Корреляцией между двумя величинами называется статистическая взаимосвязь, при которой изменение одной из величин приводит к систематическому изменению другой. Количественной мерой корреляции является линейный коэффициент корреляции (называемый также коэффициентом корреляции Пирсона) , вычисляемый по формуле:

• r xy – коэффициент корреляции значений величин x и y;
• d x – отклонение некоторого значения ряда x от среднего значения этого ряда;
• d y – отклонение некоторого значения ряда y от среднего значения этого ряда.

Диапазон возможных значений коэффициента корреляции находится между +1 и -1. При этом возможны следующие варианты:

• +1 – прямая зависимость между величинами;
• |r xy| > 0.7 – ярко выраженная зависимость между величинами;
• 0.4 < |r xy| > 0.7 – средне выраженная зависимость между величинами;
• |r xy| < 0.4 – слабо выраженная зависимость между величинами;
• -1 – обратная зависимость между величинами.

Важно заметить, что чем больше выборка значений, тем при меньшей величине модуля коэффициента корреляции можно говорить о наличии зависимости между x и y. К сожалению, в формуле заложена ловушка, которая применительно к финансовым инструментам может сыграть с инвестором злую шутку. В числителе отклонения величин могут иметь как одинаковые, так и разные знаки, поэтому произведение может также быть как положительным, так и отрицательным. В знаменателе же отклонения возведены в квадрат, что гарантирует положительность знаменателя. Пока что мы просто обратим на это внимание, а позже вернёмся к тому, что из этого может получиться.

Практический смысл вычисления корреляции между финансовыми инструментами заключается в получении важных фундаментальных данных, необходимых для принятия торговых решений. Реакция рынков на выход важных экономических новостей выражается в том, что вначале в движение приходят цены основных активов (золото, нефть, фьючерсы на промышленные индексы), иногда доходность . Как следствие, изменяются валютные курсы и котировки акций. Отслеживая взаимосвязь отдельных инструментов, а также причинно-следственные отношения между изменениями цен, можно оперативно пересматривать торговые и инвестиционные планы. Кроме того, анализ корреляций используется в управлении как обязательная часть .

Можно наглядно представить корреляцию двух величин в виде графика в координатах время-амплитуда. Например, при отрицательной корреляции получим подобную картину:

Знание корреляции активов снижает риски портфеля

Пусть, например, есть 2 актива. Для простоты представим, что их цены зависят от времени по закону синусоиды. Тогда при корреляции +1 получим полное наложение волн и открытие сделок по обоим активам будет равносильно удвоению позиций по одному из них. Корреляция -1, наоборот, означает взаимную компенсацию прибылей и убытков активов. Разумеется, удачно подобранные активы в целом не ходят вокруг одного и того же уровня, а имеют тенденцию к росту с течением времени. Кроме того, при одних активов, рост по другим позволяет минимизировать суммарный риск портфеля:

Процесс, называемый ребалансировкой портфеля, позволяет получать доход, попеременно меняя долю активов в портфеле. Наиболее просто это достигается при ярко выраженной отрицательной корреляции. Предположим, что изначально в портфеле были активы А и В с обратной корреляцией и соотношением 1:1, на общую сумму 1 млн рублей. В течение полугода актив А упал в цене на 20% и его стоимость из первоначальных 500 тыс. рублей стала 400 тыс. рублей. Актив В, наоборот, вырос на 20% и его стоимость поднялась до 600 тыс. рублей. Общая стоимость портфеля не изменилась и по-прежнему составляет 1 млн рублей. Теперь 50% актива В (300 тыс.) перекладываем в А и его стоимость теперь составляет 700 тыс., а актива В – 300 тыс.

В следующие полгода происходит противоположный процесс: активы возвращаются к своей изначальной цене. Теперь актив А вместо 700 тыс. стоит 840 тыс., а актив В вместо 300 тыс. - 240 тыс. Общая стоимость портфеля, таким образом, составила 1 млн 80 тыс. руб., т.е. его доходность за счёт ребалансировки – 8% годовых. Без ребалансировки доходность портфеля составила бы 0%. Реальные ситуации намного сложнее, т.к. корреляции большинства инструментов находятся в пределах между +0.5 и -0.5. Если рассмотреть график риск-доходность для разных соотношений двух инструментов при различных значениях корреляции, то получим следующую картину:

Как видно, чем ниже значение коэффициента корреляции инструментов, тем больше возможная доходность портфеля при одном и том же значении риска, либо тем меньше риск при одном и том же значении доходности.

Корреляция на форексе

Распространённая стратегия, основанная на корреляции валютных пар, заключается в том, что в случае резкого отклонения коэффициента корреляции от текущего значения, сделки открываются в направлении восстановления этого значения. Например, если пары EURUSD и GBPUSD длительное время двигались в одном направлении, то при их сильном расхождении можно ожидать сближения, если расхождение не вызвано долговременными (например, изменение учётной ставки).

