पियर्सन सहसंबंध कैलकुलेटर

📐 पियर्सन सहसंबंध गुणांक (आर) दो निरंतर चर के बीच रैखिक संबंध की ताकत और दिशा को मापता है। यह -1 (पूर्ण नकारात्मक सहसंबंध) से +1 (पूर्ण सकारात्मक सहसंबंध) तक होता है, जिसमें 0 कोई रैखिक संबंध नहीं दर्शाता है।

📊 प्रतिगमन के विपरीत, जो एक चर को दूसरे से भविष्यवाणी करता है, सहसंबंध केवल यह निर्धारित करता है कि दो चर एक साथ कितनी निकटता से चलते हैं। ब्रिटिश सांख्यिकीविद् कार्ल पियर्सन के नाम पर रखा गया, जिन्होंने 1890 के दशक में आधुनिक फॉर्मूलेशन विकसित किया था, जो आनुवंशिकता अध्ययन में प्रतिगमन और सहसंबंध पर फ्रांसिस गैल्टन के पहले के काम पर आधारित था, पियर्सन आर आंकड़ों में एसोसिएशन का सबसे व्यापक रूप से इस्तेमाल किया जाने वाला उपाय बना हुआ है।

📐 गुणांक आयामहीन है - इसकी कोई इकाई नहीं है - जो पूरी तरह से अलग-अलग पर मापे गए विभिन्न चरों में संबंधों की तुलना करना सुविधाजनक बनाता है। तराजू. जब r +1 के करीब होता है, तो दोनों चर लगभग पूर्ण लॉकस्टेप में एक साथ बढ़ते हैं; जब r -1 के करीब होता है, तो एक चर ऊपर उठता है जबकि दूसरा गिरता है; और जब r 0 के करीब होता है, तो बहुत कम या कोई रैखिक संबंध नहीं होता है।

📐 महत्वपूर्ण बात यह है कि, r केवल रैखिक संबंधों को पकड़ता है - दो चर में एक मजबूत गैर-रेखीय संबंध हो सकता है (जैसे U-आकार) और फिर भी r ≈ 0 प्राप्त होता है। इस कारण से, r के संख्यात्मक मान पर भरोसा करने से पहले हमेशा एक स्कैटर प्लॉट का निरीक्षण करें। वर्ग सहसंबंध r² (प्रतिगमन में उपयोग किए जाने पर निर्धारण का गुणांक कहा जाता है) आपको दो चर के बीच साझा विचरण का अनुपात बताता है: यदि r = 0.8, तो r² = 0.64, जिसका अर्थ है कि एक चर में परिवर्तनशीलता का 64% दूसरे द्वारा रैखिक रूप से हिसाब लगाया जा सकता है।

📊 पियर्सन का r सममित है, जिसका अर्थ है r(X,Y) = आर(वाई,एक्स) - ऊंचाई और वजन के बीच संबंध वही है चाहे आप ऊंचाई या वजन को पहला चर मानें। यह समरूपता सहसंबंध को प्रतिगमन से अलग करती है, जहां Y को X पर पुनः प्राप्त करने से Y पर X को पुनः प्राप्त करने से एक अलग रेखा उत्पन्न होती है (जब तक कि r = ±1 न हो)। जनसंख्या पैरामीटर को ρ (rho) दर्शाया गया है, और नमूना आँकड़ा r ρ का अनुमान है।

📊 जैसे-जैसे नमूना आकार बढ़ता है, r वास्तविक जनसंख्या सहसंबंध की ओर अभिसरण होता है, जिससे एसोसिएशन की ताकत का अनुमान लगाने के लिए बड़े नमूने अधिक विश्वसनीय हो जाते हैं।