\n\n\n\n<p><strong>Koreliacij\u0173 supratimo nauda \u012fprastuose scenarijuose:<\/strong><\/p>\n\n\n\n<p><strong>Geresnis sprendim\u0173 pri\u0117mimas:<\/strong> \u017dinant, kaip kintamieji yra susij\u0119, galima priimti pagr\u012fstus sprendimus. Pavyzd\u017eiui, suprasdami mitybos ir sveikatos ry\u0161\u012f, galite formuoti geresnius mitybos \u012fpro\u010dius, skatinan\u010dius ger\u0105 savijaut\u0105.<\/p>\n\n\n\n<p><strong>Rezultat\u0173 optimizavimas:<\/strong> \u017dmon\u0117s gali naudotis koreliacijomis, kad optimizuot\u0173 savo kasdienyb\u0119, pavyzd\u017eiui, su\u017einoti, kaip miego trukm\u0117 koreliuoja su produktyvumu, ir atitinkamai pakoreguoti miego grafik\u0105, kad padidint\u0173 efektyvum\u0105.<\/p>\n\n\n\n<p><strong>Modeli\u0173 nustatymas:<\/strong> Kasdien\u0117s veiklos d\u0117sningum\u0173 atpa\u017einimas (pvz., ry\u0161ys tarp laiko, praleid\u017eiamo prie ekrano, ir aki\u0173 nuovargio) gali pad\u0117ti \u017emon\u0117ms pakeisti elges\u012f, kad suma\u017e\u0117t\u0173 neigiamas poveikis ir pager\u0117t\u0173 bendra gyvenimo kokyb\u0117.<\/p>\n\n\n\n<p>Pearsono koreliacijos s\u0105vokos taikymas kasdieniame gyvenime leid\u017eia \u017emon\u0117ms \u012fgyti verting\u0173 \u012f\u017evalg\u0173 apie tai, kaip s\u0105veikauja \u012fvair\u016bs j\u0173 kasdienyb\u0117s aspektai, ir tai leid\u017eia jiems priimti aktyvius sprendimus, kurie gerina sveikat\u0105, finansus ir gerov\u0119.<\/p>\n\n\n\n<h2><strong>Pearsono koreliacijos ai\u0161kinimas<\/strong><\/h2>\n\n\n\n<h3><strong>Vertyb\u0117s ir reik\u0161m\u0117<\/strong><\/h3>\n\n\n\n<p>Svetain\u0117 <strong>Pirsono koreliacijos koeficientas<\/strong> (r) svyruoja nuo <strong>nuo -1 iki 1<\/strong>, o kiekviena reik\u0161m\u0117 leid\u017eia suprasti dviej\u0173 kintam\u0173j\u0173 ry\u0161io pob\u016bd\u012f ir stiprum\u0105. \u0160i\u0173 reik\u0161mi\u0173 supratimas padeda interpretuoti koreliacijos krypt\u012f ir laipsn\u012f.<\/p>\n\n\n\n<p><strong>Koeficient\u0173 vert\u0117s:<\/strong><\/p>\n\n\n\n<p><strong>1<\/strong>: Vert\u0117 <strong>+1<\/strong> rodo, kad <strong>tobulas teigiamas tiesinis ry\u0161ys<\/strong> tarp dviej\u0173 kintam\u0173j\u0173, t. y. vienam kintamajam did\u0117jant, proporcingai did\u0117ja ir kitas.<\/p>\n\n\n\n<p><strong>-1<\/strong>: Vert\u0117 <strong>-1<\/strong> rodo, kad <strong>tobulas neigiamas tiesinis ry\u0161ys<\/strong>, kai vienam kintamajam did\u0117jant, kitas proporcingai ma\u017e\u0117ja.<\/p>\n\n\n\n<p><strong>0<\/strong>: Vert\u0117 <strong>0<\/strong> si\u016blo . <strong>n\u0117ra tiesinio ry\u0161io<\/strong> tarp kintam\u0173j\u0173, t. y. vieno kintamojo poky\u010diai nenumato kito kintamojo poky\u010di\u0173.<\/p>\n\n\n\n<p><strong>Teigiama, neigiama ir nulin\u0117 koreliacija:<\/strong><\/p>\n\n\n\n<p><strong>Teigiama koreliacija<\/strong>: Kai <strong>r yra teigiamas<\/strong> (pvz., 0,5), tai rei\u0161kia, kad abu kintamieji link\u0119 jud\u0117ti ta pa\u010dia kryptimi. Pavyzd\u017eiui, kylant temperat\u016brai, led\u0173 pardavimai gali did\u0117ti, o tai rodo teigiam\u0105 koreliacij\u0105.