Кроме того, корреляция валютных пар используется при комплексной оценке рынка. Например, накануне ипотечного кризиса 2008—2009 годов, когда австралийский и новозеландский доллары, а также английский фунт имели высокую ключевую ставку, большое развитие получила стратегия торговли под названием carry trade. Она заключалась в том, что при благоприятных для фондовых рынков событиях особенно активно росли пары этих валют с иеной, традиционно отличающейся очень низкой ставкой, они же и активно снижались при неблагоприятных событиях.

При том, что никакая корреляция не может затрагивать абсолютно все временные интервалы и возможны разнонаправленные движения валют, но ярко выраженное однонаправленное движение, как правило, говорит о наличии общего фундаментального «драйвера». Это облегчает планирование сделок. В частности, нет смысла искать откаты и внутри дня работать , если все чётко коррелирующие пары идут в одном направлении.

Посмотреть таблицу корреляции валютных пар и некоторых других инструментов в реальном времени можно на myfxbook.com/forex-market/correlation. Из этой таблицы видно, что практически не коррелируют между собой пары EURUSD и AUDCAD. В случае одновременного открытия сделок по этим парам можно не опасаться ни суммирования убытков, ни перекрывания прибыли по одной паре убытком по другой.

На этом графике показано, как австралийский и новозеландский доллары, обратно коррелирующие с «валютами-убежищами» иеной и швейцарским франком, активно росли в период наибольшего дифференциала ключевых ставок. Эта тенденция сменилась на противоположную после того, как с углублением ипотечного кризиса начался период срезания ставок.

Не бывает следствий без причины

Корреляция цен активов в чём-то подобна трендам: чем больше временной интервал для её расчёта, тем медленнее она изменяется. Но есть и то, что выгодно отличает корреляцию от многих других методов. Её можно рассчитать для таких пар активов, которые не торгуются ни на одной бирже (нефть-газ, нефть-золото), что позволяет дополнить арсенал аналитика ценной информацией, позволяющей «читать рынок между графиками».

Любая корреляция двух и более величин всегда имеет причинно-следственную связь. Одна из величин является определяющей, от которой зависит другая (или другие). Корреляция на фондовом рынке – не исключение. Например, в паре нефть-газ длительное время определяющими были котировки нефти. На графике ниже можно заметить, что расширение спреда между нефтью и газом за счёт резкого относительного роста газа сменялось столь же резким возвратом к относительному равновесию:

В то же самое время, в другой паре активов, золото-нефть, определяющим является уже золото. При значительном расширении (резкий рост или падение нефти при более стабильном золоте) именно нефть восстанавливает нарушенное равновесие:

Отслеживая подобное поведение «ведомых» активов, можно открывать сделки в сторону восстановления баланса. Кстати, корреляция на часто имеет в основе привязку некоторых валют к сырьевым активам. Их так и называют: «сырьевые валюты». Например, сильно зависят от нефти канадский доллар и рубль. В обоих случаях, корреляция прямая: чем дороже нефть, тем выше курс этих валют по отношению к доллару США.

В случае рубля корреляция графиков настолько чёткая, что может быть использована в торговой стратегии. Рассмотрим начало 2014 года. Нефть торгуется около 110$ за баррель, после чего на некоторое время поднимается чуть выше. Рубль же в это время, напротив, с 33 за доллар США кратковременно снижается до 36. На какой-то момент корреляция становится практически обратной, но равновесие быстро восстанавливается и рубль возвращается к курсу 33 за доллар, послушно следуя за нефтью. Ещё более яркий пример мы видим в конце 2014 года, когда произошло резкое ослабление рубля на фоне гораздо более плавно снижающейся нефти. И в этот раз нарушенное равновесие вскоре восстановилось благодаря укреплению рубля. С течением времени корреляция может претерпевать сильные изменения и даже из прямой переходить в обратную. Особенно ярко это проявилось в случае корреляции индексов Dow Jones Industrial Average и РТС.

В конце 2007 года, когда начали проявляться первые признаки ипотечного кризиса в США, индекс DJ развернулся вниз, но индекс РТС, благодаря активному росту нефтяных котировок, ещё только подбирался к историческому максимуму. Однако, в дальнейшем резкий обвал всех фондовых индексов мира сказался и на нефти. Это привело к тому, что индекс РТС по темпам падения практически в 2 раза превысил DJ. Кроме нефти, на темпах падения индекса РТС сказался и общий отток капиталов из развивающихся рынков.

Однако, кризис был недолгим и уже в начале 2009 года сменился экономическим ростом. Высокая корреляция между DJ и РТС наблюдалась вплоть до апреля 2012 года, который ознаменовался исчерпанием возможностей сырьевой модели развития российской экономики. Начиная с этого года, даже дорогая нефть уже не обеспечивала экономический рост. В дальнейшем в России экономический спад лишь усугубился на фоне дешевеющей нефти, тогда как американская экономика получила дополнительный стимул для роста. Корреляция между и стала обратной.

Само по себе наличие корреляции между активами ещё не означает, что на этом можно строить стратегию торговли или инвестирования. Предположим, нас интересует корреляция акций компании IBM за последние 12 месяцев (см. impactopia.com/correlation). Итак, на 4 месте по величине корреляции находится Banco Santander (около 0,43). Скорее всего, это просто случайное совпадение или системный недостаток самого метода расчёта корреляций.

