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။