Что такое ковариация на простом языке?


92

Что такое ковариантность на простом языке и как она связана с терминами зависимости , корреляции и дисперсии-ковариантности относительно конструкций с повторными измерениями?


Ответы:


82

Ковариация - это мера того, как изменения одной переменной связаны с изменениями второй переменной. В частности, ковариация измеряет степень, в которой две переменные связаны линейно. Тем не менее, он также часто используется неформально как общая мера того, насколько монотонно связаны две переменные. Есть много полезных интуитивных объяснений ковариации здесь .

Относительно того, как ковариация связана с каждым из упомянутых вами терминов:

[1,1]±10

00

                введите описание изображения здесь

0

(3) / структура ковариации дисперсии (часто называют просто ковариационную структуру ) в повторных измерениях конструкций относится к структуре , используемой для моделирования того факта , что повторных измерения на лицах , потенциально коррелируют (и , следовательно , зависимы) - это делается путем моделирования записи в ковариационной матрице повторных измерений. Одним примером является сменная корреляционная структура с постоянной дисперсией, которая указывает, что каждое повторное измерение имеет одинаковую дисперсию, и все пары измерений одинаково коррелированы. Лучшим выбором может быть указание ковариационной структуры, которая требует двух измерений, выполненных дальше друг от друга, чтобы быть менее коррелированными (например,авторегрессионная модель ). Обратите внимание, что термин ковариационная структура возникает в более общем смысле во многих видах многомерного анализа, где наблюдения могут коррелироваться.


2
Ваше объяснение приятно. За ним следует ценное дополнение, которое вызвало интересную серию комментариев. Большое спасибо всем :)!
Стан

23

Ответ Макроса превосходен, но я хочу добавить больше к тому, как ковариация связана с корреляцией. Ковариация на самом деле не говорит вам о силе взаимосвязи между двумя переменными, а корреляция делает. Например:

x = [1, 2, 3]
y = [4, 6, 10]

cov(x,y) = 2 #I am using population covariance here

Теперь давайте изменим масштаб и умножим x и y на 10

x = [10, 20, 30]
y = [40, 60, 100]

cov(x, y) = 200

Изменение масштаба не должно увеличивать силу взаимосвязи, поэтому мы можем скорректировать, разделив ковариации на стандартные отклонения x и y, что в точности определяет коэффициент корреляции.

В обоих приведенных выше случаях коэффициент корреляции между x и y равен 0.98198.


6
«Ковариантность на самом деле не говорит вам о силе взаимосвязи между двумя переменными, в то время как корреляция делает». Это утверждение полностью ложно. Эти две меры идентичны по модулю масштабирования двумя стандартными отклонениями.
Дэвид Хеффернан

15
@DavidHeffernan, да, если масштабировать по стандартным отклонениям, то ковариация говорит нам о силе отношений. Однако сама по себе мера ковариации не говорит нам об этом.
Akavall

10
@DavidHeffernan, я думаю, что Акавалл говорит, что если вы не знаете масштаб переменных, то ковариация ничего не говорит вам о силе отношений - только знак может быть интерпретирован.
Макро

6
В какой практической ситуации вы можете получить ковариацию, не имея возможности получить хорошую оценку шкалы переменных?
Дэвид Хеффернан

7
Тем не менее, не всегда необходимо знать стандартное отклонение, чтобы понять масштаб переменной и, следовательно, силу отношений. Нестандартные эффекты часто носят информативный характер. Например, если прохождение учебного курса приводит к тому, что люди в среднем увеличивают свой доход на 10000 долларов в год, это, вероятно, является лучшим показателем силы эффекта, чем утверждение, что между курсом и доходом была корреляция ar = .34.
Джером Энглим
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.