Correlações

Análise de dados de pesquisa em Python

EbunOluwa Andrew

Data Scientist

Correlações na análise de pesquisas

Interdependência de variáveis
- Quando uma muda, a outra também muda
Mede a relação linear entre dois itens de pesquisa
Correlação NÃO é necessariamente causal
- Pode haver uma terceira variável influenciando
- Não dá para concluir qual variável causa mudanças na outra

Correlação não é causalidade. Lettering

Força e direção da correlação

Coeficientes de correlação -> "r"
-1,0 a 1,0
- -1 ou 1 = relação perfeita
- 0 = sem relação significativa
- Menor que 0 = relação negativa
- Maior que 0 = relação positiva
Com poucas observações, são necessárias correlações fortes para significância estatística

Correlação entre peças de quebra-cabeça

Função .corr()

.corr()
_primeira coluna_.corr(_segunda coluna_)

Tipos de correlação

.corr() exemplo: healthy_city

| City       | Rank | Life expectancy_years | Happiness levels |
|------------|------|-----------------------|------------------|
| Amsterdam  |    1 |                  81.2 |             7.44 |
| Sydney     |    2 |                  82.1 |             7.22 |
| Vienna     |    3 |                    81 |             7.29 |
| Stockholm  |    4 |                  81.8 |             7.35 |
| Copenhagen |    5 |                  79.8 |             7.64 |
| Helsinki   |    6 |                  80.4 |              7.8 |
| Fukuoka    |    7 |                  83.2 |             5.87 |
| Berlin     |    8 |                  80.6 |             7.07 |
| Barcelona  |    9 |                  82.2 |              6.4 |

.corr() exemplo: healthy_city

import matplotlib.pyplot as plt
plt.scatter(healthy_city['Life expectancy_years'],
            healthy_city['Happiness levels'])

dispersão de happy_survey

.corr() exemplo: healthy_city

happy_survey['Happiness levels'].corr(
  happy_survey['Life expectancy_years'])

0.7245870841569987

Vamos praticar!

Análise de dados de pesquisa em Python