Pearson Korelasyon Hesaplayıcısı

📐 Pearson korelasyon katsayısı (r) iki sürekli değişken arasındaki doğrusal ilişkinin gücünü ve yönünü ölçer. −1 (mükemmel negatif korelasyon) ile +1 (mükemmel pozitif korelasyon) arasında değişir ve 0 doğrusal bir ilişki olmadığını belirtir.

📊 Bir değişkeni diğerinden tahmin eden regresyonun aksine, korelasyon basitçe iki değişkenin birbirine ne kadar yakın hareket ettiğini ölçer. Adını 1890'larda modern formülasyonu geliştiren İngiliz istatistikçi Karl Pearson'dan alan Pearson r, Francis Galton'un kalıtım çalışmalarındaki regresyon ve korelasyon üzerine daha önceki çalışmasına dayanarak istatistikte en yaygın kullanılan ilişki ölçüsü olmaya devam ediyor.

📐 Katsayı boyutsuzdur (birimi yoktur), bu da tamamen farklı ölçeklerde ölçülen farklı değişkenler arasındaki ilişkileri karşılaştırmayı kolaylaştırır. r +1'e yakın olduğunda, iki değişken mükemmele yakın bir kilit adımında birlikte artar; r -1'e yakın olduğunda, bir değişken artarken diğeri düşer; ve r 0'a yakın olduğunda doğrusal ilişki çok azdır veya hiç yoktur.

📐 Daha da önemlisi, r yalnızca doğrusal ilişkileri yakalar; iki değişken güçlü bir doğrusal olmayan ilişkiye (U şekli gibi) sahip olabilir ve yine de r ≈ 0 sonucunu verebilir. Bu nedenle, r'nin sayısal değerine güvenmeden önce daima bir dağılım grafiğini inceleyin. Kare korelasyon r² (regresyonda kullanıldığında belirleme katsayısı olarak adlandırılır) size iki değişken arasındaki paylaşılan varyansın oranını söyler: r = 0,8 ise r² = 0,64, yani bir değişkendeki değişkenliğin %64'ü diğeri tarafından doğrusal olarak açıklanabilir.

📊 Pearson'un r'si simetriktir, yani r(X,Y) = r(Y,X) — korelasyon Boy ve kilo arasındaki fark, ilk değişken olarak boy veya kiloyu ele alsanız da aynıdır. Bu simetri, korelasyonu regresyondan ayırır; burada X üzerinde Y'nin gerilemesi, X'in Y üzerinde gerilemesinden farklı bir çizgi üretir (r = ±1 olmadığı sürece). Popülasyon parametresi ρ (rho) olarak gösterilir ve örnek istatistiği r bir ρ tahminidir.

📊 Örneklem boyutu arttıkça r, gerçek popülasyon korelasyonuna yaklaşarak, daha büyük örnekleri ilişkinin gücünü tahmin etmek için daha güvenilir hale getirir.