Kanonik Korelasyon Analizi Nedir? Ne Zaman Kullanılır?

Basira Editör Ekibi · · 11 dk okuma · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Kanonik korelasyon analizi, iki değişken kümesinin her birinden doğrusal bir birleşim (kanonik değişken) kurar ve bu iki birleşim arasındaki korelasyonu en büyük yapar; bu korelasyona kanonik korelasyon denir.
  • Kümelerden küçük olanının değişken sayısı kadar kanonik fonksiyon çıkar; fonksiyonlar birbiriyle ilişkisizdir ve kanonik korelasyonları giderek küçülür.
  • Bir küme tek değişkenden oluşursa kanonik korelasyon çoklu regresyondaki R'ye eşittir; bir küme grup üyeliğini kodlayan kukla değişkenlerse analiz tek yönlü MANOVA'yla aynı Wilks lambda'yı verir.
  • Kanonik korelasyonun karesi kümeler arasında değil, iki kanonik değişken arasında paylaşılan varyanstır; bir kümenin varyansının ötekinin kanonik değişkenince açıklanan payını yineleme (redundancy) indeksi verir.
  • Fonksiyonlar yalnız anlamlılıkla değil, yapı katsayıları (yükler) ve kanonik korelasyonun büyüklüğüyle yorumlanır; küçük örneklemde sonuçlar kararsızdır ve doğrulanması gerekir.

İçindekiler

İçindekiler

Kanonik korelasyon analizi, iki değişken kümesi arasındaki ilişkiyi tek seferde inceleyen çok değişkenli bir yöntemdir. Her kümeden değişkenlerin ağırlıklı bir toplamını (kanonik değişken) kurar; ağırlıkları, bu iki toplam arasındaki korelasyon en büyük olacak biçimde seçer. Örneğin yaşam biçimi göstergeleriyle psikolojik iyi oluş puanlarının birlikte nasıl ilişkili olduğu sorusu bu yöntemle yanıtlanır.

İki değişken arasındaki ilişkinin katsayıları korelasyon analizi rehberinde, birden çok yordayıcıyla tek bir sonucun modellenmesi çoklu doğrusal regresyon yazısında anlatılır. Bu yazı ikisinin buluştuğu yeri ele alır: her iki tarafta da birden çok değişken olduğunda ilişki nasıl özetlenir, sınanır ve okunur?

Kanonik korelasyon analizi nedir?

Yöntemi Hotelling (1936) iki değişken kümesi arasındaki ilişkiyi incelemek için tanımladı. Kümelerden birine X (p değişken), ötekine Y (q değişken) denir. Analiz önce her kümeden birer doğrusal birleşim kurar:

U1=a1X1+a2X2+⋯+apXpU_1 = a_1 X_1 + a_2 X_2 + \dots + a_p X_p
V1=b1Y1+b2Y2+⋯+bqYqV_1 = b_1 Y_1 + b_2 Y_2 + \dots + b_q Y_q

Burada a1,…,apa_1, \dots, a_p ve b1,…,bqb_1, \dots, b_q değişkenlerin ağırlıklarıdır. Ağırlıklar, U1U_1 ile V1V_1 arasındaki Pearson korelasyonu olabilecek en büyük değeri alacak biçimde seçilir. Bu korelasyon birinci kanonik korelasyondur (Rc1R_{c1}); U1U_1 ve V1V_1 ise birinci kanonik değişken çiftidir. Bir kanonik değişken çifti ve onların korelasyonu birlikte bir kanonik fonksiyon oluşturur.

Ardından ikinci bir çift aranır: yine korelasyonu en büyük olan, ama birinci çiftteki kanonik değişkenlerle ilişkisiz bir çift. Bu süreç, küçük kümenin değişken sayısı kadar sürer: m=min⁡(p,q)m = \min(p, q) fonksiyon çıkar. Kanonik korelasyonlar sıralıdır (Rc1≥Rc2≥…R_{c1} \geq R_{c2} \geq \dots) ve her biri 0 ile 1 arasındadır; yön bilgisi kanonik değişkenlerin ağırlıklarında ve yüklerinde durur.

