قسمت 2: نحوه استفاده از همبستگی

این فیلم بخشی از همبستگی به معنای علیت نیست ، بنابراین سریال های ارائه شده توسط جیم کلتون ، مشاور آماری سرب در GraphPad.

رونوشت:

بنابراین چه همبستگی هایی برای آن مفید است؟

این فیلم بخشی از همبستگی به معنای علیت نیست ، بنابراین سریال های ارائه شده توسط جیم کلتون ، مشاور آماری سرب در GraphPad.

رونوشت:

بنابراین چه همبستگی هایی برای آن مفید است؟

و سپس من به چگونگی ایجاد علت و معلول می پردازم.

از آنجا که من فقط همبستگی های خوبی را از هم جدا کرده ام. و ممکن است برخی از موارد منفی را که هنوز به جلو می روند بگویم ، اما در بیشتر موارد می خواهم در مورد طرف خوب همبستگی صحبت کنم. آنها در ارائه فرضیه هایی برای آزمایش رسمی خوب هستند. به عبارت دیگر ، شما همبستگی را می بینید ، لزوماً علت و معلولی نیست ، اما ممکن است بیشتر آن را کشف کنید. این سیگنالی است که می گوید ، سلام به اینجا نگاه کنید.

در واقع ، در آخرین آخرین بار که می گویم شاید حدود 10 سال ، هرکسی که من می دانم من یک آماری هستم ، از این سوال پرسیده است که آیا فیلم Moneyball را تماشا کرده ام ، در واقع برای اولین بار دو سوم از آن را تماشا کردم. و من تمام راه را انجام ندادم. اما این نوع انگیزه من را برای مثال در رابطه با آن ایجاد کرد.

و بنابراین در اینجا آنچه که من دارم ، تمام آمار مهم لیگ لیگ در سال 2008 برای هر تیم است. کل خانه اجرا می شود و دو برابر می شود و با درصد پایه. و من این ماتریس همبستگی بزرگ را دریافت کرده ام و هیچ کس نمی تواند چیزی را واقعاً به صورت جداگانه بخواند. اما ، خوب ، آبی تیره یک همبستگی مثبت است ، یک مثبت مثبت. و قرمز تیره یک منفی قوی است. و یک کار شما می توانید با همبستگی ها انجام دهید ، و من فکر می کنم آنها این کار را در فیلم انجام دادند ، آنها فقط به چیزهای زیادی نگاه کردند و گفتند ، سلام ، من فکر می کنم در درصد پایه همان چیزی است که آنها روی آن تمرکز می کردند ، و در واقع بسیار تاریک استآبی

فکر نمی کنم لیزر خود را داشته باشم ، بگذارید ببینم. اوه آره ، مناینجا همین یکی است. متاسفم ، obpبنابراین این آبی بسیار تیره است.

این یک همبستگی بسیار قوی با درصد برنده است. این همان چیزی است که آنها به بیشترین اهمیت دارند ، W-L. بنابراین می توانید به همه این متغیرها ، همه این ترکیبات نگاه کنید و به همبستگی ها نگاه کنید و بگویید ، سلام ، بیایید تعدادی از این موارد را انتخاب کنیم و آنها را بیشتر مطالعه کنیم ، خوب.

ما نمی دانیم که در درصد پایه باعث پیروزی یا ضرر می شود ، اما سلام ، این یک سیگنال است. بیایید به آن سیگنال نگاه کنیم و بیشتر آن را مطالعه کنیم.

شما می خواهید مراقب باشیدمن حدود پنج سال پیش این مورد را در روزنامه USA Today دیدم ، در مورد تیم های NFL در آنجا بیانیه ای وجود داشت که تمایل بیشتری به دست می دهند ، که این درست است. تیم هایی که می گذرانند بیشتر از دست می روند ، اما این بدان معنی نیست که نباید از آن عبور کنید. بنابراین به این فکر کنید که چرا اینطور است و ما در پایان صحبت خواهیم کرد.

بنابراین استفاده دیگر از همبستگی برای پیش بینی ها است. فقط به این دلیل که علت و معلول نیست به این معنی نیست که نمی توانید با آن پیش بینی کنید. شما می توانید به طرز خارق العاده ای فقط در مورد همبستگی ها پیش بینی کنید. به عنوان مثال ، در اینجا مثالی وجود دارد ، در مورد بیان ANLN ، من بسیاری از موارد را در ادبیات مشاهده کرده ام که با انواع سرطانها در ارتباط است. هرچه ANLN بالاتر باشد ، سرطان بدتر می شود ، درست است. و در اینجا گرافیکی وجود دارد که فقط نشان می دهد که رنگ آبی مقادیر کمی از ANLN است ، و سبز مقادیر زیادی است ، و سپس بقا در Y. است بنابراین می توانید ببینید میزان بقا برای خط سبز بسیار ضعیف است و به سرعت کاهش می یابد. و این ، دوباره بیان بالا و آبی بیان کم است ، بنابراین میزان بقا به سرعت کاهش نمی یابد.

من اهمیتی نمی دهم که این علت و معلول باشد یا نه. این یک پیش بینی کننده عالی از میزان بقا است. بنابراین می توان از همبستگی ها برای پیش بینی استفاده کرد. بسیاری از مردم این مسئله را درک نمی کنند ، حتی اگر علت و معلولی نباشند.