Varningar om korrelation

Introduktion till statistik i R

Maggie Matsui

Content Developer, DataCamp

Icke-linjära samband

spridningsdiagram över variabler med ett kvadratiskt samband

$$r = 0.18$$

Icke-linjära samband

Vad vi ser:

spridningsdiagram över variabler med ett kvadratiskt samband och kvadratisk trendlinje

Vad korrelationskoefficienten ser:

spridningsdiagram över variabler med ett kvadratiskt samband och en linjär trendlinje

Korrelation fångar bara linjära samband

Använd inte korrelation okritiskt

cor(df$x, df$y)

0.1786163

Visualisera alltid dina data

spridningsdiagram över variabler med ett kvadratiskt samband

Sömndata för däggdjur

msleep

   name                       vore  sleep_total awake  bodywt
 1 Cheetah                    carni        12.1  11.9  50    
 2 Owl monkey                 omni         17     7     0.48 
 3 Mountain beaver            herbi        14.4   9.6   1.35 
 4 Greater short-tailed shrew omni         14.9   9.1   0.019
 5 Cow                        herbi         4    20   600    
 6 Three-toed sloth           herbi        14.4   9.6   3.85 
 ...

Kroppsvikt jämfört med vaktid

Spridningsdiagram över kroppsvikt mot vaktid

cor(msleep$bodywt, msleep$awake)

0.3119801

Fördelning av kroppsvikt

Histogram över variabeln bodywt

Logaritmisk transformation

msleep %>%
  mutate(log_bodywt = log(bodywt)) %>%

  ggplot(aes(log_bodywt, awake)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE)

cor(msleep$log_bodywt, msleep$awake)

0.5687943

Spridningsdiagram över log kroppsvikt mot vaktid

Andra transformationer

Logaritmisk transformation (log(x))
Kvadratrotstransformation (sqrt(x))
Reciprok transformation (1 / x)
Kombinationer av dessa, t.ex.:
- log(x) och log(y)
- sqrt(x) och 1 / y

Varför använda en transformation?

Vissa statistiska metoder kräver att variabler har ett linjärt samband
- Korrelationskoefficient
- Linjär regression

Introduction to Regression in R

Korrelation innebär inte kausalitet

x korrelerar med y betyder inte att x orsakar y

Spridningsdiagram över konsumtion av margarin per capita i USA jämfört med skilsmässofrekvens i Maine. Variablerna är starkt korrelerade med en korrelationskoefficient på 0,99

Confounding

Kaffedrickande (x) med pil till lungcancer (y)

Confounding

Kaffedrickande (x) med pil till lungcancer (y) och rökning (confounder) ovanför

Confounding

Kaffedrickande (x) med pil till lungcancer (y) och rökning (confounder). Dubbelriktad pil mellan rökning och kaffedrickande, märkt "association".

Confounding

Kaffedrickande (x) med pil till lungcancer (y) och rökning (confounder). Dubbelriktad pil mellan rökning och kaffedrickande, märkt "association". Pil från rökning till lungcancer märkt "causation"

Confounding

Kaffedrickande (x) med dubbelriktad pil till lungcancer (y) märkt "association". Dubbelriktad pil mellan rökning och kaffedrickande, märkt "association". Pil från rökning till lungcancer märkt "causation".

Helgdagar (x) pekar på detaljhandelsförsäljning (y). Specialerbjudanden (confounder) har dubbelriktad pil till helgdagar och enkelriktad pil till detaljhandelsförsäljning.

Nu kör vi en övning!

Introduktion till statistik i R