Matris dilinde kanonik korelasyonların kareleri, iki kümenin korelasyon matrislerinden kurulan bir matrisin özdeğerleridir:

Rxx−1RxyRyy−1RyxR_{xx}^{-1} R_{xy} R_{yy}^{-1} R_{yx}

Burada RxxR_{xx} ve RyyR_{yy} kümelerin kendi içindeki korelasyon matrisleri, RxyR_{xy} iki küme arasındaki korelasyonlardır. Formüldeki iki ters matris, yöntemin neden küme içindeki çok yüksek ilişkilere duyarlı olduğunu da gösterir (aşağıda varsayımlar).

Kanonik korelasyon ne zaman kullanılır?

Araştırma sorusu iki değişken grubunun birbiriyle nasıl ilişkili olduğunu soruyorsa ve gruplardan en az biri birden çok değişken içeriyorsa kanonik korelasyon düşünülür. Kümeler kuramdan gelir: aynı yapının alt boyutları ya da birlikte anlam taşıyan göstergeler. Seçimi değişkenlerin rolü belirler:

Araştırma durumuUygun yöntem
İki değişken, ilişkinin yönü ve gücüPearson korelasyonu ya da Spearman
Birden çok yordayıcı, tek sonuç (aralıklı ya da oranlı ölçüm)Çoklu doğrusal regresyon
Birden çok yordayıcı ve birden çok sonuç; iki kümenin ortak ilişki örüntüsü aranıyorKanonik korelasyon analizi
Gruplar (kategorik değişken) ve birden çok sonuç (aralıklı ya da oranlı ölçüm)MANOVA (kanonik korelasyonun özel durumu)
Tek bir kümenin kendi içindeki ortak yapıAçıklayıcı faktör analizi ya da temel bileşenler analizi
Çok sayıda değişken, görece az gözlemDüşünülebilir bir seçenek: düzenlileştirilmiş ya da seyrek kanonik korelasyon, kısmi en küçük kareler (PLS)
Gizil değişkenler ve yönlü yollar kuramdan belliYapısal eşitlik modellemesi

Kanonik korelasyonu temel bileşenler analizinden ayıran şey, neyin en büyük yapıldığıdır. Temel bileşenler tek bir kümenin varyansını özetler (boyut indirgeme); kanonik değişkenler ise iki küme arasındaki korelasyonu en büyük yapar. Bir kümenin varyansının çoğunu taşıyan bir bileşen, öteki kümeyle hiç ilişkili olmayabilir.

Her sonuç için ayrı bir çoklu regresyon kurmak da bir seçenektir, ama sonuçların birbiriyle ilişkisini hesaba katmaz ve test sayısını artırır. Kanonik korelasyon önce iki kümenin bütün olarak ilişkili olup olmadığını tek bir testle sınar.

Çoklu regresyon ve MANOVA ile ilişkisi nedir?

Çoklu regresyonda R, sonuç ile yordayıcıların en iyi doğrusal birleşimi (tahmin edilen değer) arasındaki korelasyondur. Kanonik korelasyon aynı fikri iki tarafa uygular: sonuç tarafında da tek bir değişken yerine en uygun ağırlıklı toplam aranır. Bu yüzden Y kümesi tek değişkenden oluşursa tek bir kanonik fonksiyon çıkar ve RcR_c çoklu regresyondaki R’ye, Rc2R_c^2 de R²’ye eşittir. İki küme de tek değişkense kanonik korelasyon, Pearson korelasyonunun mutlak değeridir.

Öteki uçta, kümelerden biri grup üyeliğini kodlayan k − 1 kukla değişkenden oluşursa analiz tek yönlü MANOVA’yla aynı Wilks lambda’yı verir; ayırma (diskriminant) analizi de aynı çözümün başka bir okumasıdır. Knapp (1978), t-testinden ANOVA’ya, çoklu regresyondan MANOVA’ya kadar yaygın parametrik testlerin çoğunun kanonik korelasyonun özel durumları olarak yazılabileceğini gösterdi.