Математическая ловушка

Как я уже упоминал выше, формула расчёта коэффициента корреляции очень чувствительна к знакам отклонений значений величин от их средних значений. Если эти отклонения чаще имеют одинаковые знаки, получается высокое значение коэффициента корреляции. Но будет ли это значение иметь смысл? Ответ вовсе не очевиден. Рассмотрим практический пример. Предположим, на графиках двух величин одновременно имеется :

Тогда новые значения этих величин будут систематически оказываться по одну сторону от их средних значений. Это приведёт к высокой положительной корреляции. К сожалению, никакой пользы от этой информации не будет, т.к. кроме наличия гэпа, ничего общего между графиками нет. Это лишь наглядный пример того, что при расчёте корреляции допускается использовать исключительно стационарные ряды значений, т.е. ряды, в которых нет трендовой составляющей. Это означает, что расчёт корреляций в мире финансовых активов неизбежно приводит к переоценке значимости факторов, в действительности имеющих случайный характер. Поймите правильно: важно не выискивать эти факторы и вводить на них специальные поправки, а показать саму суть явления и не искать очередной Грааль там, где его нет.

Впрочем, не всё так плохо. Есть способ обойти влияние трендов путём расчёта корреляции не самих цен, а их приращений. Тогда упомянутый выше ГЭП окажется статистическим выбросом, практически не влияющим на результат. Осталось лишь дождаться, когда такой подход возобладает. Не всегда можно найти свежие данные по корреляции активов. В таких случаях их можно рассчитать при помощи Microsoft Excel. Для этого котировки записываются в виде двух диапазонов ячеек, а затем в одной из свободных ячеек записывается функция следующего вида: =КОРРЕЛ (массив 1; массив 2). Массив может выглядеть, например, так: A1:A100. Для расчёта корреляции по приращениям цен, эта программа полезна вдвойне, ведь на основе цен закрытия нужно вначале рассчитать сами приращения.

Резюме

Корреляция между ценами активов — важный инструмент как анализа данных, так и управления рисками при портфельных инвестициях. Но, как и все статистические подходы, он не лишён серьёзных недостатков:

• наличие выраженной корреляции между данными в прошлом не может гарантировать её в будущем;
• используемая математическая модель имеет большие погрешности в периоды тренда.

Применение корреляционного подхода принесёт максимальную пользу в дополнение к другими методами анализа и управления капиталом. В комментариях предлагаю обсудить, как можно зарабатывать на корреляции конкретных активов. Свои примеры я привел в статье, жду ваших для обсуждения.

Всем профита!

Что такое Корреляция? Значение слова «Корреляция» в популярных словарях и энциклопедиях, примеры употребления термина в повседневной жизни.

Корреляция (correlation) – Медицинский словарь

(в статистике) степень, с которой какая-либо одна характеристика воздействует на другую, причем эти характеристики являются взаимосвязанными и образуют пару. Такие парные характеристики могут быть представлены на графике в виде ряда точек. Если все точки на полученной рассеянной диаграмме (scatter diagram) укладываются на прямую линию (не являющуюся ни горизонтальной, ни вертикальной), то коэффициент корреляции (correlation coefficient) может меняться от +1 (если увеличение одной переменной сопровождается соответствующим увеличением другой) до -1 (если увеличение одной переменной сопровождается постоянным уменьшением другой); коэффициент корреляции, равный 0, свидетельствует о том, что между рассматриваемыми двумя характеристиками не существует никакой зависимости и они укладываются на одной прямой линии. Коэффициент регрессии (regression coefficient) является средним показателем того, с какой степенью увеличение одной характеристики влияет на увеличение/уменьшение другой. Если необходимо оценить вклад нескольких факторов в развитие того или иного заболевания, то относительный вклад каждого из них может быть вычислен с помощью методов статистики, напри мер, многовариантного анализа (multivariate analysis).

Корреляция (correlation) – Психологический словарь

Корреляция (correlation) – Социологический словарь

Устойчивое отношение между двумя измеряемыми величинами или переменными, выражаемое в статистической форме. Корреляции могут быть как положительными, так и отрицательными.

Корреляция (correlation) – Психологическая энциклопедия

Степень, в которой две или больше переменных связаны одна с другой.

Корреляция (correlation) – Экономический словарь

Размер или степень статистической зависимости между двумя или более переменными.

Корреляция (в Экономической Статистике) – Экономический словарь

понятие, отражающее наличие связи между явлениями, процессами и характеризующими их величинами.

Корреляция Бисериальная – Социологический словарь

Корреляция между дихотомической и количественной переменными, предполагающая, что дихотомическая переменная образовалась в результате группирования количественной переменной в два интервала. Показывает, какой была бы корреляция линейная между данными переменными, если бы дихотомическая переменная была количественной. Измеряется с помощью коэффициента К.Б. rbis, который вычисляется по формуле коэффициента линейной корреляции Пирсона. О.В. Терещенко

Корреляция Бисериальная – Психологическая энциклопедия

Корреляция Ж. – Толковый словарь Ефремовой

1. Взаимная связь, соотношение предметов, явлений или понятий.

