Korelasi Positif BREAKING DOWN Positive Correlation Korelasi positif yang sempurna berarti bahwa 100 dari waktu, hubungan yang muncul di antara dua variabel positif. Korelasi positif dapat dilihat antara permintaan produk dan harga produk yang terkait. Dalam situasi di mana persediaan yang tersedia tetap sama, harga seringkali bisa meningkat jika permintaan meningkat. Selain itu, keuntungan atau kerugian di pasar tertentu dapat menyebabkan pergerakan serupa di pasar terkait. Seiring kenaikan harga BBM, harga tiket pesawat juga naik. Karena pesawat terbang membutuhkan bahan bakar untuk beroperasi, kenaikan biaya ini sering kali dilewatkan ke konsumen, yang menyebabkan korelasi positif antara harga bahan bakar dan harga tiket pesawat. Korelasi positif tidak menjamin pertumbuhan atau keuntungan. Sebagai gantinya, digunakan untuk menunjukkan dua atau lebih variabel yang bergerak ke arah yang sama, jadi ketika seseorang meningkat, begitu pula yang lainnya. Sementara korelasi ada, penyebabnya mungkin tidak bahwa sementara variabel tertentu dapat bergerak bersama, mungkin tidak diketahui mengapa gerakan ini terjadi. Korelasi adalah bentuk ketergantungan, di mana pergeseran dalam satu variabel berarti perubahan cenderung terjadi di sisi lain, atau bahwa variabel tertentu yang diketahui menghasilkan hasil yang spesifik. Contoh umum dapat dilihat dalam permintaan produk pelengkap. Jika permintaan kendaraan naik, maka akan permintaan layanan terkait kendaraan bermotor, seperti ban baru. Peningkatan satu area berpengaruh pada industri pelengkap. Korelasi Positif dalam Keuangan Contoh sederhana dari korelasi positif melibatkan penggunaan rekening tabungan berbunga dengan tingkat suku bunga yang ditetapkan. Semakin banyak uang yang ditambahkan ke rekening, baik melalui deposito baru atau bunga yang diterima, semakin banyak bunga yang bisa diakumulasikan. Demikian pula, kenaikan tingkat suku bunga akan berkorelasi dengan kenaikan bunga yang dihasilkan, sementara penurunan suku bunga menyebabkan penurunan bunga aktual yang masih harus dibayar. Psikologi dan Korelasi Positif Dalam situasi tertentu, respons psikologis positif dapat menyebabkan perubahan positif dalam suatu area. Hal ini dapat ditunjukkan di pasar keuangan jika ada berita positif umum tentang perusahaan yang mengarah ke penjualan saham yang lebih tinggi. Grafik pemanasan global bajak laut ini jelas dimasak oleh para ahli teori konspirasi - siapa pun dapat melihat bahwa mereka telah dengan sengaja merencanakan bahkan jarak untuk periode waktu yang tidak sama Hindari menunjukkan kenaikan suhu tajam saat ini karena bajak laut hampir seluruhnya hilang. Kita semua tahu bahwa seiring kenaikan suhu itu membuat rum menguap dan bajak laut tidak bisa bertahan dalam kondisi tersebut. -) ndash AdamV 22 Jul 10 at 16:08 WTF terserah dengan sumbu x pada grafik bajak laut ndash naught101 31 Mar 10:15 atau cukup banyak hal yang Anda masukkan ke dalam Google Correlate. Datang untuk itu Ndash conjugateprior 31 Mar 12 at 13:44 28 Jawaban Mungkin berguna untuk menjelaskan bahwa penyebabnya adalah hubungan asimetris (X menyebabkan Y berbeda dengan Y sebab X), sedangkan yang berkorelasi dengan adalah hubungan simetris. Misalnya, populasi tuna wisma dan tingkat kejahatan mungkin berkorelasi, karena keduanya cenderung tinggi atau rendah di lokasi yang sama. Sama halnya dengan mengatakan bahwa populasi tunawisma berkorelasi dengan tingkat