ဒေတာသိပ္ပံ - Statistics Correlation vs. Causality

ဆက်စပ်မှုသည် အကြောင်းရင်းခံကို မရည်ညွှန်းပါ။

Correlation သည် ကိန်းရှင်နှစ်ခုကြားရှိ ကိန်းဂဏာန်းဆက်နွယ်မှုကို တိုင်းတာသည်။

မြင့်မားသော ဆက်နွယ်မှုကိန်းဂဏန်း (1 နှင့် နီးစပ်သည်) သည် ကိန်းရှင်နှစ်ခုကြားရှိ အမှန်တကယ်ဆက်စပ်မှုကို ကျွန်ုပ်တို့ အသေအချာ ကောက်ချက်ချနိုင်သည်ဟု မဆိုလိုပါ။

ဂန္တဝင်ဥပမာတစ်ခု-

နွေရာသီတွင် ကမ်းခြေတွင် ရေခဲမုန့်ရောင်းချမှု တိုးလာသည်။
တစ်ချိန်တည်းမှာပင် ရေနစ်သေဆုံးမှုများလည်း တိုးလာပါသည်။

ရေခဲမုန့်ရောင်းချမှု တိုးလာခြင်းသည် ရေနစ်သေဆုံးမှု တိုးလာရခြင်း၏ တိုက်ရိုက်အကြောင်းအရင်းဖြစ်သည်ဟု ဆိုလိုပါသလား။

Python ရှိ ကမ်းခြေနမူနာ

ဤတွင်၊ သင်ကြိုးစားရန် စိတ်ကူးယဉ်ဒေတာအစုံကို ကျွန်ုပ်တို့ တည်ဆောက်ထားပါသည်။

ဥပမာ

import pandas as pd
import matplotlib.pyplot as plt

Drowning_Accident = [20,40,60,80,100,120,140,160,180,200]
Ice_Cream_Sale = [20,40,60,80,100,120,140,160,180,200]
Drowning = {"Drowning_Accident": [20,40,60,80,100,120,140,160,180,200],
"Ice_Cream_Sale": [20,40,60,80,100,120,140,160,180,200]}
Drowning = pd.DataFrame(data=Drowning)

Drowning.plot(x="Ice_Cream_Sale", y="Drowning_Accident", kind="scatter")
plt.show()

correlation_beach = Drowning.corr()
print(correlation_beach)

အထွက်-

Correlation vs Causality - The Beach Example

တစ်နည်းဆိုရသော် ရေနစ်သေဆုံးမှုများအား ကြိုတင်ခန့်မှန်းရန် ရေခဲမုန့်ရောင်းချခြင်းကို ကျွန်ုပ်တို့အသုံးပြုနိုင်ပါသလား။

အဖြေက - ဖြစ်နိုင်တယ်။

ဤကိန်းရှင်နှစ်ခုသည် တစ်ခုနှင့်တစ်ခု မတော်တဆဆက်စပ်နေခြင်းကြောင့် ဖြစ်နိုင်သည်။

ဒါဆို ရေနစ်ရခြင်းကဘာတွေလဲ။

မကျွမ်းကျင်သော ရေကူးသမားများ
လှိုင်း
ကြွက်တက်ခြင်း။
အဖမ်းအဆီးမမှန်ခြင်း။
ကြီးကြပ်မှုကင်းမဲ့ခြင်း။
အရက်(အလွဲသုံး)
စသည်တို့

အငြင်းအခုံကို ပြောင်းပြန်လှန်ကြပါစို့။

ဆက်စပ်ဆက်နွယ်မှုကိန်းဂဏန်း (သုညနှင့်နီးစပ်) သည် x ပြောင်းလဲမှုသည် y ကိုမထိခိုက်စေဟု ဆိုလိုပါသလား။

မေးခွန်းသို့ ပြန်သွားရန်။

Average_Pulse သည် Calorie_Burnage ကို သက်ရောက်မှုမရှိဟု ကျွန်ုပ်တို့ ကောက်ချက်ချနိုင်ပါမည်လား။

အဖြေက မဟုတ်ဘူး ။

ဆက်စပ်မှုနှင့် အကြောင်းရင်းခံတို့အကြား အရေးကြီးသော ခြားနားချက်တစ်ခုရှိသည်။

Correlation သည် အချက်အလက် မည်မျှ နီးကပ်စွာ ဆက်စပ်နေသည်ကို တိုင်းတာသည့် ကိန်းဂဏန်းတစ်ခု ဖြစ်သည်။
အကြောင်းရင်းသည် x သည် y ကိုဖြစ်စေသော နိဂုံးဖြစ်သည်။

ထို့ကြောင့် ကျွန်ုပ်တို့သည် ကြိုတင်ခန့်မှန်းမှုများပြုလုပ်သောအခါ အကြောင်းရင်း၏သဘောတရားကို ပြင်းပြင်းထန်ထန်ထင်ဟပ်ရန် အရေးကြီးပါသည်။

❮ ယခင် နောက်တစ်ခု ❯