Корреляция И Регрессия – Психологический словарь

(correlation and regression) Рассмотрение К. и Р. строится вокруг следующих осн. вопросов: а) существует ли между переменными X и Y такого рода связь, что по известным нам значениям X мы могли бы, по крайней мере с разумной степенью точности, предсказать значения Y? б) Какова сила (или теснота) этой связи между переменными X и Y? в) При условии существования такой связи между X и Y, каково оптимальное правило (или, выражаясь математически, уравнение) для предсказания Y по X и насколько хорошо оно обосновано? Когда мы занимаемся оценкой тесноты или степени связи (строго говоря, степени линейной связи), мы имеем дело с К. Термин "Р." относится к вопросам, связанным с предсказанием значений одной переменной по значениям др. Коэффициент корреляции Коэффициент К. произведения моментов Пирсона (r), - чаще называемый просто коэффициентом К., - яв-ся показателем силы линейной связи между двумя переменными и изменяется в пределах от +1 до -1. Нулевое значение коэффициента К. Пирсона указывает на отсутствие линейной связи между X и Y; положительные значения этого коэффициента свидетельствуют о существовании тенденции увеличения Y по мере увеличения X, тогда как его отрицательные значения свидетельствуют о существовании противоположной тенденции: уменьшения Y по мере увеличения X. Прямолинейная К. между X и Y имела бы место в том случае, если бы значения Y можно было безошибочно предсказать по значениям X, используя уравнение прогноза вида Y = аХ + b, где а и b - соответствующим образом подобранные константы. При а > 0 наблюдалась бы полная положительная К. (+1), а при а корреляция (-1). Уравнение вида Y = аХ + b называется линейным уравнением, поскольку при построении графика функции Y от X все точки (X, Y), удовлетворяющие данному уравнению, ложатся на прямую линию. Коэффициент К. Пирсона - это показатель степени линейной связи, а не связи вообще. Напр., он может указывать на полное отсутствие К. (r = 0) между двумя переменными, связанными функциональной нелинейной зависимостью. Из-за этих ограничений коэффициент К. Пирсона имеет тенденцию недооценивать степень связи между переменными. Несмотря на то что существует неск. различных, хотя и эквивалентных формул для вычисления коэффициента К. Пирсона, наиболее известной расчетной формулой яв-ся следующая: , где N - число парных оценок по X и Y. При интерпретации коэффициента К. следует проявлять осторожность. Одного только факта К. между переменными X и Y еще недостаточно для автоматического вывода о существовании между ними причинной связи. X может коррелировать с Y, потому что: а) изменения X вызывают изменения Y; б) изменения Y вызывают изменения Х; в) изменения др. переменных служат причиной изменений как X, так и Y. Напр., у уч-ся начальной школы объем словарного запаса положительно коррелирует с их ростом, потому что обе эти переменные связаны с возрастом. К тому же коэффициент К. Пирсона может снижаться вследствие "ограничения широты выборки". Сопоставление корреляционных и экспериментальных исследований Эксперим. исслед. предполагает манипулирование одной или несколькими независимыми переменными и часто имеет рез-том формулирование причинно-следственных утверждений в отношении воздействия независимых переменных на зависимую переменную. Корректность таких утверждений, как правило, обеспечивается соблюдением трех следующих условий: а) на начальном этапе исслед. эксперим. группы не должны систематически различаться по всем контролируемым переменным; б) эти группы подвергаются одинаковому воздействию всех контролируемых факторов, за исключением воздействия независимой переменной; в) после эксперим. воздействия, вызванного манипулированием независимой переменной, группы надежно различаются между собой по уровню зависимой переменной. Корреляционное исслед. не предполагает манипулирования независимыми переменными и в своей простейшей форме сводится к измерению ряда переменных и определению силы связей между ними. Хотя такие исслед. обеспечивают нас информ. о степени связи и даже позволяют предсказывать значения одних переменных по данным, к-рыми мы располагаем в отношении др. переменных, они, как правило, не позволяют делать выводы о причинно-следственных связях между переменными. Однако в наше время исследователям доступны методы статистического анализа, дающие возможность проверить, насколько конкретная корреляционная плеяда согласуется с определенной моделью причинно-следственных отношений. Частный коэффициент К. rXY.W является показателем силы линейной связи между переменными X и Y при исключенном влиянии переменной W. Он также позволяет "очистить" парную К. от примешивающегося влияния более чем одной переменной. Множественная корреляция Предположим, что мы хотим добиться наилучшего предсказания переменной Y (критериальной, или зависимой, переменной) на основе ряда др. переменных X1, Х2, Х3, ..., Хp (прогнозирующих, или независимых, переменных). Напр., нам захотелось предсказать степень успешности обучения в аспирантуре на основе студенческих отметок и количественных оценок письменных экзаменов для аспирантов (GRE). Пользуясь методами построения множественной регрессии, мы можем получить выражение вида: b0 + b1Х1 + ... + bpXp, где b0, b1, ... bp - соответствующим образом подобранные константы, которое оптимально предсказывает Y. Коэффициент множественной К., r, представляет собой коэффициент К. произведения моментов Пирсона между наилучшим предсказанием и фактическими значениями предсказываемой переменной, и, как таковой, служит мерой правильности предсказания на основе множественной регрессии. См. также Корреляционные методы, Статистика в психологии А. Д. Велл

