Kalkulator Korelasi

Koefisien korelasi Pearson (r) mengukur kekuatan dan arah hubungan linear antara dua variabel. Nilainya berkisar dari -1 hingga +1. Nilai mendekati +1 menunjukkan hubungan positif kuat (ketika X meningkat, Y juga meningkat), nilai mendekati -1 menunjukkan hubungan negatif kuat (ketika X meningkat, Y menurun), dan nilai mendekati 0 menunjukkan tidak ada hubungan linear. Interpretasi: |r| > 0,7 adalah kuat, 0,5-0,7 adalah sedang, 0,3-0,5 adalah lemah, dan < 0,3 adalah sangat lemah atau tidak ada korelasi.

R-kuadrat (r²) adalah koefisien determinasi, dihitung dengan mengkuadratkan koefisien korelasi. Ini menunjukkan persentase varians dalam Y yang dijelaskan oleh X. Misalnya, r² = 0,64 berarti 64% variasi dalam Y dapat dijelaskan oleh hubungan linearnya dengan X. Sisanya 36% disebabkan oleh faktor lain atau variasi acak. R-kuadrat selalu berkisar dari 0 hingga 1, terlepas dari apakah korelasi positif atau negatif.

Korelasi mengukur hubungan statistik antara dua variabel—ketika satu berubah, yang lain cenderung berubah. Kausalitas berarti satu variabel secara langsung menyebabkan perubahan pada variabel lain. Korelasi tinggi TIDAK membuktikan kausalitas. Misalnya, penjualan es krim dan tenggelam berkorelasi (keduanya meningkat di musim panas), tetapi es krim tidak menyebabkan tenggelam—cuaca panas adalah variabel pengganggu yang mempengaruhi keduanya. Untuk menetapkan kausalitas, diperlukan eksperimen terkontrol atau metode analisis kausal yang ketat.

Gunakan korelasi Pearson ketika: kedua variabel kontinu dan terdistribusi mendekati normal, hubungannya linear, dan tidak ada outlier ekstrem. Gunakan korelasi Spearman untuk data ordinal, hubungan monoton non-linear, atau ketika ada outlier (berdasarkan peringkat, bukan nilai mentah). Gunakan tau Kendall untuk ukuran sampel kecil atau ketika ada banyak peringkat seri. Untuk variabel kategorikal, gunakan chi-kuadrat atau V Cramer daripada korelasi.

Persamaan regresi linear y = mx + b menggambarkan garis paling cocok melalui titik data Anda. Kemiringan (m) menunjukkan berapa banyak Y berubah untuk setiap peningkatan satu unit dalam X. Misalnya, m = 2,5 berarti Y meningkat 2,5 untuk setiap peningkatan 1 unit X. Intercept Y (b) adalah nilai Y yang diprediksi ketika X = 0. Anda dapat menggunakan persamaan ini untuk memprediksi Y untuk nilai X apa pun, tetapi hanya dalam rentang data asli Anda (ekstrapolasi di luar rentang ini tidak dapat diandalkan).