<\/p>\n\n\n\n<p><strong>Neigiama koreliacija<\/strong>: Kai <strong>r yra neigiamas<\/strong> (pvz., -0,7), tai rodo, kad kintamieji juda prie\u0161ingomis kryptimis. Pavyzdys gal\u0117t\u0173 b\u016bti ry\u0161ys tarp fizini\u0173 pratim\u0173 da\u017enumo ir k\u016bno riebal\u0173 procento: did\u0117jant fizini\u0173 pratim\u0173 skai\u010diui, k\u016bno riebal\u0173 kiekis turi tendencij\u0105 ma\u017e\u0117ti.<\/p>\n\n\n\n<p><strong>Nulin\u0117 koreliacija<\/strong>: An <strong>r i\u0161 0<\/strong> rei\u0161kia, kad yra <strong>n\u0117ra ai\u0161kios tiesin\u0117s priklausomyb\u0117s.<\/strong> tarp kintam\u0173j\u0173. Pavyzd\u017eiui, gali b\u016bti, kad tarp bat\u0173 dyd\u017eio ir intelekto n\u0117ra tiesin\u0117s koreliacijos.<\/p>\n\n\n\n<p>Apskritai:<\/p>\n\n\n\n<p><strong>nuo 0,7 iki 1 arba nuo -0,7 iki -1<\/strong> rodo, kad <strong>stiprus<\/strong> koreliacija.<\/p>\n\n\n\n<p><strong>nuo 0,3 iki 0,7 arba nuo -0,3 iki -0,7<\/strong> atspindi <strong>vidutinio sunkumo<\/strong> koreliacija.<\/p>\n\n\n\n<p><strong>nuo 0 iki 0,3 arba nuo -0,3 iki 0<\/strong> rei\u0161kia <strong>silpnas<\/strong> koreliacija.<\/p>\n\n\n\n<p>\u0160i\u0173 reik\u0161mi\u0173 supratimas leid\u017eia tyr\u0117jams ir asmenims nustatyti, kaip glaud\u017eiai susij\u0119 du kintamieji ir ar ry\u0161ys yra pakankamai reik\u0161mingas, kad \u012f j\u012f reik\u0117t\u0173 atkreipti d\u0117mes\u012f arba imtis tolesni\u0173 veiksm\u0173.<\/p>\n\n\n\n<h3><strong>Apribojimai<\/strong><\/h3>\n\n\n\n<p>Nors <strong>Pearsono koreliacija<\/strong> yra galinga priemon\u0117 tiesiniams kintam\u0173j\u0173 ry\u0161iams \u012fvertinti, ta\u010diau ji turi tr\u016bkum\u0173 ir gali b\u016bti tinkama ne visiems scenarijams.<\/p>\n\n\n\n<p><strong>Situacijos, kai Pearsono koreliacija gali b\u016bti netinkama:<\/strong><\/p>\n\n\n\n<p><strong>Netiesiniai ry\u0161iai<\/strong>: Pirsono koreliacija matuoja tik <strong>tiesiniai ry\u0161iai<\/strong>, tod\u0117l jis gali netiksliai atspind\u0117ti ry\u0161io stiprum\u0105 tais atvejais, kai ry\u0161ys tarp kintam\u0173j\u0173 yra kreivas arba netiesinis. Pavyzd\u017eiui, jei kintam\u0173j\u0173 ry\u0161ys yra kvadratinis arba eksponentinis, Pearsono koreliacija gali nepakankamai \u012fvertinti tikr\u0105j\u012f ry\u0161\u012f arba jo neatspind\u0117ti.<\/p>\n\n\n\n<p><strong>I\u0161siskyrimai<\/strong>: Buvimas <strong>nuokrypiai<\/strong> (kra\u0161tutin\u0117s reik\u0161m\u0117s) gali labai i\u0161kreipti Pearsono koreliacijos rezultatus ir klaidingai atspind\u0117ti bendr\u0105 kintam\u0173j\u0173 ry\u0161\u012f. Vienintelis nukrypimas nuo normos gali dirbtinai padidinti arba suma\u017einti koreliacijos vert\u0119.<\/p>\n\n\n\n<p><strong>Net\u0119stiniai kintamieji<\/strong>: Pearsono koreliacija daroma prielaida, kad abu kintamieji yra tolyd\u016bs ir normaliai pasiskirst\u0119. Ji gali b\u016bti netinkama <strong>kategorinis<\/strong> arba <strong>eili\u0161kumo duomenys<\/strong>, kai ry\u0161iai neb\u016btinai yra linijinio ar skaitinio pob\u016bd\u017eio.