{"id":826635,"date":"2023-05-08T11:00:00","date_gmt":"2023-05-08T18:00:00","guid":{"rendered":"https:\/\/www.questionpro.com\/blog\/matrice-di-correlazione\/"},"modified":"2025-02-07T09:22:01","modified_gmt":"2025-02-07T16:22:01","slug":"matrice-di-correlazione","status":"publish","type":"post","link":"https:\/\/www.questionpro.com\/blog\/it\/matrice-di-correlazione\/","title":{"rendered":"Matrice di correlazione: Cos’\u00e8 e come funziona con esempi"},"content":{"rendered":"\n
La matrice di correlazione \u00e8 uno strumento statistico che mostra la forza e la direzione della correlazione tra due o pi\u00f9 variabili. \u00c8 molto utilizzata in campi come la finanza, l’economia, la psicologia e la biologia, perch\u00e9 aiuta a capire come le diverse cose siano collegate tra loro.<\/p>\n\n\n\n
Per prendere buone decisioni sulla base dei dati, \u00e8 necessario saper leggere e utilizzare una matrice di correlazione. Mostra le variabili in righe e colonne. Il coefficiente di correlazione \u00e8 scritto in ogni cella di una tabella. <\/p>\n\n\n\n
In questo blog vi mostreremo come funziona una matrice di correlazione e vi forniremo alcuni esempi per aiutarvi a capire come utilizzarla per analizzare i dati.<\/p>\n\n\n\n
Una matrice di correlazione \u00e8 semplicemente una tabella con i coefficienti di correlazione di diverse variabili. La matrice mostra come tutte le possibili coppie di valori di una tabella siano correlate tra loro. Si tratta di uno strumento potente per riassumere un grande insieme di dati e per trovare e mostrare modelli nei dati.<\/p>\n\n\n\n
Spesso viene mostrata come una tabella, con ogni variabile elencata sia nelle righe che nelle colonne e il coefficiente di correlazione tra ogni coppia di variabili scritto in ogni cella. Il coefficiente di correlazione varia da -1 a +1, dove -1 indica una perfetta correlazione negativa, +1 una perfetta correlazione positiva e 0 significa che non c’\u00e8 correlazione tra le variabili.<\/p>\n\n\n\n
Inoltre, viene spesso utilizzato con altri tipi di analisi statistica.<\/p>\n\n\n\n
Ad esempio, potrebbe aiutare ad analizzare i modelli che utilizzano la regressione lineare multipla.<\/em><\/p>\n\n\n\n Non dimenticate che i modelli hanno diverse variabili che possono essere modificate autonomamente. Nell’analisi di regressione lineare multipla, la matrice di correlazione ci dice quanto le variabili indipendenti di un modello siano correlate tra loro.<\/p>\n\n\n\n La matrice di correlazione calcola la relazione lineare tra due variabili. La matrice viene costruita calcolando il coefficiente di correlazione per ogni coppia di variabili e inserendolo nella cella corrispondente della matrice.<\/p>\n\n\n\n Per calcolare il coefficiente di correlazione tra due variabili si utilizza la seguente formula:<\/p>\n\n\n\n r = (n\u03a3XY – \u03a3X\u03a3Y) \/ sqrt((n\u03a3X^2 – (\u03a3X)^2)(n\u03a3Y^2 – (\u03a3Y)^2))<\/p>\n\n\n\n dove:<\/p>\n\n\n\n r = coefficiente di correlazione<\/p>\n\n\n\n n = numero di osservazioni<\/p>\n\n\n\n \u03a3XY = somma del prodotto di ogni coppia di osservazioni corrispondenti delle due variabili<\/p>\n\n\n\n \u03a3X = somma delle osservazioni della prima variabile<\/p>\n\n\n\n \u03a3Y = somma delle osservazioni della seconda variabile<\/p>\n\n\n\n \u03a3X^2 = somma dei quadrati delle osservazioni della prima variabile<\/p>\n\n\n\n \u03a3Y^2 = somma dei quadrati delle osservazioni della seconda variabile<\/p>\n\n\n\n Il coefficiente di correlazione risultante varia da -1 a +1, con -1 che rappresenta una perfetta correlazione negativa, +1 che rappresenta una perfetta correlazione positiva e 0 che rappresenta nessuna correlazione tra le variabili.<\/p>\n\n\n\n La matrice di correlazione \u00e8 una matrice che mostra le correlazioni tra ogni coppia di variabili in un set di dati. Le parti fondamentali della matrice di correlazione sono:<\/p>\n\n\n\n Vediamo un esempio per capire come una matrice di correlazione possa aiutare a leggere e comprendere un set di dati con quattro variabili: et\u00e0, reddito, istruzione e soddisfazione lavorativa:<\/p>\n\n\n\n In questo esempio, possiamo notare che il reddito e l’istruzione hanno una forte correlazione positiva, pari a 0,8. Ci\u00f2 significa che le persone con un livello di istruzione pi\u00f9 elevato tendono ad avere redditi pi\u00f9 alti. Anche l’et\u00e0 e il reddito presentano una correlazione moderatamente positiva di 0,5, suggerendo che il reddito aumenta con l’et\u00e0. Ma la correlazione tra et\u00e0 e soddisfazione lavorativa \u00e8 solo dello 0,2, il che dimostra che l’et\u00e0 non \u00e8 un forte predittore della soddisfazione lavorativa.