kejahatan, atau tingkat kejahatan berkorelasi dengan populasi tunawisma. Mengatakan bahwa kejahatan menyebabkan tunawisma, atau populasi tunawisma menyebabkan kejahatan adalah pernyataan yang berbeda. Dan korelasi tidak menyiratkan bahwa itu benar. Misalnya, penyebab utamanya bisa jadi variabel ke-3 seperti penyalahgunaan obat terlarang, atau pengangguran. Matematika statistik tidak baik untuk mengidentifikasi penyebab yang mendasarinya, yang memerlukan beberapa bentuk penilaian lainnya. Hanya klarifikasi singkat: Korelasi tidak diperlukan untuk sebab-akibat (tergantung pada apa yang dimaksud dengan korelasi): jika korelasi adalah korelasi linier (yang cukup sedikit orang dengan sedikit statistik akan berasumsi secara default bila istilah itu digunakan) tetapi penyebabnya Adalah nonlinier. Misalnya, jika X in (-1,1) secara langsung menyebabkan Y (yang mengambil nilai dalam (0,1)), namun Y sqrt. Jika Xx terdistribusi secara simetris, X dan Y akan tidak berkorelasi meskipun sangat bergantung. Ndash Glenb 9830 Feb 3 14 at 22:06 Yang terakhir sedikit lebih rumit dari pada saat Anda mempresentasikannya, tapi saya setuju dengan banyak asosiasi pengamatan yang ditemukan di antara soda sodadiet dan obesitas harus dipandang dengan mata kritis. Secara teoritis beberapa orang berpendapat bahwa pengganti gula pasir palsu memiliki efek fisiologis lain di luar asupan kalori sederhana. Lihat misalnya percobaan ini pada tikus dan lemak sintetis (diambil dari blog Freakonomics). Ndash Andy W Nov 8 11 at 16:55 Meskipun lebih merupakan ilustrasi masalah beberapa perbandingan, ini juga merupakan contoh bagus dari sebab-akibat yang salah: setiap kali Wales memenangkan grand slam rugby, seorang Paus meninggal, kecuali tahun 1978 ketika Wales benar-benar hebat, dan dua paus meninggal. Ada dua aspek masalah post hoc ergo propter hoc yang ingin saya sampaikan: (i) reverse causality dan (ii) endogenitas Contoh kemungkinan hubungan balik terbalik: peminum minum dan penghasilan sosial mendapatkan lebih banyak uang sesuai dengan Bethany L. Peters amp Edward Stringham (2006. Tidak Ada Minuman Booze yang Mungkin Anda Lose: Mengapa Peminum Menghasilkan Uang Lebih dari Nondrinker, Jurnal Riset Ketenagakerjaan, Penerbit Transaksi, jilid 27 (3), halaman 411-421, Juni). Atau apakah orang-orang yang menghasilkan lebih banyak uang minum lebih banyak karena mereka memiliki pendapatan disposable yang lebih besar atau karena stres. Ini adalah makalah yang bagus untuk membahas segala macam alasan termasuk kesalahan pengukuran, bias respons, kausalitas, dll. Contoh kemungkinan endogenitas: Persamaan Mincer menjelaskan pendapatan log oleh pendidikan, pengalaman dan pengalaman kuadrat. Ada literatur panjang tentang topik ini. Ekonom tenaga kerja ingin memperkirakan hubungan kausal pendidikan terhadap pendapatan tapi mungkin pendidikan bersifat endogen karena kemampuan dapat meningkatkan jumlah pendidikan yang dimiliki seseorang (dengan menurunkan biaya mendapatkannya) dan dapat menyebabkan peningkatan pendapatan, terlepas dari tingkat Pendidikan. Solusi potensial untuk ini bisa menjadi variabel instrumental. Buku Angrist dan Pischkes, Econometrics yang sangat tidak berbahaya mencakup hal ini dan menghubungkan topik dengan sangat rinci dan gamblang. Contoh konyol lainnya yang tidak saya dukung meliputi: - Jumlah televisi per kapita dan angka kematian. Jadi, mari mengirim TV ke negara-negara berkembang. Jelas