<\/p>\n\n\n\n<p><strong>Heteroskedasti\u0161kumas<\/strong>: Kai vieno kintamojo kintamumas skiriasi visame kito kintamojo diapazone (t. y. kai duomen\u0173 ta\u0161k\u0173 sklaida n\u0117ra pastovi), Pearsono koreliacija gali netiksliai \u012fvertinti ry\u0161\u012f. \u0160i s\u0105lyga vadinama <strong>heteroskedasti\u0161kumas<\/strong>, ir tai gali i\u0161kreipti koeficient\u0105.<\/p>\n\n\n\n<p><strong>Apribojimas tik tiesiniais ry\u0161iais:<\/strong> Pearsono koreliacija konkre\u010diai matuoja stiprum\u0105 ir krypt\u012f <strong>tiesiniai ry\u0161iai<\/strong>. Jei kintamieji susij\u0119 netiesi\u0161kai, Pearsono koreliacija to nenustatys. Pavyzd\u017eiui, jei vienas kintamasis did\u0117ja vis spar\u010diau kito kintamojo at\u017evilgiu (kaip eksponentiniame ar logaritminiame ry\u0161yje), Pearsono koreliacija gali rodyti silpn\u0105 arba nulin\u0119 koreliacij\u0105, nors ry\u0161ys yra stiprus.<\/p>\n\n\n\n<p>Siekdami pa\u0161alinti \u0161iuos apribojimus, tyr\u0117jai gali taikyti kitus metodus, pvz. <strong>Spearmano rangin\u0117 koreliacija<\/strong> ordinali\u0173 duomen\u0173 atveju arba <strong>netiesin\u0117s regresijos modeliai<\/strong> kad b\u016bt\u0173 galima geriau u\u017efiksuoti sud\u0117tingus ry\u0161ius. I\u0161 esm\u0117s, nors Pearsono koreliacija vertinga tiesiniams ry\u0161iams, j\u0105 reikia taikyti atsargiai, u\u017etikrinant, kad duomenys atitikt\u0173 prielaidas, reikalingas tiksliam ai\u0161kinimui.<\/p>\n\n\n\n<h2><strong>Kaip naudoti Pearsono koreliacij\u0105<\/strong><\/h2>\n\n\n\n<h3><strong>\u012erankiai ir programin\u0117 \u012franga<\/strong><\/h3>\n\n\n\n<p>Apskai\u010diuoti <strong>Pearsono koreliacija<\/strong> galima atlikti rankiniu b\u016bdu, ta\u010diau daug veiksmingiau ir prakti\u0161kiau naudoti statistines priemones ir programin\u0119 \u012frang\u0105. \u0160iomis priemon\u0117mis galima greitai apskai\u010diuoti Pearsono koreliacijos koeficient\u0105, apdoroti didelius duomen\u0173 rinkinius ir pasi\u016blyti papildom\u0173 statistini\u0173 funkcij\u0173 i\u0161samiai analizei atlikti. Yra kelios populiarios programin\u0117s \u012frangos ir \u012franki\u0173, skirt\u0173 Pearsono koreliacijos koeficientui apskai\u010diuoti:<\/p>\n\n\n\n<p><strong>\"Microsoft Excel<\/strong>: Tai pla\u010diai naudojamas \u012frankis su integruotomis Pearsono koreliacijos skai\u010diavimo funkcijomis, tod\u0117l juo galima naudotis atliekant pagrindines statistines u\u017eduotis.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.ibm.com\/spss\"><strong>SPSS (statistinis paketas socialiniams mokslams)<\/strong><\/a>: \u0160i galinga programin\u0117 \u012franga skirta statistinei analizei ir da\u017eniausiai naudojama socialiniuose moksluose ir medicininiuose tyrimuose.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.r-project.org\/about.html\"><strong>R programavimo kalba<\/strong>:<\/a> Nemokama atvirojo kodo programavimo kalba, specialiai sukurta duomen\u0173 analizei ir statistikai. R pasi\u017eymi dideliu lankstumu ir pritaikymo galimyb\u0117mis.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.codecademy.com\/article\/introduction-to-numpy-and-pandas\"><strong>Python (su tokiomis bibliotekomis kaip Pandas ir NumPy)<\/strong><\/a><strong>)<\/strong>: \"Python\" yra dar viena galinga atvirojo kodo kalba, skirta duomen\u0173 analizei, turinti patogias bibliotekas, kurios supaprastina Pearsono koreliacijos skai\u010diavim\u0105.