Корреляция И Регрессия – Психологическая энциклопедия

(correlation and regression) Рассмотрение К. и Р. строится вокруг следующих осн. вопросов: а) существует ли между переменными X и Y такого рода связь , что по известным нам значениям X мы могли бы, по крайней мере с разумной степенью точности, предсказать значения Y? б) Какова сила (или теснота) этой связи между переменными X и Y? в) При условии существования такой связи между X и Y, каково оптимальное правило (или, выражаясь математически, уравнение) для предсказания Y по X и насколько хорошо оно обосновано? Когда мы занимаемся оценкой тесноты или степени связи (строго говоря, степени линейной связи), мы имеем дело с К. Термин "Р." относится к вопросам, связанным с предсказанием значений одной переменной по значениям др. Коэффициент корреляции Коэффициент К. произведения моментов Пирсона (r), - чаще называемый просто коэффициентом К., - яв-ся показателем силы линейной связи между двумя переменными и изменяется в пределах от +1 до -1. Нулевое значение коэффициента К. Пирсона указывает на отсутствие линейной связи между X и Y; положительные значения этого коэффициента свидетельствуют о существовании тенденции увеличения Y по мере увеличения X, тогда как его отрицательные значения свидетельствуют о существовании противоположной тенденции: уменьшения Y по мере увеличения X. Прямолинейная К. между X и Y имела бы место в том случае, если бы значения Y можно было безошибочно предсказать по значениям X, используя уравнение прогноза вида Y = аХ + b, где а и b - соответствующим образом подобранные константы. При а > 0 наблюдалась бы полная положительная К. (+1), а при а корреляция (-1). Уравнение вида Y = аХ + b называется линейным уравнением, поскольку при построении графика функции Y от X все точки (X, Y), удовлетворяющие данному уравнению, ложатся на прямую линию. Коэффициент К. Пирсона - это показатель степени линейной связи, а не связи вообще. Напр., он может указывать на полное отсутствие К. (r = 0) между двумя переменными, связанными функциональной нелинейной зависимостью . Из-за этих ограничений коэффициент К. Пирсона имеет тенденцию недооценивать степень связи между переменными. Несмотря на то что существует неск. различных, хотя и эквивалентных формул для вычисления коэффициента К. Пирсона, наиболее известной расчетной формулой яв-ся следующая: , где N - число парных оценок по X и Y. При интерпретации коэффициента К. следует проявлять осторожность. Одного только факта К. между переменными X и Y еще недостаточно для автоматического вывода о существовании между ними причинной связи. X может коррелировать с Y, потому что: а) изменения X вызывают изменения Y; б) изменения Y вызывают изменения Х; в) изменения др. переменных служат причиной изменений как X, так и Y. Напр., у уч-ся начальной школы объем словарного запаса положительно коррелирует с их ростом, потому что обе эти переменные связаны с возрастом. К тому же коэффициент К. Пирсона может снижаться вследствие "ограничения широты выборки". Сопоставление корреляционных и экспериментальных исследований Эксперим. исслед. предполагает манипулирование одной или несколькими независимыми переменными и часто имеет рез-том формулирование причинно-следственных утверждений в отношении воздействия независимых переменных на зависимую переменную. Корректность таких утверждений, как правило, обеспечивается соблюдением трех следующих условий: а) на начальном этапе исслед. эксперим. группы не должны систематически различаться по всем контролируемым переменным; б) эти группы подвергаются одинаковому воздействию всех контролируемых факторов, за исключением воздействия независимой переменной; в) после эксперим. воздействия, вызванного манипулированием независимой переменной, группы надежно различаются между собой по уровню зависимой переменной. Корреляционное исслед. не предполагает манипулирования независимыми переменными и в своей простейшей форме сводится к измерению ряда переменных и определению силы связей между ними. Хотя такие исслед. обеспечивают нас информ. о степени связи и даже позволяют предсказывать значения одних переменных по данным, к-рыми мы располагаем в отношении др. переменных, они, как правило, не позволяют делать выводы о причинно-следственных связях между переменными. Однако в наше время исследователям доступны методы статистического анализа , дающие возможность проверить, насколько конкретная корреляционная плеяда согласуется с определенной моделью причинно-следственных отношений. Частный коэффициент К. rXY.W является показателем силы линейной связи между переменными X и Y при исключенном влиянии переменной W. Он также позволяет "очистить" парную К. от примешивающегося влияния более чем одной переменной. Множественная корреляция Предположим, что мы хотим добиться наилучшего предсказания переменной Y (критериальной, или зависимой, переменной) на основе ряда др. переменных X1, Х2, Х3, ..., Хp (прогнозирующих, или независимых, переменных). Напр., нам захотелось предсказать степень успешности обучения в аспирантуре на основе студенческих отметок и количественных оценок письменных экзаменов для аспирантов (GRE). Пользуясь методами построения множественной регрессии, мы можем получить выражение вида: b0 + b1Х1 + ... + bpXp, где b0, b1, ... bp - соответствующим образом подобранные константы, которое оптимально предсказывает Y. Коэффициент множественной К., r, представляет собой коэффициент К. произведения моментов Пирсона между наилучшим предсказанием и фактическими значениями предсказываемой переменной, и, как таковой, служит мерой правильности предсказания на основе множественной регрессии. См. также Корреляционные методы, Статистика в психологии А. Д. Велл

Корреляция Каноническая – Социологический словарь

Англ. correlation, canonic(al); нем. Korrelation, kanonische. Обобщение парной корреляции, используемое для определения взаимосвязи между двумя группами признаков.

