Dua istilah yang paling biasa digunakan dalam dunia statistik ialah Korelasi diikuti Regresi. Kedua-dua istilah itu digambarkan sebagai 'Analisis' kerana ia berdasarkan penyebaran pelbagai pembolehubah. Fenomena ini biasanya dikenali sebagai taburan multivariate. Ia paling biasa digunakan apabila perkaitan antara dua pembolehubah kuantitatif perlu diperiksa.
Orang yang ditemu bual berkemungkinan besar akan disoal tentang ciri-ciri yang membezakan Korelasi dan juga Regresi. Walau bagaimanapun, ramai orang mengalami keraguan dalam memahami dua frasa di atas.
Korelasi vs Regresi
The perbezaan antara Korelasi dan Regresi ialah korelasi ialah ukuran perkaitan atau ketiadaan antara dua pembolehubah, contohnya, ‘x,’ dan ‘y.’ ‘x,’ dan ‘y’ bukan pembolehubah bebas atau bersandar di sini. Manakala, dalam Regresi, nilai pembolehubah kontingen dikira menggunakan nilai pembolehubah bebas.
Hubungan antara dua pembolehubah berbeza pada mulanya dinilai. Regresi mempunyai aplikasi naluri yang tidak terkira banyaknya dalam kehidupan seharian. Berikut ialah jadual perbandingan menyeluruh yang berjaya menerangkan perbezaan antara kedua-dua istilah.
Jadual Perbandingan Antara Korelasi dan Regresi
| Parameter Perbandingan | Korelasi | Regresi |
|---|---|---|
| Maknanya | Ia menentukan hubungan bersama, iaitu perkaitan antara dua pembolehubah. Sebahagian besarnya bergantung pada prosedur berasaskan statistik. | Mewajarkan hubungan aritmetik antara kedua-duanya, nilai autonomi dan satu bergantung. |
| Objektif | Ia membolehkan untuk mengenal pasti nilai berangka yang menyatakan hubungan antara dua atau lebih pembolehubah. | Dalam Regresi, nilai pembolehubah tetap membantu kami menentukan dan menganggarkan nilai pembolehubah rawak. |
| Penggunaan | Perkaitan linear antara dua pembolehubah ditunjukkan. | Kebanyakannya berdasarkan anggaran berdasarkan satu pembolehubah untuk meramalkan nilai pembolehubah yang lain. |
| Pembolehubah Bebas & Pembolehubah bersandar | Kedua-dua pembolehubah bersandar dan tidak bersandar adalah serupa antara satu sama lain. | Pembolehubah bebas dan bersandar tidak sama. |
| Petunjuk | Ia adalah ukuran sejauh mana dua pembolehubah berubah secara serentak. | Regresi menandakan bagaimana suis dalam nilai pembolehubah (x) ditentukan oleh pembolehubah (y). |
Apakah Korelasi?
Korelasi berasal daripada dua perkataan, iaitu, ‘Co’ yang bermaksud bersama, dan ‘relation,’ bermaksud penghubung atau pertalian, iaitu antara beberapa kuantiti.
Ia hanya bermaksud tahap perubahan yang berlaku dalam salah satu pembolehubah dan bertindak balas dengan perubahan yang sepadan dalam pembolehubah lain. Ini boleh menjadi perubahan yang jelas atau yang tersirat.
Ia berjaya menggambarkan tahap perkaitan antara dua pembolehubah yang diambil kira, ia berdasarkan prinsip statistik. Nilai yang ditentukan boleh sama ada positif atau negatif.
Apabila kedua-dua pembolehubah bergerak dalam arah yang sama, ia adalah korelasi positif, dan hasilnya sepadan antara satu sama lain, membawa kepada pelaburan dan keuntungan.
Sebaliknya, korelasi negatif berlaku apabila pembolehubah bergerak ke arah yang bertentangan, ini mengakibatkan penurunan dalam pembolehubah lain. Sebagai contoh, nilai dan keperluan sesuatu item adalah saling berkaitan.
Contoh di mana korelasi boleh dilaksanakan dengan jayanya ialah apabila syarikat ingin membandingkan bilangan terkumpul jualan yang dibuat dengan bilangan jurujual yang diambil bekerja.
Apakah Regresi?
Regresi adalah percubaan yang digunakan untuk menentukan hubungan satu pembolehubah dengan pembolehubah signifikan yang lain. Dua jenis pembolehubah yang digunakan ialah pembolehubah bersandar dan pembolehubah tidak bersandar. Regresi membuat satu langkah di hadapan korelasi kerana ia menambah keupayaan ramalan.
Regresi digunakan pada tahap intuitif oleh orang ramai setiap hari. Ia memegang tempat yang penting dalam tindakan manusia, kerana ia adalah alat mujarab yang digunakan untuk meramalkan peristiwa yang berlaku sebelum masa ini, pada masa kini dan masa depan berdasarkan peristiwa dan kejadian sebelumnya atau semasa.
Sebagai contoh, rekod perniagaan lepas boleh menganggarkan keuntungan masa depannya. Ia boleh dijelaskan dengan contoh mudah bagaimana kita bangun pada waktu pagi. Jika anda tidur awal, anda boleh bangun awal pagi dengan lebih mudah.
Kita boleh memahami regresi linear menggunakan dua pembolehubah 'x' dan 'y'. Di sini, kedua-dua pembolehubah 'x' dan 'y' bergantung kepada yang lain, iaitu, 'y' bergantung atau dipengaruhi oleh 'x,' yang merupakan pembolehubah bebas. Faktor yang disebutkan ditunjukkan pada graf statistik, yang merupakan perwakilan matematik.
Regresi Kuantitatif adalah lebih tepat kerana ia mencipta tafsiran aritmetik bagi persamaan. Persamaan atau formula ini boleh digunakan untuk menganalisis dan meramalkan pada masa hadapan.
Sebagai contoh, doktor menganggarkan dos ubat yang sesuai (pembolehubah bebas) untuk pesakit berdasarkan berat badan mereka, yang merupakan pembolehubah bersandar.
Perbezaan Utama Antara Korelasi dan Regresi
Kesimpulan
Jelas sekali bahawa analisis Korelasi dan analisis Regresi mempunyai perbezaan besar antara satu sama lain, walaupun pasangan konsep matematik ini dikira bersama.
Semasa dalam analisis Regresi, penyelidik cuba mengenal pasti hubungan fungsi antara dua pembolehubah yang ditubuhkan untuk membuat faedah dan keuntungan masa hadapan.
Rujukan
- https://psycnet.apa.org/record/1960-06763-000
- https://link.springer.com/content/pdf/10.3758/BRM.41.4.1149.pdf
- https://psycnet.apa.org/record/1995-97110-002
