Przykład z życia: dodatnia korelacja w przejrzystym, liczbowym scenariuszu

Bezpośrednia odpowiedź: co pokazuje przykład liczbowy dodatniej korelacji

Dodatnia korelacja oznacza, że gdy jedna zmienna ma tendencję do wzrostu, druga zmienna również ma tendencję do wzrostu (a gdy jedna ma tendencję do spadku, druga również ma tendencję do spadku). Przykład liczbowy czyni to konkretnym, wykorzystując dane par i pokazując, jak obliczenie korelacji odzwierciedla wzorzec „ruchu w tym samym kierunku”.

W praktyce kluczowa idea jest opisowa: korelacja podsumowuje, jak silnie dwie serie zsynchronizowane w czasie poruszają się razem. Nie dowodzi przyczynowości i nie gwarantuje przyszłego podobieństwa.

Mechanizm lub definicja: zdefiniuj zmienne i miarę korelacji

Aby to zilustrować, rozważ dwie ogólne, zsynchronizowane w czasie zmienne mierzone w tych samych 5 punktach czasowych:

X: wartość zmiennej X w czasach t1–t5
Y: wartość zmiennej Y w czasach t1–t5

Typową liczbową miarą jest współczynnik korelacji Pearsona, r, który mieści się w zakresie od -1 do +1:

r > 0 sugeruje dodatnią korelację (ruch w tym samym kierunku)
r = 0 sugeruje brak liniowej zależności
r < 0 sugeruje ujemną korelację (ruch w przeciwnych kierunkach)

Założenia dla obliczenia „przykładu liczbowego”:

X i Y są parowane według czasu (t1 z t1 itd.).
Opisywana zależność jest w przybliżeniu liniowa.
Liczby są traktowane spójnie (te same jednostki lub porównywalne transformacje, jeśli w ogóle występują).

Dowód lub przykład: w pełni liczbowy scenariusz dodatniej korelacji

Załóżmy następujące 5 par obserwacji (jednostki są dowolne):

X = [1, 2, 3, 4, 5]
Y = [2, 4, 6, 8, 10]

Te serie rosną razem w stałym, proporcjonalnym tempie. Teraz oblicz r (korelację Pearsona).

Krok 1: znajdź średnie.

średnia(X) = (1+2+3+4+5)/5 = 3
średnia(Y) = (2+4+6+8+10)/5 = 6

Krok 2: oblicz odchylenia od średniej i ich iloczyny.

Dla X: X-średnia(X) = [-2, -1, 0, 1, 2]
Dla Y: Y-średnia(Y) = [-4, -2, 0, 2, 4]

Iloczyny odchyleń:

(X-średnia(X))*(Y-średnia(Y)) = [8, 2, 0, 2, 8]
Suma = 20

Krok 3: oblicz składniki standaryzacji.

Suma kwadratów odchyleń dla X = (-2)^2+(-1)^2+0^2+1^2+2^2 = 10
Suma kwadratów odchyleń dla Y = (-4)^2+(-2)^2+0^2+2^2+4^2 = 40

Krok 4: oblicz r.

r = suma[(X-średnia(X))(Y-średnia(Y))] / sqrt[(suma(X-odch^2))*(suma(Y-odch^2))]
r = 20 / sqrt(10*40) = 20 / sqrt(400) = 20/20 = 1

Wynik: r = 1, co wskazuje na idealną dodatnią korelację liniową w ramach tych założeń oraz przy danych idealnie proporcjonalnych.

Ograniczenie materiału pokazane w tym przykładzie: zależność jest „wbudowana”. Jeśli dane z rzeczywistości są zaszumione (a nie idealnie proporcjonalne), r zwykle będzie mniejsze niż 1, nawet gdy zmienne często poruszają się w tym samym kierunku.

Ograniczenia i ryzyka: dlaczego dodatnia korelacja może wprowadzać w błąd

Korelacja nie oznacza przyczynowości. Dwie zmienne mogą poruszać się razem z powodu wspólnego trzeciego czynnika, przypadkowej współzmienności lub artefaktów wynikających z wyrównania w czasie.
Stabilność może zawieść w różnych reżimach rynkowych. Zależność zmierzona w jednym okresie może nie utrzymać się później, jeśli zmieni się zmienność, płynność lub zachowanie. Ta sama para zmiennych może wykazywać wysoką dodatnią korelację w jednym reżimie i słabszą korelację w innym.
Ograniczenie korelacji liniowej. Korelacja Pearsona opisuje współzmienność liniową. Jeśli zależność jest nieliniowa lub zmienia kształt, r może zaniżać istotną zależność.
Problemy z danymi i pomiarem. Korelacja jest liczona na podstawie konkretnych czasów próbkowania. Zmiana częstotliwości próbkowania lub użycie niezsynchronizowanych znaczników czasu może zmienić r.
Koszty i efekty realizacji (ogólna uwaga). Nawet jeśli dwie serie są dodatnio skorelowane, przełożenie tego wzorca na realne wyniki może być dotknięte przez koszty transakcyjne, timing oraz praktyczne ograniczenia realizacji. Korelacja opisuje współzmienność; nie modeluje tych dodatkowych tarć.

Weryfikacja lub kolejne pytanie: jak niezależnie sprawdzić dodatnią korelację

Aby zweryfikować dodatnią korelację dla własnej pary zmiennych, możesz:

Zebrać pary wartości X(t) i Y(t) dla tych samych punktów czasowych.
Wykreślić X względem Y (wykres rozrzutu), aby zobaczyć, czy punkty trendują w górę.
Obliczyć Pearsona r na podstawie powyższych kroków (lub kalkulatora/narzędzia) przy spójnych założeniach.
Sprawdzić wrażliwość, ponownie licząc r dla różnych okien czasowych i sprawdzając, czy znak pozostaje dodatni.

Przydatnym kolejnym pytaniem jest: „Czy korelacja pozostaje dodatnia, gdy zmienia się okno czasowe?”