Корреляция Каноническая – Социологический словарь

Обобщение парной корреляции, используемое для определения взаимосвязи между двумя группами признаков. Канонич. анализ, т. е. метод нахождения К.к., основан на построении таких линейных комбинаций признаков одной и другой группы, что обычный коэффициент парной корреляции между этими комбинациями достигает наибольшего значения. Такой максимальный коэффициент называется первым канонич. коэффициентом корреляции, а соответствующие линейные комбинации двух групп признаков наз. первыми канонич. величинами. См. Кендалл М.Дж., Стьюарт А. Многомерный статический анализ и временные ряды. М., 1976; Вольд Г. Путевые модели с латентными переменными//Математика в социологии: моделирование и обработка информации М., 1977; Болч Б., Хуань К.Дж. Многомерные статистические методы для экономики. М., 1979; Дубровский С.А. Прикладной многомерный статистический анализ 1982; Липовецкий С.С. Некоторые модели канонирского анализа как экстремали квадратичных и билинейных форм//Комплексное применение математических методов в социологическом исследовании. М., 1983; Van den Wollenberg A.L. Redundancy: An alternative for canonical correlation analysis//Psychometrica. 1977. Vol. 42, №2. C.C. Липовецкий, Л.Г. Бадалян.

Корреляция Линейная – Социологический словарь

Англ. correlation, linear; нем. Korrelation, lineare. Корреляция, при к-рой отношение степени изменения одной переменной к степени изменения другой переменной является постоянной величиной.

Наукообразные понятия всегда популярны. Глагол «коррелировать» широко используется журналистами и политиками, иногда не к месту. Обычно термином «корреляция» обозначают любую связь.

Люди давно заметили, что все явления, происходящие на нашей планете, в некоторой степени оказывают влияние друг на друга. Не всегда связи между ними можно с легкостью обнаружить, но, тем не менее, они существуют. Говоря о взаимозависимости событий, нередко употребляют слово «корреляция». Чаще всего его используют экономисты и аналитики.

Разберемся, что на самом деле обозначает это понятие.

Корреляция: определение

Пожалуй, первым в научном мире о корреляции заговорил палеонтолог Жорж Кювье. На рубеже 18-19 веков он сделал ряд открытий в области сравнительной анатомии. В результате этих открытий Кювье сформулировал закон соотношения частей, согласно которому изменения в строении одного из органов животного приводят к изменениям в строении других органов. Опираясь на эти знания, Кювье научился восстанавливать облик ископаемых животных по отдельным сохранившимся фрагментам.

Что же касается статистики, то в этой науке понятие корреляции закрепилось позже – в конце 19 века, благодаря английскому биологу Фрэнсису Гальтону.

Корреляция – это не просто связь (relation), а, скорее, взаимоотношения или взаимозависимость (co-relation).

Формула для получения коэффициента корреляции была выведена учеником Гальтона, математиком и биологом К. Пирсоном.

Коэффициент корреляции

Корреляцией называют статистическую связь каких-либо независимых друг от друга величин. Предполагается, что как только значение одного из параметров меняется, меняется и значение другого. Если же изменения касаются только отдельных статистических характеристик, связь такого рода считается статистической. О корреляции в этом случае речи не идет.

Для выражения степени взаимозависимости используется коэффициент корреляции. Диапазон значений коэффициента – от -1 до +1.

• Если корреляция является абсолютной и положительной (+1), то при подорожании одной ценной бумаги в той же степени будет дорожать и другая.
• Говоря об абсолютной отрицательной корреляции, мы подразумеваем, что если стоимость одной ценной бумаги растет, то стоимость отрицательно коррелированной – падает.
• Если же коэффициент корреляции нулевой, то никакой взаимозависимости между движениями ценных бумаг нет: они случайны.

Чем выше значение коэффициента, тем больше проявляется взаимозависимость. Если значение коэффициента больше 0,5, то взаимосвязь ярко выражена.

Необходимо уточнить, что абсолютная корреляция ценных бумаг существует только в идеальном мире. В реальном же акции только в некоторой степени коррелированы.

Парная корреляция

Этот термин употребляется для обозначения взаимоотношений между двумя определенными величинами. Известно, что расходы на рекламу в США в значительной мере влияют на объем ВВП этой страны. Коэффициент корреляции между данными величинами по итогам наблюдений, продолжавшихся в течение 20 лет, составляет 0,9699.

Более «приземленный» пример – связь между посещаемостью страницы онлайн-магазина и объемом его продаж.

И уж, конечно, вряд ли кто-нибудь станет отрицать наличие зависимости, существующей между температурой воздуха и продажами пива или мороженого.

