A korreláció fogalma és alapvető értelmezése
A korreláció kifejezés a latin con- (együtt) és relatio (viszony, összefüggés) szavak egyesüléséből ered. A statisztika és az adatelemzés területén ez a fogalom két vagy több változó közötti kölcsönös kapcsolatot, illetve azok együttjárásának mértékét jelöli. Amikor két adatsor értékei szisztematikusan együtt változnak, korrelációról beszélhetünk.
Jól megfigyelhető összefüggés van például a kinti hőmérséklet és a fűtési energiafelhasználás, vagy éppen a tanulással töltött idő és a vizsgaeredmények között. A korreláció elemzése lehetővé teszi, hogy a látszólag kaotikus adathalmazokban rejlő mintázatokat és szabályszerűségeket számszerűsíteni lehessen, ezáltal érthetőbbé téve a környező folyamatokat.
A pozitív és a negatív korreláció közötti különbségek
A változók közötti kapcsolat iránya és jellege alapján több korrelációs típust lehet megkülönböztetni. Az összefüggések pontos osztályozása segít a helyes következtetések levonásában:
- Pozitív korreláció: Ebben az esetben a vizsgált változók azonos irányba mozognak. Ha az egyik tényező értéke növekszik, a másiké is emelkedik. Gyakorlati példa erre a hirdetési költségvetés és az értékesítési árbevétel kapcsolata: a marketingre fordított összeg növelése általában magasabb eladásokat eredményez.
- Negatív korreláció: A változók ellentétes irányba változnak. Az egyik érték növekedése a másik csökkenését vonja maga után. Gyakorlati példa erre a gépjárművek üzemanyagszintjének alakulása a megtett távolság függvényében: minél nagyobb távolságot tesz meg az autó, annál kevesebb üzemanyag marad a tankban.
- Nulla korreláció: Nem mutatható ki összefüggés a tényezők között; az egyik változása nincs hatással a másikra. Például a munkatársak cipőmérete és az általuk elvégzett feladatok pontossága között nincs kapcsolat.
Az összefüggések formája szerint megkülönbözthető lineáris kapcsolat, amely egy egyenessel írható le, valamint nem lineáris (görbevonalú) kapcsolat. A lineáris korreláció esetén az összefüggés egy egyenes vonallal ábrázolható, míg a nem lineáris kapcsolatok bonyolultabb, görbe alakú mintázatot mutatnak, amelyek elemzése speciálisabb statisztikai módszereket igényel.
Az összefüggés erősségét mutató korrelációs együttható
A kapcsolat irányán túl rendkívül fontos annak erősségét is pontosan meghatározni. Erre szolgál a Pearson-féle korrelációs együttható (jelölése: r), amely egy -1 és +1 közötti numerikus értékkel fejezi ki a lineáris összefüggés szorosságát.
Az együttható kerekített értékeinek értelmezése az alábbi felosztás alapján történik:
| Értéktartomány (kerekítve) | Kapcsolat erőssége és jellege |
|---|---|
| +1,00 | Tökéletes pozitív lineáris kapcsolat |
| +0,70 és +0,99 között | Erős pozitív összefüggés |
| +0,40 és +0,69 között | Közepes erősségű pozitív kapcsolat |
| +0,01 és +0,39 között | Gyenge pozitív kapcsolat |
| 0,00 | Nincs lineáris összefüggés |
| -0,01 és -0,39 között | Gyenge negatív kapcsolat |
| -0,40 és -0,69 között | Közepes erősségű negatív kapcsolat |
| -0,70 és -0,99 között | Erős negatív összefüggés |
| -1,00 | Tökéletes negatív lineáris kapcsolat |
A mutató kiszámításakor és elemzésekor szem előtt kell tartani, hogy a Pearson-féle együttható kizárólag a lineáris kapcsolatokat képes hűen jelezni. Amennyiben a változók között nem lineáris összefüggés áll fenn – például egy U-alakú görbe mentén –, a mutató értéke akár nullához közeli is lehet. Ezért a puszta számérték mellett az adatok vizuális ábrázolása, például a szórásdiagramok használata is elengedhetetlen a pontos elemzéshez.