<\/p>\n\n\n\n<p><a href=\"https:\/\/www.graphpad.com\/features\"><strong>GraphPad Prism<\/strong><\/a>: \u0160i biologijos moksluose populiari programin\u0117 \u012franga si\u016blo intuityvi\u0105 s\u0105saj\u0105 statistinei analizei, \u012fskaitant Pearsono koreliacij\u0105.<\/p>\n\n\n\n<p><strong>Pagrindinis \u0161i\u0173 analiz\u0117s \u012franki\u0173 naudojimo vadovas:<\/strong><\/p>\n\n\n\n<p><strong>\"Microsoft Excel\":<\/strong><\/p>\n\n\n\n<ul>\n<li>\u012eveskite duomenis \u012f du stulpelius, po vien\u0105 kiekvienam kintamajam.<\/li>\n\n\n\n<li>Naudokite integruot\u0105 funkcij\u0105 =CORREL(array1, array2), kad apskai\u010diuotum\u0117te Pearsono koreliacij\u0105 tarp dviej\u0173 duomen\u0173 rinkini\u0173.<\/li>\n<\/ul>\n\n\n\n<p><strong>SPSS:<\/strong><\/p>\n\n\n\n<ul>\n<li>Importuokite duomenis \u012f SPSS.<\/li>\n\n\n\n<li>Eikite \u012f <strong>Analizuoti &gt; Koreliuoti &gt; Dvima\u010diai<\/strong>ir pasirinkite kintamuosius analizei.<\/li>\n\n\n\n<li>Koreliacijos koeficiento parinktyse pasirinkite \"Pearson\" ir spustel\u0117kite \"OK\".<\/li>\n<\/ul>\n\n\n\n<p><strong>R programavimas:<\/strong><\/p>\n\n\n\n<ul>\n<li>\u012eveskite duomenis \u012f R kaip vektorius arba duomen\u0173 r\u0117melius.<\/li>\n\n\n\n<li>Naudokite funkcij\u0105 cor(x, y, method = \"pearson\") Pearsono koreliacijai apskai\u010diuoti.<\/li>\n<\/ul>\n\n\n\n<p><strong>Python (Pandas\/NumPy):<\/strong><\/p>\n\n\n\n<ul>\n<li>\u012ekelkite duomenis naudodami \"Pandas\".<\/li>\n\n\n\n<li>Naudokite df['variable1'].corr(df['variable2']), kad apskai\u010diuotum\u0117te Pearsono koreliacij\u0105 tarp dviej\u0173 stulpeli\u0173.<\/li>\n<\/ul>\n\n\n\n<p><strong>GraphPad Prism:<\/strong><\/p>\n\n\n\n<ul>\n<li>\u012eveskite duomenis \u012f programin\u0119 \u012frang\u0105.<\/li>\n\n\n\n<li>Pasirinkite \"Koreliacijos\" analiz\u0117s parinkt\u012f, pasirinkite Pearsono koreliacij\u0105 ir programin\u0117 \u012franga sukurs koreliacijos koeficient\u0105 bei vaizdin\u0119 sklaidos diagram\u0105.<\/li>\n<\/ul>\n\n\n\n<p>\u0160ios priemon\u0117s ne tik apskai\u010diuoja Pearsono koreliacijos koeficient\u0105, bet ir pateikia grafin\u0119 i\u0161vest\u012f, p reik\u0161mes ir kitus statistinius rodiklius, kurie padeda interpretuoti duomenis. Supratimas, kaip naudotis \u0161iomis priemon\u0117mis, leid\u017eia atlikti veiksming\u0105 ir tiksli\u0105 koreliacin\u0119 analiz\u0119, kuri yra labai svarbi atliekant mokslinius tyrimus ir priimant duomenimis pagr\u012fstus sprendimus.<\/p>\n\n\n\n<p><a href=\"https:\/\/mindthegraph.com\/blog\/infographic-and-visual-design-statistics\/\">\u010cia rasite infografikos ir vizualinio dizaino statistik\u0105<\/a>&nbsp;<\/p>\n\n\n\n<h3><strong>Praktiniai patarimai, kaip naudoti Pearsono koreliacij\u0105<\/strong><\/h3>\n\n\n\n<p><strong>Duomen\u0173 paruo\u0161imas ir patikrinimai prie\u0161 apskai\u010diuojant koreliacij\u0105:<\/strong><\/p>\n\n\n\n<p><strong>U\u017etikrinkite duomen\u0173 kokyb\u0119:<\/strong> Patikrinkite, ar j\u016bs\u0173 duomenys yra tiksl\u016bs ir i\u0161sam\u016bs. Patikrinkite, ar n\u0117ra tr\u016bkstam\u0173 ver\u010di\u0173, ir atkreipkite d\u0117mes\u012f \u012f jas, nes jos gali i\u0161kreipti rezultatus. Nei\u0161sam\u016bs duomenys gali lemti neteisingus koreliacijos koeficientus arba klaidinan\u010dias interpretacijas.