Корреляция – это взаимозависимость двух величин; коэффициент корреляции – это объективный показатель, определяющий степень этой взаимозависимости. Коэффициент корреляции может быть и положительным, и отрицательным. Что касается ценных бумаг, то они крайне редко бывают абсолютно коррелированными.

).
спец. Соотноситься, быть взаимосвязанным с чем-н. Увеличение числа сердечных заболеваний коррелирует с усилением солнечной активности .
|| Ср. корреспондировать .

Толковый словарь иностранных слов Л. П. Крысина.- М: Русский язык , 1998 .

Смотреть что такое "коррелировать" в других словарях:

коррелировать - сопоставлять устанавливать — Тематики нефтегазовая промышленность Синонимы сопоставлятьустанавливать EN correlate … Справочник технического переводчика

Коррелировать - то есть производить расчет корреляции (математической или статистической взаимосвязи) между признаками … Физическая Антропология. Иллюстрированный толковый словарь.

коррелировать - коррел ировать, рует … Русский орфографический словарь

коррелировать - (I), коррели/рую, руешь, руют … Орфографический словарь русского языка

Рую, руешь; нсв. Книжн. Находиться в отношениях корреляции. Эти процессы коррелируют друг с другом … Энциклопедический словарь

КОРРЕЛИРОВАТЬ - Помещать что то в ситуацию, в которой оно находится в известном соотношении с другими вещами. 2. Вычислять коэффициент корреляции … Толковый словарь по психологии

Коррелировать - устанавливать корреляцию между взаимосвязанными явлениями … Словарь экономических терминов и иностранных слов

коррелировать - рую, руешь; нсв.; книжн. Находиться в отношениях корреляции. Эти процессы коррелируют друг с другом … Словарь многих выражений

коррелировать - коррел/ир/ова/ть … Морфемно-орфографический словарь

Валидность конвергентная и дискриминантная - (лат. convergens – приближаться, сходиться; discrivinans – различающий, разделяющий) – степень, в какой любой определённый инструмент тестирования обладает валидностью, если мера значения, полученная по этому тесту будет: а) коррелировать с… … Энциклопедический словарь по психологии и педагогике

Книги

• Кризис научного познания. Взгляд физика , Г. А. Сарданашвили. Современная наука начала XXI века столкнулась с проблемой, что истина, как представление реальности, при научном познании неизбежно оказывается многовариантной и противоречивой. Причиной тому…

06.06.2018 15 091 0 Игорь

Психология и общество

Все в мире взаимосвязано. Каждый человек на уровне интуиции пытается найти взаимосвязи между явлениями, чтобы иметь возможность влиять на них и управлять ними. Понятие, которое отражает эту взаимосвязь, называется корреляцией. Что она означает простыми словами?

Содержание:

Понятие корреляции

Корреляция (от латинского «correlatio» – соотношение, взаимосвязь) – математический термин, который означает меру статистической вероятностной зависимости между случайными величинами (переменными).

Пример: возьмем два вида взаимосвязи:

1. Первый – ручка в руке человека. В какую сторону движется рука, в такую сторону и ручка. Если рука находится в состоянии покоя, то и ручка не будет писать. Если человек чуть сильнее надавит на нее, то след на бумаге будет насыщеннее. Такой вид взаимосвязи отражает жесткую зависимость и не является корреляционным. Это взаимосвязь – функциональная.
2. Второй вид – зависимость между уровнем образования человека и прочтением литературы. Заранее неизвестно, кто из людей больше читает: с высшим образованием или без него. Эта связь – случайная или стохастическая, ее изучает статистическая наука, которая занимается исключительно массовыми явлениями. Если статистический расчет позволит доказать корреляционную связь между уровнем образованности и прочтением литературы, то это даст возможность делать какие-либо прогнозы, предсказывать вероятностное наступление событий. В этом примере с большой долей вероятности можно утверждать, что больше читают книги люди с высшим образованием, те, кто более образован. Но поскольку связь между данными параметрами не функциональная, то мы можем и ошибиться. Всегда можно рассчитать вероятность такой ошибки, которая будет однозначно невелика и называется уровнем статистической значимости (p).

Примерами взаимосвязи между природными явлениями являются: цепочка питания в природе, организм человека, который состоит из систем органов, взаимосвязанных между собой и функционирующих как единое целое.

Каждый день мы сталкиваемся с корреляционной зависимостью в повседневной жизни: между погодой и хорошим настроением, правильной формулировкой целей и их достижением, положительным настроем и везением, ощущением счастья и финансовым благополучием. Но мы ищем связи, опираясь не на математические расчеты, а на мифы, интуицию, суеверия, досужие домыслы. Эти явления очень сложно перевести на математический язык, выразить в цифрах, измерить. Другое дело, когда мы анализируем явления, которые можно просчитать, представить в виде цифр. В таком случае мы можем определить корреляцию с помощью коэффициента корреляции (r), отражающего силу, степень, тесноту и направление корреляционной связи между случайными переменными.