Bu genellik iki şey söyler. Birincisi, kanonik korelasyonun varsayımları bu testlerinkiyle akrabadır. İkincisi, sorunuz bir sonucun yordanmasıysa ya da grup farkıysa daha özel yöntem (regresyon, ANOVA, MANOVA) hem daha kolay okunur hem de daha doğrudan raporlanır. Kanonik korelasyon, iki tarafın da çok değişkenli olduğu ve rollerin simetrik düşünüldüğü sorularda öne çıkar.

Kanonik değişkenler, ağırlıklar ve yükler nasıl okunur?

Bir fonksiyonu yorumlamak, kanonik değişkenin hangi değişkenlerden beslendiğini anlamaktır. Çıktıda bunun için üç ayrı katsayı türü bulunur ve karıştırılmaları en sık yorum hatasıdır:

  • Standartlaştırılmış kanonik katsayılar (ağırlıklar): Kanonik değişkeni kuran ağırlıklardır; çoklu regresyondaki standartlaştırılmış β’ya benzer. Bir değişkenin, kümedeki öteki değişkenler hesaba katıldığında kanonik değişkene katkısını gösterir.
  • Yapı katsayıları (kanonik yükler): Her özgün değişken ile kendi kümesinin kanonik değişkeni arasındaki Pearson korelasyonudur. Kanonik değişkenin neyi temsil ettiğini anlatır; karesi, değişkenin varyansının o kanonik değişkenle paylaşılan payıdır.
  • Çapraz yükler: Bir değişken ile öteki kümenin kanonik değişkeni arasındaki korelasyondur. Bir değişkenin karşı kümeyle ne kadar ilişkili olduğunu doğrudan gösterir.

Dikkat

Küme içindeki değişkenler birbiriyle yüksek ilişkiliyse ağırlıklar yanıltıcı olur: kanonik değişkenle güçlü ilişkili bir değişkenin ağırlığı sıfıra yakın, hatta ters işaretli çıkabilir. Bu, çoklu doğrusal bağlantının regresyon katsayılarında yarattığı sorunun aynısıdır. Bu nedenle yorumun yalnız ağırlıklara değil, yapı katsayılarına da dayanması ve ikisinin birlikte raporlanması yaygın bir öneridir.

İki pratik not: Bir fonksiyonun bütün işaretleri birlikte ters çevrilebilir, çözüm değişmez; anlamlı olan, değişkenlerin birbirine göre işaretidir. Ayrıca |.30| gibi “yüksek yük” sınırları okumayı kolaylaştırır, ama bağlamsız bir kural değildir.

Kanonik fonksiyonların anlamlılığı nasıl sınanır?

Kanonik fonksiyonlar tek tek değil, sıralı (boyut azaltma) testlerle sınanır. k’inci test, k’inci ve sonraki bütün kanonik korelasyonların kitlede sıfır olduğu yokluk hipotezini (H₀) sınar. Test istatistiği Wilks (1932) lambda’sıdır:

Λk=∏i=km(1−Rci2)\Lambda_k = \prod_{i=k}^{m} \left(1 - R_{ci}^2\right)

Burada RciR_{ci} i’nci kanonik korelasyon, m ise fonksiyon sayısıdır. Lambda 0 ile 1 arasındadır; 1’e yakın değer ilişkinin zayıf olduğunu gösterir. Bartlett (1941) lambda’yı ki-kare dağılımına uyan bir istatistiğe çevirdi:

χ2=−[(n−1)−p+q+12]ln⁡Λk,sd=(p−k+1)(q−k+1)\begin{aligned} \chi^2 &= -\left[(n - 1) - \frac{p + q + 1}{2}\right] \ln \Lambda_k, \\ \text{sd} &= (p - k + 1)(q - k + 1) \end{aligned}

Burada n analize giren gözlem sayısı, p ve q iki kümenin değişken sayısı, sd ise serbestlik derecesidir. Programların bir kısmı aynı lambda için Rao’nun F yaklaşımını da verir. Testler şu sırayla okunur:

  • Birinci test (“1’den m’ye”) bütün modelin testidir: anlamlıysa en az birinci kanonik korelasyon sıfırdan farklıdır.
  • İkinci test birinci fonksiyon çıkarıldıktan sonra kalanları sınar.
  • Yalnız sonuncu fonksiyon tek başına sınanır.

