Pearson ve Spearman Karşılaştırması

Her korelasyon aynı değildir. En yaygın iki yöntem olan Pearson ve Spearman, değişkenlerinizin ilişkisi hakkında biraz farklı sorular sorar. 🔍

Pearson, verilerinize düz bir doğrunun ne kadar iyi uyduğunu ölçer. Her iki değişken de sayısal olduğunda ve ilişkileri yaklaşık olarak doğrusal göründüğünde kullanılan klasik tercihtir.

Pearson yalnızca doğruları gördüğü için güçlü ancak eğri bir ilişki onu yanıltabilir. Örüntü kıvrılıyorsa, gerçek bir bağlantı bulunsa bile Pearson değeri zayıf görünebilir.

Pearson ayrıca aykırı değerlere karşı duyarlıdır. Tek bir uç nokta katsayıyı yukarı veya aşağı çekerek verileriniz hakkında yanıltıcı bir görüntü oluşturabilir.

Spearman, ham sayılar yerine değerlerinizin sıralarıyla çalışır. Bir değişken artarken diğerinin de tutarlı bir sırayla artma eğiliminde olup olmadığını sorar.

Spearman, eğri bir ilişki olsa bile her türlü tekdüze eğilimi yakalar. Yön tutarlı kaldığı sürece, kesin biçimden bağımsız olarak güçlü bir puan bildirir.

Spearman sıraları kullandığı için tek bir sıra dışı değer neredeyse hiç önem taşımaz. Bu, verilerinizde Pearson'ı sarsacak uç değerler olduğunda onu daha dayanıklı kılar.

Spearman; memnuniyet puanları veya sıralamalar gibi, sıranın önemli olduğu ancak düzeyler arasındaki aralıkların gerçekten eşit olmadığı sıralı verilerde özellikle kullanışlıdır.

İlişki doğrusal ve aykırı değerlerden arınmışsa Pearson ile Spearman birbirine yakın sonuç verir. Aralarındaki büyük fark, daha yakından bakmanız için yararlı bir sinyaldir.

Temiz ve doğrusal sayısal verilerde Pearson'ı kullanın. Sıralar, eğriler veya sonucu baskılamasını istemediğiniz aykırı değerler varsa Spearman'a geçin.

pandas'ta tek bir değişkenle geçiş yaparsınız. method değerini pearson veya spearman olarak corr işlevine iletin; kodunuzun geri kalanı tamamen aynı kalır.

Pearson ham sayılardaki doğrusal gücü ölçerken Spearman, tekdüze eğilimleri yakalamak ve aykırı değerleri önemsememek için değerleri sıralar. Yöntemi verilerinize uygun seçin. ✅