keduanya bersifat endogen terhadap sesuatu seperti GDP. - Jumlah serangan ikan hiu dan penjualan es krim. Keduanya endogen dengan suhu mungkin saya juga ingin menceritakan lelucon mengerikan tentang orang gila dan laba-laba. Seorang gila mengembara di koridor rumah sakit jiwa dengan seekor laba-laba yang membawa telapak tangannya. Dia melihat dokter itu dan berkata, Look Doc, saya bisa berbicara dengan laba-laba. Menonton ini. Laba-laba, ke kiri Laba-laba itu bergerak ke kiri. Dia melanjutkan, Spider, ke kanan. Laba-laba itu berkelok-kelok di sebelah kanan telapak tangannya. Dokter menjawab, Menarik, mungkin kita harus membicarakan hal ini di sesi grup berikutnya. Orang gila itu menjawab, tidak ada Doktor. Menonton ini. Dia menarik masing-masing laba-laba kaki satu demi satu dan kemudian berteriak, Laba-laba, pergi ke kiri Laba-laba itu terletak tak bergerak di telapak tangannya dan orang gila itu berpaling ke dokter dan menyimpulkan, Jika Anda melepaskan kaki laba-laba, tuli. Yang terbaik yang pernah saya ajarkan adalah jumlah tenggelam dan penjualan es krim mungkin sangat berkorelasi namun tidak menyiratkan satu penyebab yang lain. Penebangan dan penjualan es krim jelas lebih tinggi di bulan-bulan musim panas saat cuacanya bagus. Variabel ketiga alias cuaca baik menyebabkan mereka. Selamat datang di situs kami, TJM ndash whuber 9830 16 Des 12 at 22:03 Saya bekerja dengan siswa dalam mengajarkan korelasi vs sebab akibat dalam kelas Aljabar Satu saya. Kami memeriksa banyak contoh yang mungkin. Saya menemukan artikel Bundled-Up Babies and Dangerous Ice Cream: Keriput Korelasi dari Guru Matematika Februari 2013 berguna. Saya menyukai gagasan untuk membicarakan variabel yang mengintai. Juga kartun ini adalah starter percakapan lucu: Kami mengidentifikasi variabel independen dan dependen dalam kartun tersebut dan membicarakan tentang apakah ini adalah contoh penyebab, jika bukan mengapa tidak. Korelasi itu sendiri tidak akan pernah bisa membuat hubungan kausal. David Hume (1771-1776) mengemukakan dengan cukup efektif bahwa kita tidak dapat memperoleh pengetahuan tertentu tentang cauasality dengan cara-cara empiris semata. Kant mencoba untuk mengatasi hal ini, halaman Wikipedia untuk Kant tampaknya merangkumnya dengan cukup baik: Kant percaya dirinya menciptakan kompromi antara empiris dan rasionalis. Para empiris percaya bahwa pengetahuan diperoleh melalui pengalaman sendiri, namun para rasionalis berpendapat bahwa pengetahuan semacam itu terbuka bagi keraguan Cartesian dan alasan itu saja memberi kita pengetahuan. Kant berpendapat, bagaimanapun, bahwa menggunakan akal tanpa menerapkannya pada pengalaman hanya akan mengarah pada ilusi, sementara pengalaman akan menjadi subjektif semata tanpa terlebih dahulu dimasukkan dalam akal murni. Dengan kata lain, Hume mengatakan bahwa kita tidak akan pernah tahu adanya hubungan kausal hanya dengan mengamati korelasi, namun Kant menyarankan agar kita dapat menggunakan alasan kita untuk membedakan antara korelasi yang menyiratkan hubungan kausal dari orang-orang yang tidak. Saya tidak berpikir Hume akan tidak setuju, selama Kant menulis dalam hal masuk akal daripada pengetahuan tertentu. Singkatnya, korelasi memberikan bukti tidak langsung yang menyiratkan adanya hubungan sebab-akibat, namun bobot bukti sangat bergantung pada keadaan tertentu yang terlibat, dan kita tidak akan pernah benar-benar yakin. Kemampuan untuk