Miért nem jelent a szoros együttmozgás valódi oksági kapcsolatot
Az adatelemzés egyik leggyakoribb és legnagyobb kockázatot hordozó hibája a korreláció és a kauzalitás, azaz az ok-okozati kapcsolat összekeverése. Attól, hogy két változó értékei szorosan együtt mozognak, még egyáltalán nem biztos, hogy az egyik változása közvetlenül előidézi a másik változását.
A jelenség megértésére klasszikus példaként szolgál a fagylalteladások és a napszemüveg-értékesítések közötti rendkívül szoros, pozitív korreláció. Nyilvánvaló, hogy a fagylaltfogyasztás növekedése nem kényszeríti az embereket napszemüveg vásárlására, és a napszemüveg viselése sem növeli a fagylalt utáni vágyat. A háttérben egy harmadik változó, a napsütéses órák száma és a meleg nyári időjárás áll, amely mindkét tényezőt egyszerre és egymástól függetlenül befolyásolja.
Ezt a jelenséget a statisztikában látszólagos korrelációnak (álkorrelációnak, angolul spurious correlation) nevezik, amikor két teljesen független adatsor között a puszta véletlen vagy egy külső tényező miatt alakul ki matematikai kapcsolat. Ha egy elemzés során figyelmen kívül hagyják ezeket a rejtett, zavaró tényezőket, az téves következtetésekhez és hibás üzleti döntésekhez vezethet. A valódi ok-okozati összefüggések bizonyításához a korrelációszámításon túl ellenőrzött kísérletekre és mélyebb statisztikai modellekre van szükség.
A korrelációszámítás megbízhatóságát befolyásoló tényezők
A korrelációszámítás eredményeinek megbízhatósága nagyban függ a vizsgált adathalmaz minőségétől és szerkezetétől. A matematikai modellek alkalmazásakor több módszertani feltételnek is teljesülnie kell a torzításmentes eredmények érdekében.
Elsősorban az adatok típusára kell figyelni: a hagyományos együtthatók kiszámításához folytonos adatokra van szükség. Emellett a mintaméret is kritikus tényező, mivel a túl kicsi minták hajlamosak a véletlenszerű ingadozásokra, ami fals összefüggéseket mutathat ki. Keresztmetszeti adatok (egy adott időpontban gyűjtött értékek) esetén fontos, hogy a vizsgált adatok azonos időszakból származzanak. Idősorok – azaz időben egymást követő adatsorok – elemzésekor ugyanakkor az időbeli eltolódások (úgynevezett lag-ek) vizsgálata, vagyis a keresztkorreláció elemzése kifejezetten hasznos módszer, amely segít feltárni a változók közötti késleltetett hatásokat és az ok-okozati irányokat.
A korreláció szerepe a modern informatikában és az üzleti életben
A modern informatikában és az üzleti döntéshozatalban a korrelációelemzés a mindennapi működés alapköve. Különösen igaz ez a hálózati infrastruktúrák és az IT-eszközök üzemeltetése során, ahol a hatalmas mennyiségű telemetriai adat feldolgozása elengedhetetlen a stabilitáshoz.
A hálózati diagnosztika területén a korreláció segítségével azonosíthatók a rejtett hibák. Például a hálózati adatforgalom hirtelen megugrása és a szerverek processzorterhelése közötti összefüggések elemzése segít a sávszélesség optimalizálásában és a hardveres szűk keresztmetszetek feltárásában. Hasonlóképpen, a felújított és új laptopok meghibásodási rátáinak és a környezeti hőmérsékletnek a korrelációja értékes információkat nyújt az eszközök optimális üzemeltetési feltételeiről.
A big data és a mesterséges intelligencia korában a gépi tanulási algoritmusok szintén a korrelációkra támaszkodnak. A modellek finomhangolása során a felesleges, egymással túl szorosan korreláló változók kiszűrése (a multikollinearitás elkerülése) gyorsabbá és pontosabbá teszi a prediktív rendszereket, legyen szó akár az IT-eszközök élettartamának előrejelzéséről, akár az üzleti folyamatok automatizálásáról.