<\/p>\n\n\n\n<p><strong>Patikrinkite tiesi\u0161kum\u0105:<\/strong> Pirsono koreliacija matuoja tiesinius ry\u0161ius. Prie\u0161 atlikdami skai\u010diavimus, nubrai\u017eykite duomen\u0173 sklaidos diagram\u0105, kad vizualiai \u012fvertintum\u0117te, ar ry\u0161ys tarp kintam\u0173j\u0173 yra tiesinis. Jei duomenys rodo netiesin\u012f model\u012f, apsvarstykite alternatyvius metodus, pavyzd\u017eiui, Spearmano rangin\u0119 koreliacij\u0105 arba netiesin\u0119 regresij\u0105.<\/p>\n\n\n\n<p><strong>Patikrinkite normalum\u0105:<\/strong> Pearsono koreliacija daroma prielaida, kad kiekvieno kintamojo duomenys yra pasiskirst\u0119 apytiksliai normaliai. Nors jis yra \u0161iek tiek atsparus nuokrypiams nuo normalumo, dideli nuokrypiai gali tur\u0117ti \u012ftakos rezultat\u0173 patikimumui. Duomen\u0173 pasiskirstymui patikrinti naudokite histogramas arba normalumo testus.<\/p>\n\n\n\n<p><strong>Standartizuoti duomenis:<\/strong> Jei kintamieji matuojami skirtingais vienetais ar skal\u0117mis, apsvarstykite galimyb\u0119 juos standartizuoti. \u0160is \u017eingsnis u\u017etikrina, kad palyginimas neb\u016bt\u0173 i\u0161kreiptas d\u0117l matavimo skal\u0117s, nors pati Pearsono koreliacija yra nekintama pagal skal\u0119.<\/p>\n\n\n\n<p><strong>Da\u017eniausiai pasitaikan\u010dios klaidos, kuri\u0173 reikia vengti interpretuojant rezultatus:<\/strong><\/p>\n\n\n\n<p><strong>Pervertinkite j\u0117g\u0105:<\/strong> Didelis Pearsono koreliacijos koeficientas nerei\u0161kia prie\u017eastinio ry\u0161io. Koreliacija parodo tik tiesinio ry\u0161io stiprum\u0105, o ne tai, ar vienas kintamasis lemia kito kintamojo poky\u010dius. Venkite daryti skubotas i\u0161vadas apie prie\u017eastin\u012f ry\u0161\u012f remdamiesi vien koreliacija.<\/p>\n\n\n\n<p><strong>I\u0161skirtini\u0173 atvej\u0173 ignoravimas:<\/strong> I\u0161skirtys gali neproporcingai paveikti Pearsono koreliacijos koeficient\u0105, tod\u0117l rezultatai gali b\u016bti klaidinantys. Nustatykite ir \u012fvertinkite nuokrypi\u0173 \u012ftak\u0105 analizei. Kartais pa\u0161alinus ar pakoregavus nuokrypius galima susidaryti ai\u0161kesn\u012f ry\u0161io vaizd\u0105.<\/p>\n\n\n\n<p><strong>Nulin\u0117s koreliacijos klaidingas ai\u0161kinimas:<\/strong> Nulin\u0117 Pearsono koreliacija rodo, kad n\u0117ra tiesinio ry\u0161io, ta\u010diau tai nerei\u0161kia, kad ry\u0161io apskritai n\u0117ra. Kintamieji vis tiek gali b\u016bti susij\u0119 netiesi\u0161kai, tod\u0117l, jei \u012ftariate netiesin\u012f ry\u0161\u012f, apsvarstykite kitus statistinius metodus.<\/p>\n\n\n\n<p><strong>Koreliacijos painiojimas su prie\u017eastiniu ry\u0161iu:<\/strong> Atminkite, kad koreliacija nerei\u0161kia prie\u017eastinio ry\u0161io. Du kintamieji gali b\u016bti susij\u0119 d\u0117l tre\u010diojo, nepasteb\u0117to kintamojo \u012ftakos. Visada atsi\u017evelkite \u012f platesn\u012f kontekst\u0105 ir naudokite papildomus metodus galimiems prie\u017eastiniams ry\u0161iams tirti.