memprediksi efek intervensi adalah salah satu cara untuk mendapatkan kepercayaan diri (kita tidak bisa membuktikan apapun, tapi kita dapat membantah dengan bukti pengamatan, jadi setidaknya kita setidaknya telah memalsukan teori hubungan kausal). Memiliki model sederhana yang menjelaskan mengapa kita harus mengamati korelasi yang juga menjelaskan bentuk bukti lainnya adalah cara lain untuk menerapkan penalaran kita seperti yang disarankan Kant. Caveat emptor: Sangat mungkin saya salah memahami filosofi, namun tetap saja korelasi tidak bisa memberikan bukti adanya hubungan sebab-akibat. Untuk apa itu layak, dalam terminologi saat ini saya pikir orang harus membaca Kant sebagai penegasan, mis. Dalam Analogi Kedua, bahwa apa pun korelasi yang Anda amati, ada beberapa grafik kausal yang menghasilkannya. Sejauh yang saya tahu, dia tidak memiliki metode tertentu untuk mengidentifikasi struktur, namun menganggap bahwa itu harus sepenuhnya terhubung (karena setiap kejadian memiliki penyebab39). Dalam hal ini dia kontemporer: kesimpulan kausal memerlukan campuran asumsi kausal, mis. Diungkapkan melalui grafik, dan mengamati keteraturan dalam data. Dan Anda biasanya tidak dapat menghindari bagian pertama atau menginduksi dari data ndash conjugateprior 16 Des 12 at 23:33 1 juga menjelaskan Mungkin saya terlalu Bayesian, tapi saya tidak terlalu terganggu dengan gagasan bahwa kita tidak dapat memiliki pengetahuan tertentu tentang apapun hubungan sebab-akibat. Ndash Dikran Marsupial 17 Des 12, 12:55 Saya baru saja menghadiri konferensi dan salah satu pembicara memberikan contoh yang sangat menarik ini (walaupun intinya adalah untuk menggambarkan sesuatu yang lain): Orang Amerika dan Inggris banyak makan makanan berlemak. Ada tingkat tinggi penyakit kardiovaskular di AS dan Inggris. Orang Prancis banyak makan makanan berlemak, tapi mereka memiliki tingkat penyakit kardiovaskular rendah (er). Orang Amerika dan Inggris banyak minum alkohol. Ada tingkat tinggi penyakit kardiovaskular di AS dan Inggris. Orang Italia minum banyak alkohol tapi, sekali lagi, mereka memiliki tingkat penyakit kardiovaskular rendah (er). Kesimpulan Makan dan minum apa yang Anda inginkan. Dan Anda memiliki kesempatan lebih tinggi terkena serangan jantung jika Anda berbicara bahasa Inggris OK, sekarang saya lihat. Grafik tersebut menunjukkan prediksi model regresi berganda, yang menunjukkan bahwa termasuk tiga variabel konyol, pekerjaan yang cukup bagus membuat model memprediksi perubahan SP500 dari waktu ke waktu. Ini adalah contoh bagus overfitting dalam regresi berganda, dan secara tidak langsung menunjukkan bahwa korelasi (atau peningkatan kebaikan dari model mewah) tidak menyiratkan sebab-akibat. Ndash Harvey Motulsky Dec 16 12 at 0:12 Seseorang berkata, korelasi mungkin tidak berarti sebab akibat tapi pasti bisa menjadi petunjuk yang bagus :) Ok menyisihkan bagian yang menyenangkan, apa sebenarnya penyebabnya Apakah kita benar-benar yakin bahwa bajak laut tidak menyebabkan pemanasan global? Kontra-intuitif, tapi apa yang dianggap sebagai penyebab dan apa efeknya (dalam studi korelasi tidak begitu jelas). Tentu saja banyak kali keduanya bisa menjadi efek dari penyebab umum (dan karenanya berkorelasi) Semuanya bermuara pada metode untuk menentukan sebab-akibat. Inilah penyebabnya (pun intended) dari pepatah: Ada kebohongan kecil. Ada kebohongan besar Dan ada statistiknya.
No comments:
Post a Comment