Empiirinen kovariaatio yksinkertaisesti selitetty
Tiedätkö tilastoista? Sitten sinun pitäisi tuntea empiirinen kovariaatio, jota usein kutsutaan vain kovarianssiksi. Tässä on yksinkertainen selitys siitä, mitä tämä koko kertoo.
![Mikä on empiirisen kovarianssin takana?](/f/2e6d04e09cfb10cf37186b48e21a7241.jpg)
Mitä tarvitset:
- tilastollisia muuttujia
- aritmeettinen keskiarvo
- Lukemat
- näyte
Ymmärrä kovarianssiväite
Empiirinen kovariaatio on ei-standardoitu mitta, joka kuvaa kahden tilastomuuttujan välistä lineaarista suhdetta. Sinulla on yleensä näyte (xi, yi) annettu.
- Kovarianssit on määritelty suhteellisen selvästi. Ensin sinun on löydettävä lukemat xi ja määrittää niiden poikkeama aritmeettisesta keskiarvosta. Jatka samalla tavalla mitattujen arvojen y kanssai. Kerro nyt nämä mitattujen arvojen poikkeamat vastaavasta aritmeettisesta keskiarvosta ja lisää ne i: n yli. Lopulta jaat tämän arvon n: llä eli otoksen koolla.
- Voit nyt tulkita kovarianssin seuraavasti. Jos kovariaatio on positiivinen, X: llä ja Y: llä on yleensä korrelaatio samaan suuntaan, ts. H. osuu x: ääni tiettyä i voimakkaasti ylöspäin, sitten y lyöi myös ylöspäin. Mitä suurempi kovariaatio, sitä vahvempi tämä suhde.
- Jos kovarianssiarvot ovat negatiivisia, suuntaus on päinvastainen. 0: ssa ei ole korrelaatiota ollenkaan.
Esimerkki empiirisestä kovarianssista
- Oletetaan, että sinulla on näyte (xi, yi) annettu. Tässä yksinkertaisessa tapauksessa i = 3 ja arvot x1 = 2, x2 = 2,2, x3 = 6,3. Samoin sinulla on y: n arvot1 = 1,1, v2 = 1,9 ja y3 = 4,5 annettu.
- Voit nyt määrittää aritmeettisen keskiarvon x = (2 + 2,2 + 6,3) / 3 = 3,5 ja y = (1,1 + 1,9 + 4,5) / 3 = 2,5.
- Voit laskea empiirisen kovarianssin seuraavasti: ((2--3,5) (1,1-2,5) + (2,2-3,5) (1,9-2,5) + (6,3-3, 5) (4,5-2,5)) / 3 = (2,1 + 0,78 + 5,6) / 3 = 8,48 / 3 = 2,82 (...).
- Varianssi on siis suhteellisen vahvasti positiivinen, ts. H. lineaarinen suhde mitattujen arvojen välillä on yleensä suuri. Näet jo arvoista, että ne liikkuvat samaan suuntaan ja x: n taipuma3 ylöspäin myös y -taipuma3 seuraa.
Laske empiirinen kovariaatio
Tilastoissa tarvitset empiiristä kovarianssia joissakin paikoissa. Mutta mitä …
Kuten näette, tässä yksinkertaisessa esimerkissä empiirinen kovariaatio selitetään hyvin yksinkertaisesti. Näitä näkökohtia käytetään sellaisten osakesalkkujen suunnittelussa, joiden pitäisi tarjota suhteellisen korkeaa tuottoa ja lupaavat suhteellisen pienen riskin.
Kuinka hyödylliseksi pidät tätä artikkelia?