<\/p>\n\n\n\n<p><strong>Imties dyd\u017eio nepaisymas:<\/strong> D\u0117l ma\u017eos imties dyd\u017eio koreliacijos \u012fver\u010diai gali b\u016bti nestabil\u016bs ir nepatikimi. \u012esitikinkite, kad imties dydis yra pakankamas, kad b\u016bt\u0173 galima patikimai \u012fvertinti koreliacij\u0105. Didesn\u0117s imtys paprastai u\u017etikrina tikslesnius ir stabilesnius koreliacijos koeficientus.<\/p>\n\n\n\n<h2><strong>Pagrindin\u0117s i\u0161vados ir svarstymai<\/strong><\/h2>\n\n\n\n<p>Pirsono koreliacija yra pagrindin\u0117 statistin\u0117 priemon\u0117, naudojama dviej\u0173 i\u0161tisini\u0173 kintam\u0173j\u0173 tiesini\u0173 ry\u0161i\u0173 stiprumui ir kryp\u010diai \u012fvertinti. Ji suteikia verting\u0173 \u012f\u017evalg\u0173 \u012fvairiose srityse - nuo mokslini\u0173 tyrim\u0173 iki kasdienio gyvenimo, nes padeda nustatyti ir kiekybi\u0161kai \u012fvertinti duomen\u0173 s\u0105sajas. Supratimas, kaip teisingai apskai\u010diuoti ir interpretuoti Pearsono koreliacij\u0105, leid\u017eia tyr\u0117jams ir asmenims priimti pagr\u012fstus sprendimus, pagr\u012fstus kintam\u0173j\u0173 s\u0105saj\u0173 stiprumu.<\/p>\n\n\n\n<p>Ta\u010diau labai svarbu pripa\u017einti jos tr\u016bkumus, ypa\u010d tai, kad ji orientuota \u012f tiesinius ry\u0161ius ir yra jautri nukrypimams. Norint atlikti tiksli\u0105 analiz\u0119, labai svarbu tinkamai paruo\u0161ti duomenis ir vengti da\u017eniausiai pasitaikan\u010di\u0173 klaid\u0173, pavyzd\u017eiui, painioti koreliacij\u0105 su prie\u017eastiniu ry\u0161iu. Tinkamai naudodami Pearsono koreliacij\u0105 ir atsi\u017evelgdami \u012f jos apribojimus, gal\u0117site veiksmingai panaudoti \u0161i\u0105 priemon\u0119, kad gautum\u0117te reik\u0161ming\u0173 \u012f\u017evalg\u0173 ir priimtum\u0117te geresnius sprendimus.<\/p>\n\n\n\n<h2><strong>Per\u017ei\u016br\u0117kite daugiau nei 75 000 moksli\u0161kai tiksli\u0173 iliustracij\u0173 i\u0161 daugiau nei 80 populiari\u0173 sri\u010di\u0173<\/strong><\/h2>\n\n\n\n<p><a href=\"https:\/\/mindthegraph.com\/\">Mind the Graph <\/a>yra galingas \u012frankis, skirtas pad\u0117ti mokslininkams vizualiai pateikti sud\u0117tingus mokslini\u0173 tyrim\u0173 rezultatus. Tur\u0117dami prieig\u0105 prie daugiau nei 75 000 moksli\u0161kai tiksli\u0173 iliustracij\u0173 i\u0161 daugiau nei 80 populiari\u0173 sri\u010di\u0173, tyr\u0117jai gali lengvai rasti vaizdini\u0173 element\u0173, kurie pagerins j\u0173 pristatymus, straipsnius ir ataskaitas. Platus platformos iliustracij\u0173 asortimentas u\u017etikrina, kad mokslininkai gali kurti ai\u0161kius, patrauklius vaizdinius, pritaikytus konkre\u010diai j\u0173 tyrim\u0173 sri\u010diai - biologijai, chemijai, medicinai ar kitoms disciplinoms. \u0160i did\u017eiul\u0117 biblioteka ne tik taupo laik\u0105, bet ir leid\u017eia efektyviau perteikti duomenis, tod\u0117l mokslin\u0117 informacija tampa prieinama ir suprantama tiek ekspertams, tiek pla\u010diajai visuomenei.