Współczynnik fi
Współczynnik fi (ϕ) – jedna z miar zależności, będąca współczynnikiem korelacji liniowej Pearsona dla dwóch zmiennych, z których obydwie są nominalne oraz dychotomiczne.
W obszarze uczenia maszynowego współczynnik ten nazywa się współczynnikiem korelacji Matthewsa (MCC, ang. Matthews Correlation Coefficient).
Przykład zastosowania: związek między płcią (wartości: kobieta i mężczyzna) a trybem studiów (wartości: stacjonarne i niestacjonarne).
Rozwinięciem współczynnika fi jest współczynnik V Craméra.
Współczynnik fi można policzyć na dwa sposoby: używając wzoru na współczynnik fi albo (podobnie jak ma to miejsce w przypadku korelacji punktowo-dwuseryjnej) zrekodować zmienne nominalne, żeby przyjmowały wartości 0 i 1 (jest to tzw. dummy coding), a następnie policzyć dla nich współczynnik korelacji liniowej Pearsona.
Wzór
[edytuj | edytuj kod]Oznaczmy w następujący sposób liczebności w tablicy kontyngencji o wymiarach 2×2 pokazującej rozkład dwóch zmiennych dychotomicznych:
y = 1 | y = 0 | total | |
x = 1 | |||
x = 0 | |||
total |
Współczynnik fi obliczymy wtedy używając wzoru[1]:
W polskiej literaturze niekiedy proponuje się następujący wzór[2]:
W takiej sytuacji współczynnik będzie przyjmował tylko wartości dodatnie i będzie tożsamy ze współczynnikiem V Craméra.
Przypisy
[edytuj | edytuj kod]- ↑ David J. Sheskin , Handbook of parametric and nonparametric statistical procedures, Fifth edition, A Chapman & Hall book, Boca Raton London New York: CRC Press, Taylor & Francis Group, 2011, s. 677, ISBN 978-1-4398-5801-1 [dostęp 2023-11-30] .
- ↑ Piotr Sulewski , Antoni Drapella , The impact of uneven filling two-way contingency tables on the critical value of the test statistics, „Wiadomości Statystyczne. The Polish Statistician”, 61 (4), 2016, s. 1–16, DOI: 10.5604/01.3001.0014.0967, ISSN 2543-8476 [dostęp 2023-12-07] .
Bibliografia
[edytuj | edytuj kod]- Kenneth S. Bordens, Bruce B. Abbott, Research Design and Methods. A Process Approach, Seventh Edition, McGraw-Hill, New York 2008, s. 408.
- Keith G. Calkins: Why so many Correlation Coefficients. (ang.).
- Bruce M. King, Edward W. Minium, Statystyka dla psychologów i pedagogów, Wydawnictwo Naukowe PWN, Warszawa 2009, s. 193, 476.