Сильная корреляция между случайными величинами – свидетельство наличия некоторой статистической связи конкретно между этими явлениями, но эта связь не может переноситься на эти же явления, но для другой ситуации. Часто исследователи, получив в расчетах значительную корреляцию между двумя переменными, основываясь на простоте корреляционного анализа, делают ложные интуитивные предположения о существовании причинно-следственных взаимосвязей между признаками, забывая о том, что коэффициент корреляции носит вероятностный характер.

Пример: количество травмированных во время гололеда и число ДТП среди автотранспорта. Эти величины будут коррелировать между собой, хотя они абсолютно не взаимосвязаны между собой, а имеют только связь с общей причиной этих случайных событий – гололедицей. Если же анализ не выявил корреляционной взаимосвязи между явлениями, это еще не является свидетельством отсутствия зависимости между ними, которая может быть сложной нелинейной, не выявляющейся с помощью корреляционных расчетов.

Первым, кто ввел в научный оборот понятие корреляции, был французский палеонтолог Жорж Кювье . Он в XVIII веке вывел закон корреляции частей и органов живых организмов, благодаря которому появилась возможность восстанавливать по найденным частям тела (останкам) облик всего ископаемого существа, животного. В статистике термин корреляции впервые применил в 1886 году английский ученый Френсис Гальтон . Но он не смог вывести точную формулу для расчета коэффициента корреляции, но это сделал его студент – известнейший математик и биолог Карл Пирсон.

Виды корреляции

По значимости – высокозначимая, значимая и незначимая.

Отрицательная (уменьшение значения одной переменной ведет к росту уровня другой: чем больше у человека фобий, тем меньше вероятность занять руководящую должность) и положительная (если рост одной величины влечет за собой увеличение уровня другой: чем больше нервничаешь, тем больше вероятность заболеть). Если связи между переменными нет, то тогда такая корреляция называется нулевой.

Линейная (когда одна величина возрастает или убывает, вторая тоже увеличивается или уменьшается) и нелинейная (когда при изменении одной величины характер изменения второй невозможно описать с помощью линейной зависимости, тогда применяются другие математические законы – полиномиальной, гиперболической зависимости).

По силе .

Коэффициенты

В зависимости от того, к какой шкале относятся исследуемые переменные, рассчитываются разные виды коэффициентов корреляции:

1. Коэффициент корреляции Пирсона, коэффициент парной линейной корреляции или корреляция моментов произведений рассчитывается для переменных с интервальной и количественной шкалой измерения.
2. Коэффициент ранговой корреляции Спирмена или Кендалла – когда хотя бы одна из величин имеет порядковую шкалу либо не является нормально распределённой.
3. Коэффициент точечной двухрядной корреляции (коэффициент корреляции знаков Фехнера) – если одна из двух величин является дихотомической.
4. Коэффициент четырёхполевой корреляции (коэффициент множественной ранговой корреляции (конкордации) – если две переменные дихотомические.

Коэффициент Пирсона относится к параметрическим показателям корреляции, все остальные – к непараметрическим.

Значение коэффициента корреляции находится в пределах от -1 до +1. При полной положительной корреляции r = +1, при полной отрицательной – r = -1.

Формула и расчет

Примеры

Необходимо определить взаимосвязь двух переменных: уровня интеллектуального развития (по данным проведенного тестирования) и количества опозданий за месяц (по данным записей в учебном журнале) у школьников.

Исходные данные представлены в таблице:

Чтобы дать правильную интерпретацию полученному показателю, необходимо проанализировать знак коэффициента корреляции (+ или -) и его абсолютное значение (по модулю).

В соответствии с таблицей классификации коэффициента корреляции по силе делаем вывод о том, rxy = -0,827 – это сильная отрицательная корреляционная зависимость. Таким образом, количество опозданий школьников имеет очень сильную зависимость от их уровня интеллектуального развития. Можно сказать, что ученики с высоким уровнем IQ опаздывают реже на занятия, чем ученики с низким IQ.

Коэффициент корреляции может применяться как учеными для подтверждения или опровержения предположения о зависимости двух величин или явлений и измерения ее силы, значимости, так и студентами для проведения эмпирических и статистических исследований по различным предметам. Необходимо помнить, что этот показатель не является идеальным инструментом, он рассчитывается лишь для измерения силы линейной зависимости и будет всегда вероятностной величиной, которая имеет определенную погрешность.

Корреляционный анализ применяется в следующих областях:

• экономическая наука;
• астрофизика;
• социальные науки (социология, психология, педагогика);
• агрохимия;
• металловедение;
• промышленность (для контроля качества);
• гидробиология;
• биометрия и т.д.

Причины популярности метода корреляционного анализа:

1. Относительная простота расчета коэффициентов корреляции, для этого не нужно специальное математическое образование.
2. Позволяет рассчитать взаимосвязи между массовыми случайными величинами, которые являются предметом анализа статистической науки. В связи с этим этот метод получил широкое распространение в области статистических исследований.

Надеюсь, теперь вы сможете отличить функциональную взаимосвязь от корреляционной и будете знать, что когда вы слышите по телевидению или читаете в прессе о корреляции, то под ней подразумевают положительную и достаточно значимую взаимозависимость между двумя явлениями.