<\/p>\n\n\n\n<div class=\"is-layout-flex wp-block-buttons\">\n<div class=\"wp-block-button aligncenter\"><a class=\"wp-block-button__link has-background wp-element-button\" href=\"https:\/\/mindthegraph.com\/science-figures\/?utm_source=blog&amp;utm_medium=cta-final&amp;utm_campaign=conversion\" style=\"background-color:#7833ff\"><strong>U\u017esiregistruokite nemokamai<\/strong><\/a><\/div>\n<\/div>\n\n\n\n<div style=\"height:46px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" loading=\"lazy\" width=\"1362\" height=\"900\" src=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/09\/mtg-80-plus-fields.gif\" alt=\"&quot;Animuotas GIF, rodantis daugiau nei 80 mokslo sri\u010di\u0173, prieinam\u0173 per Mind the Graph, \u012fskaitant biologij\u0105, chemij\u0105, fizik\u0105 ir medicin\u0105, iliustruojantis platformos universalum\u0105 mokslininkams.&quot;\" class=\"wp-image-29586\"\/><figcaption class=\"wp-element-caption\">Animacinis GIF, kuriame pristatomos \u012fvairios mokslo sritys, kurias apima Mind the Graph.<\/figcaption><\/figure>","protected":false},"excerpt":{"rendered":"<p>Suprasti pagrindinius dalykus apie Pearsono koreliacij\u0105 ir jos taikym\u0105 \u012fvairiose situacijose.<\/p>","protected":false},"author":35,"featured_media":55630,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[961,977,28],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v19.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog<\/title>\n<meta name=\"description\" content=\"Understand the key points about Pearson correlation and its applicability in various situations.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/mindthegraph.com\/blog\/lt\/pearson-correlation\/\" \/>\n<meta property=\"og:locale\" content=\"lt_LT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog\" \/>\n<meta property=\"og:description\" content=\"Understand the key points about Pearson correlation and its applicability in various situations.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/mindthegraph.com\/blog\/lt\/pearson-correlation\/\" \/>\n<meta property=\"og:site_name\" content=\"Mind the Graph Blog\" \/>\n<meta property=\"article:published_time\" content=\"2024-10-21T15:45:05+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-10-21T15:45:07+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson_correlation.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1123\" \/>\n\t<meta property=\"og:image:height\" content=\"612\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Ang\u00e9lica Salom\u00e3o\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ang\u00e9lica Salom\u00e3o\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"13 minutes\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog","description":"Understand the key points about Pearson correlation and its applicability in various situations.