Matrice delle correlazioni di Pearson in Excel e strumenti statistici: guida completa

È consuetudine quantificare le relazioni lineari attraverso il coefficiente di correlazione di Pearson. Può aiutare gli investitori a diversificare. Il coefficiente di correlazione di Pearson o coefficiente di correlazione di Pearson o r di Pearson è definito in statistica come la misura della forza della relazione tra due variabili e la loro associazione reciproca. Ad esempio: Fino a una certa età (nella maggior parte dei casi), l’altezza di un bambino continuerà a crescere con l’aumentare della sua età. La correlazione del coefficiente di Pearson ha un’elevata significatività statistica. Esamina la relazione tra due variabili. Cerca di tracciare una linea attraverso i dati di due variabili per mostrare la loro relazione. La relazione tra le variabili viene misurata con l’aiuto del calcolatore del coefficiente di correlazione di Pearson. La formula del coefficiente di correlazione individua la relazione tra le variabili. Restituisce i valori compresi tra -1 e 1.

Come nasce e come leggere la matrice di correlazione

La matrice di correlazione è una tabella quadrata che riporta al suo interno gli indici di correlazione tra due o più variabili. Scopri in questo articolo come si costruisce e come leggere in modo corretto i valori contenuti al suo interno. La diagonale principale contiene i coefficienti di correlazione tra una variabile e se stessa, tipicamente indicati con un trattino o vuoti, poiché sono sempre uguali a 1. I triangoli, superiore e inferiore, riportano gli stessi indici poiché la correlazione è una misura simmetrica: se calcoli x con y otterrai lo stesso valore di y con x. Quale indice inserire dipende dalla tipologia e distribuzione delle variabili; l’indice più conosciuto è il r di Pearson, ma esistono anche rho di Spearman e tau di Kendall. Prima di costruire la matrice è buona norma esaminare la relazione tra coppie di variabili attraverso diagrammi di dispersione.

Struttura e lettura della matrice

La diagonale principale è composta da 1 per tutte le coppie x-x. I valori nel triangolo inferiore sinistro e nel triangolo superiore destro sono identici, poiché l’indice è simmetrico. Per leggere una matrice, devi individuare le variabili di interesse sulle righe e sulle colonne e incrociare la riga con la colonna corrispondenti per trovare l’indice di correlazione tra le due variabili. Ad esempio, in una matrice con quattro variabili quantitative è possibile osservare correlazioni positive o negative tra le diverse coppie, con intensità che va da debole a forte a seconda del valore di r.

Come si calcola e come interpretare il coefficiente di Pearson

Il coefficiente di correlazione di Pearson è un indice che descrive sia la forza sia la direzione della relazione lineare tra due variabili continue. Può essere calcolato come rapporto tra la covarianza delle due variabili e il prodotto delle loro deviazioni standard. In Excel si usa la funzione =CORRELAZIONE(variabile1;variabile2); in R si usa cor(variabile1, variabile2); anche SPSS permette di ottenere l’indice tramite Analizza | Correlazione | Bivariata. I valori tipici sono compresi tra -1 e 1. Un valore vicino a +1 indica una relazione lineare positiva forte, vicino a -1 indica una relazione lineare negativa forte, mentre zero indica assenza di relazione lineare.

Direzione: se la linea ha inclinazione verso l’alto, la relazione è positiva; se la linea scende, è negativa. Forza: valori prossimi a +1 o -1 indicano una relazione forte; più ci si allontana da 0, più la relazione è forte. È importante ricordare che correlazione non implica causalità: due variabili possono variare insieme senza che una causi l’altra.

Un piccolo schema di controllo prima di utilizzare Pearson

• Controllo 1: le due variabili devono essere entrambe quantitative e appaiate sugli stessi casi.
• Controllo 2: il grafico di correlazione deve mostrare una relazione di tipo lineare; se non è lineare, valutare Spearman o Kendall o trasformare le variabili.
• Controllo 3: non devono esserci outliers influenti che distorcano significativamente la stima.
• Controllo 4: la distribuzione delle variabili deve essere normale o, in caso di non normalità, considerare alternative non parametriche.

Quando usare la matrice di correlazione

Una matrice di correlazione è uno strumento potente per riassumere grandi insiemi di dati, identificare modelli e fornire input ad analisi come analisi fattoriale esplorativa, confermata, modelli di equazioni strutturali o regressione lineare quando si gestiscono dati mancanti; serve anche come diagnostica per valutare affidabilità delle stime di altre analisi. In particolare, la matrice consente di valutare coerenza tra variabili indipendenti in modelli di regressione multipla e di controllare per multicollinearità.

Esempi pratici e lettura di una matrice di correlazione

All’interno di una tabella di esempio con quattro variabili quantitative, la variabile 3 può risultare correlata negativamente con la variabile 1 (r = -0,3) e con la variabile 2 (r = -0,1), mentre positivamente con la variabile 4 (r = +0,6). Altre correlazioni possono essere moderate o forti, come ad esempio tra la variabile 1 e la variabile 4 (r = +0,8). Su Excel è possibile costruire una matrice di correlazione a mano calcolando i singoli indici con la funzione di correlazione e riportandoli nella tabella. Software come R Commander, SPSS e altri offrono procedure guidate per generare intere matrici automaticamente dall’insieme di variabili numeriche.

Matrice di correlazione nell’analisi fattoriale e altri contesti

Nell’analisi fattoriale e nelle componenti principali, la matrice di correlazione serve a valutare il grado di correlazione tra variabili originarie e i nuovi fattori estratti dal modello. La lettura resta sostanzialmente la stessa: una tabella quadrata con i coefficienti di correlazione che indicano la relazione tra le coppie di variabili.

Come leggere una matrice di correlazione passo passo

Per analizzare la relazione tra due variabili, individua una variabile sulle righe e l’altra sulle colonne e incrocia la riga e la colonna per trovare l’indice di correlazione tra le due. Se vuoi verificare la relazione tra peso e pressione sistolica in un campione di pazienti, ad esempio, il valore di r ti dice se la relazione è positiva o negativa e quanto è forte.

Accesso e strumenti per calcolare Pearson

La suite QuestionPro offre strumenti utili di analisi dati, come tabulazioni incrociate, visualizzazione dei dati e test statistici, oltre al calcolo del coefficiente di correlazione. QuestionPro enfatizza l’uso di indici di correlazione per esplorare relazioni tra variabili in sondaggi e dataset. In alternativa a QuestionPro, si può usare Excel, R, SPSS o altri software statistici per generare una matrice di correlazione rapidamente.

Funzioni comuni e dettagli pratici

• Il coefficiente di Pearson è spesso indicato come r o r di Bravais-Pearson. • Se i dati hanno dati mancanti, si possono usare approcci come listwise deletion o pairwise deletion, tenendo conto delle assunzioni su missing at random. • L’indice di correlazione è sensibile agli outliers, per cui è consigliabile controllare la robustezza dei risultati calcolando la matrice con e senza outliers.

In sintesi, la matrice di correlazione è una tabella essenziale per sintetizzare relazioni lineari tra variabili, fornire insight per analisi successive e guidare decisioni basate su dati. È uno strumento flessibile che trova impiego in ambiti accademici, economici e di business intelligence.

tags: #matrice #delle #correlazioni #pearson #exce