<\/p>\n\n\n\n La matrice di correlazione \u00e8 un’utile sintesi o analisi di come queste variabili sono correlate tra loro.<\/p>\n\n\n\n Sebbene la matrice di covarianza e la matrice di correlazione siano utilizzate in statistica per studiare i modelli, esse sono diverse. La prima mostra quanto due o pi\u00f9 variabili siano diverse tra loro, mentre la seconda mostra quanto siano simili.<\/p>\n\n\n\n Le matrici di correlazione e di covarianza si differenziano per alcuni aspetti:<\/p>\n\n\n\n La matrice di correlazione \u00e8 una matrice quadrata che mostra i coefficienti di correlazione tra due variabili. I coefficienti di correlazione misurano la forza e la direzione del legame tra due variabili in linea retta. Una matrice di correlazione esamina spesso la relazione tra diverse variabili nell’analisi multivariata e nella statistica.<\/p>\n\n\n\n Le matrici di correlazione possono essere utilizzate anche per trovare situazioni in cui due o pi\u00f9 variabili sono altamente correlate tra loro. Questo fenomeno \u00e8 chiamato multicollinearit\u00e0. La multicollinearit\u00e0 pu\u00f2 causare problemi nell’analisi di regressione, come stime dei parametri non stabili ed errori standard troppo grandi.<\/p>\n\n\n\n La matrice di correlazione \u00e8 uno strumento utile per capire come le diverse variabili siano correlate tra loro. Osservando i coefficienti di correlazione tra due variabili, possiamo capire come sono correlate e come le variazioni di una variabile possono influenzare le altre.<\/p>\n\n\n\n QuestionPro dispone di una serie di funzioni e strumenti che possono aiutare a creare una matrice di correlazione e ad analizzarla. La sua piattaforma di indagine pu\u00f2 aiutare a raccogliere i dati dagli intervistati e i suoi strumenti di analisi possono aiutare a creare una matrice di correlazione dai dati raccolti. QuestionPro dispone anche di strumenti di analisi avanzati che aiutano a trovare connessioni tra le variabili e a individuare la multicollinearit\u00e0.<\/p>\n\n\n\n L’interfaccia drag-and-drop e la dashboard user-friendly di QuestionPro facilitano la creazione di indagini e l’analisi dei dati anche agli utenti non tecnici. La piattaforma dispone inoltre di una serie di integrazioni e opzioni di automazione che facilitano la raccolta e l’analisi dei dati.<\/p>\n\n\n\n QuestionPro \u00e8 uno strumento utile per i ricercatori e gli analisti che vogliono scoprire come le diverse variabili si relazionano tra loro e cosa si pu\u00f2 imparare dai dati di un sondaggio.<\/p>\n\n\n\n <\/p>Come funziona la matrice di correlazione?<\/h2>\n\n\n\n
\n
Punti chiave della matrice di correlazione<\/h2>\n\n\n\n
\n
Esempio di matrice di correlazione<\/h2>\n\n\n\n
<\/td> Et\u00e0<\/td> Reddito<\/td> Istruzione<\/td> Soddisfazione lavorativa<\/td><\/tr> Et\u00e0<\/td> 1<\/td> 0.5<\/td> 0.3<\/td> 0.2<\/td><\/tr> Reddito<\/td> 0.5<\/td> 1<\/td> 0.8<\/td> 0.6<\/td><\/tr> Istruzione<\/td> 0.3<\/td> 0.8<\/td> 1<\/td> 0.4<\/td><\/tr> Soddisfazione lavorativa<\/td> 0.2<\/td> 0.8<\/td> 0.4<\/td> 1<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Matrice di correlazione vs. matrice di covarianza<\/h2>\n\n\n\n
Base<\/td> Matrice di correlazione<\/td> Matrice di covarianza<\/td><\/tr> Relazione<\/td> Aiuta a capire la direzione (positiva\/negativa) e la forza (bassa\/media\/alta) della relazione tra due variabili.<\/td> Misura solo la direzione della relazione tra due variabili.<\/td><\/tr> Sottoinsieme e intervallo specificati<\/td> \u00c8 una parte della covarianza e ha un range di valori compreso tra 0 e 1. (da -1 a 1).<\/td> \u00c8 un’idea pi\u00f9 grande, senza limiti chiari (pu\u00f2 arrivare all’infinito).<\/td><\/tr> Dimensione<\/td> Non si pu\u00f2 misurare.<\/td> Si pu\u00f2 misurare.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Conclusione<\/h2>\n\n\n\n