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/mindthegraph.com\/blog\/lt\/pearson-correlation\/","og_locale":"lt_LT","og_type":"article","og_title":"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog","og_description":"Understand the key points about Pearson correlation and its applicability in various situations.","og_url":"https:\/\/mindthegraph.com\/blog\/lt\/pearson-correlation\/","og_site_name":"Mind the Graph Blog","article_published_time":"2024-10-21T15:45:05+00:00","article_modified_time":"2024-10-21T15:45:07+00:00","og_image":[{"width":1123,"height":612,"url":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2024\/10\/pearson_correlation.png","type":"image\/png"}],"author":"Ang\u00e9lica Salom\u00e3o","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Ang\u00e9lica Salom\u00e3o","Est. reading time":"13 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/","url":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/","name":"Pearson Correlation: Understanding the Math Behind Relationships - Mind the Graph Blog","isPartOf":{"@id":"https:\/\/mindthegraph.com\/blog\/#website"},"datePublished":"2024-10-21T15:45:05+00:00","dateModified":"2024-10-21T15:45:07+00:00","author":{"@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/542e3620319366708346388407c01c0a"},"description":"Understand the key points about Pearson correlation and its applicability in various situations.","breadcrumb":{"@id":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/#breadcrumb"},"inLanguage":"lt-LT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/mindthegraph.com\/blog\/pearson-correlation\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/mindthegraph.com\/blog\/pearson-correlation\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/mindthegraph.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Pearson Correlation: Understanding the Math Behind Relationships"}]},{"@type":"WebSite","@id":"https:\/\/mindthegraph.com\/blog\/#website","url":"https:\/\/mindthegraph.com\/blog\/","name":"Mind the Graph Blog","description":"Your science can be beautiful!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/mindthegraph.com\/blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"lt-LT"},{"@type":"Person","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/542e3620319366708346388407c01c0a","name":"Ang\u00e9lica Salom\u00e3o","image":{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/a59218eda57fb51e0d7aea836e593cd1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/a59218eda57fb51e0d7aea836e593cd1?s=96&d=mm&r=g","caption":"Ang\u00e9lica Salom\u00e3o"},"url":"https:\/\/mindthegraph.com\/blog\/lt\/author\/angelica\/"}]}},"_links":{"self":[{"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/posts\/55628"}],"collection":[{"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/users\/35"}],"replies":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/comments?post=55628"}],"version-history":[{"count":4,"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/posts\/55628\/revisions"}],"predecessor-version":[{"id":55636,"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/posts\/55628\/revisions\/55636"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/media\/55630"}],"wp:attachment":[{"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/media?parent=55628"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/categories?post=55628"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/lt\/wp-json\/wp\/v2\/tags?post=55628"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}