Pearson korrelationsräknare
Ange dina datapunkter för att beräkna Pearsons korrelationskoefficient. Få r, r-kvadrat, p-värden och steg-för-steg-lösningar direkt i din webbläsare.
Pearson korrelationsräknare
Ange dina datapunkter för att beräkna Pearsons korrelationskoefficient. Få r, r-kvadrat, p-värden och steg-för-steg-lösningar direkt i din webbläsare.
Ange dina datapunkter
| # | X-värden | Y-värden |
|---|
Resultat
Pearson-korrelation (r)
R-kvadrat (r²)
P-värde
Regressionslutning (från r)
Styrka
Riktning
Std. Dev. av X (sₓ)
Std. Dev. av Y (sᵧ)
Medelvärdet för X
Medelvärdet av Y
Kovarians
Datapunkter (n)
Kom ihåg: Korrelation innebär inte orsakssamband. En signifikant korrelation indikerar bara association, inte att en variabel orsakar den andra.
Steg-för-steg lösning
Hur man använder detta Pearson korrelationsräknare
Relationship Strength
Measure how closely two variables move together using the 'r' coefficient.
Statistisk utdata
Get the correlation coefficient (r), coefficient of determination (r²), and p-value.
Significance Testing
Determine if the observed relationship is statistically significant or due to chance.
Pearson correlation ranges from -1 to 1. A value of 0 indicates no linear relationship.
Vad är Pearsons korrelationskoefficient?
📐 Pearson-korrelationskoefficienten (r) mäter styrkan och riktningen för det linjära sambandet mellan två kontinuerliga variabler. Det sträcker sig från −1 (perfekt negativ korrelation) till +1 (perfekt positiv korrelation), där 0 indikerar inget linjärt samband.
📊 Till skillnad från regression, som förutsäger en variabel från en annan, kvantifierar korrelationen helt enkelt hur nära två variabler rör sig tillsammans. Pearson r är uppkallad efter den brittiske statistikern Karl Pearson som utvecklade den moderna formuleringen på 1890-talet, med utgångspunkt i tidigare arbete av Francis Galton om regression och korrelation i ärftlighetsstudier, och Pearson r är fortfarande det mest använda måttet på association i statistik.
📐 Det är enkelt att jämföra förhållandet — vilket gör det enkelt att jämföra en enhet. över olika variabler mätta på helt olika skalor. När r är nära +1 ökar de två variablerna tillsammans i nästan perfekt låssteg; när r är nära −1, stiger en variabel när den andra faller; och när r är nära 0, finns det liten eller ingen linjär association.
📐 Viktigt är att r bara fångar linjära samband — två variabler kan ha ett starkt olinjärt samband (som en U-form) och fortfarande ge r ≈ 0. Av denna anledning ska du alltid inspektera ett reellt värde på plotten före .numerisk spridning. Den kvadratiska korrelationen r² (kallad bestämningskoefficient när den används i regression) talar om hur stor andel av delad varians mellan de två variablerna: om r = 0,8 så är r² = 0,64, vilket betyder att 64 % av variabiliteten i en variabel kan förklaras linjärt av den andra. r(X,Y) = r(Y,X) — korrelationen mellan längd och vikt är densamma oavsett om du behandlar längd eller vikt som den första variabeln. Denna symmetri skiljer korrelation från regression, där regressering av Y på X ger en annan linje än regressering av X på Y (om inte r = ±1). Populationsparametern betecknas ρ (rho), och urvalsstatistiken r är en uppskattning av ρ.
📊 När urvalsstorleken ökar konvergerar r mot den sanna populationskorrelationen, vilket gör större urval mer tillförlitliga för att uppskatta associationsstyrkan.