Bütün modelin etki büyüklüğü olarak 1 − Λ kullanılabilir. Çıktıda Pillai izi, Hotelling-Lawley izi ve Roy’un en büyük kökü de görülebilir; dördü de aynı kanonik korelasyonlardan hesaplanır, ama birleştirme biçimleri farklıdır. Çıktıdaki özdeğer sütunu (E−1HE^{-1}H matrisinin özdeğeri) Rc2/(1−Rc2)R_c^2 / (1 - R_c^2)‘dir ve yukarıdaki matrisin özdeğerinden (yani Rc2R_c^2‘den) farklıdır.

Anlamlılık yorum için yeterli değildir. Büyük örneklemde pratik olarak önemsiz bir fonksiyon da anlamlı çıkar; bu yüzden Rc2R_c^2‘nin büyüklüğü ve fonksiyonun kuramsal olarak yorumlanabilir olup olmadığı birlikte değerlendirilir. Çok sayıda fonksiyon ve yük sınanıyorsa birinci tür hata olasılığı da göz önünde tutulur.

Yineleme (redundancy) indeksi nedir?

Yineleme indeksi, bir değişken kümesinin varyansının öteki kümenin kanonik değişkenince açıklanan payıdır (Stewart ve Love, 1968).

Dikkat

Rc2R_c^2 sık yanlış okunan bir değerdir: iki kanonik değişken arasında paylaşılan varyanstır, iki değişken kümesi arasında değil. Kanonik değişkenler kümelerin varyansının yalnız bir kısmını taşıyabilir; yüksek bir RcR_c, kümelerin büyük bölümünün birbiriyle ilişkili olduğu anlamına gelmez.

Yineleme indeksi, Rc2R_c^2‘nin kümeler hakkında söylemediğini tamamlar. Önce Y kümesinin kendi kanonik değişkeninde ne kadar temsil edildiğine bakılır: Y değişkenlerinin yapı katsayılarının karelerinin ortalaması. Bu değer Rc2R_c^2 ile çarpılınca, Y kümesinin varyansının X tarafındaki kanonik değişkence açıklanan payı elde edilir:

RDY,k=rˉY,k 2×Rck2\text{RD}_{Y,k} = \bar{r}^{\,2}_{Y,k} \times R_{ck}^2

Burada rˉY,k 2\bar{r}^{\,2}_{Y,k} bu ortalama, Rck2R_{ck}^2 ise k’inci kanonik korelasyonun karesidir. Fonksiyonların indeksleri toplanarak toplam yineleme bulunur.

İndeks simetrik değildir: Y’nin X’le açıklanan payı ile X’in Y’yle açıklanan payı farklı çıkabilir, çünkü iki kümenin kendi kanonik değişkenlerinde temsil edilme oranları farklıdır. Bu yüzden iki yön ayrı raporlanır. Kanonik ağırlıklar yinelemeyi değil korelasyonu en büyük yaptığı için yineleme indeksi analizin optimize ettiği bir değer değildir; bir özet ölçüsü olarak okunur.

Varsayımlar ve örneklem büyüklüğü nelerdir?

Kanonik korelasyon Pearson korelasyon matrisinden hesaplanır; bu yüzden Pearson’ın koşulları burada da geçerlidir:

  1. Ölçek: Değişkenler aralıklı ya da oranlı ölçekte ölçülür. Tek bir Likert maddesi gibi sıralı değişkenler ve belirgin biçimde normal dışı değişkenler Pearson korelasyonlarını bozabilir (belirgin normal dışılığın ölçütü bu listenin altında yazılıdır). Hangi katsayının seçileceği Pearson mu Spearman mı yazısındadır. Böyle değişkenler analize girecekse sonuç temkinle okunur.
  2. Doğrusallık: Kümeler arasındaki ilişkiler doğrusaldır; ikili saçılım grafikleriyle bakılır.
  3. Aykırı değerler: Tek bir uç gözlem korelasyon matrisini ve dolayısıyla bütün çözümü değiştirebilir (aykırı değer).
  4. Küme içinde tam bağlantı olmaması: Bir değişken aynı kümedeki ötekilerin doğrusal birleşimiyse (ör. bir ölçeğin toplam puanı alt boyut puanlarıyla birlikte girdiğinde) ters matris hesaplanamaz ve analiz yapılamaz. Tam olmayan ama çok yüksek ilişkiler ağırlıkları kararsızlaştırır.
  5. Çok değişkenli normallik: Kanonik korelasyonların hesaplanması için değil, anlamlılık testleri için gereklidir. Çok değişkenli normallik testleri (ör. Mardia, Henze-Zirkler) raporlanabilir; ama Shapiro-Wilk gibi bunlar da büyük örneklemde önemsiz sapmaları anlamlı bulur ve analizi tek başına belirlemez.

Birinci maddedeki belirgin normal dışılığı bu blogdaki test seçimi yazıları açık bir karar kuralıyla tanımlar: çarpıklığın mutlak değeri 2’den ya da fazla basıklığın mutlak değeri 7’den büyükse (yanlılığı düzeltilmiş G1 ve G2; West, Finch ve Curran, 1995; doğru istatistiksel test seçimi). Bu kural evrensel bir standart ya da kanonik korelasyona özgü bir eşik değildir.

Eksik veri çoğu programda satırın tümden çıkarılmasıyla (liste bazında silme) ele alınır; bu, gözlem sayısını beklenenden çok düşürebilir (eksik veri).

Örneklem büyüklüğü asıl sorundur. Analizin anlamlı bir sonuç vermesi için gözlem sayısı iki kümedeki toplam değişken sayısından büyük olmalıdır (gözlem sayısı bu toplamı aşmazsa analiz hesaplanır, ama birinci kanonik korelasyon 1’e yozlaşır); bu yalnız matematiksel alt sınırdır. Kanonik korelasyon bir en büyükleme sonucudur: örneklemdeki rastlantısal ilişkileri de yakalar ve küçük örneklemde kitledeki değerinden büyük çıkma eğilimindedir.

Helmer vd. (2024), çok sayıda değişkenli (yüksek boyutlu) veri kümeleri için kurdukları benzetimlerde ve beyin görüntüleme ile davranış verilerinde, bu alandaki tipik çalışmalardaki kadar küçük örneklemlerle kanonik ilişkilerin hem büyüklüğünün hem de değişken örüntüsünün kararsız ve isabetsiz olduğunu gösterdi.

Bu nedenle değişken sayısı kuramın gerektirdiğiyle sınırlı tutulur ve gerekli örneklem veri toplanmadan önce planlanır (örneklem büyüklüğü nasıl hesaplanır). Değişken sayısının gözlem sayısına yaklaştığı yüksek boyutlu verilerde düzenlileştirilmiş ve seyrek kanonik korelasyon türleri geliştirilmiştir (Wang vd., 2020).

Örnek bir araştırma sorusu: analiz adım adım nasıl okunur?

Varsayımsal bir halk sağlığı tezinde araştırmacı, üniversite öğrencilerinde yaşam biçimi ile psikolojik iyi oluşun ilişkisini inceliyor. X kümesi üç değişkenden oluşuyor: gece uyku süresi, haftalık fiziksel etkinlik süresi ve günlük ekran süresi. Y kümesi aynı ölçeğin depresyon, kaygı ve stres alt boyut puanlarıdır.

İki küme de üç değişkenli olduğu için en çok üç kanonik fonksiyon çıkar. Aşağıdaki adımlar okumanın sırasını gösterir; burada sayısal bir sonuç verilmiyor.

  1. Kümeleri kuramdan tanımlamak. Hangi değişkenin hangi kümede yer aldığı veriye bakılmadan, kuramla belirlenir. Ölçeğin toplam puanı alt boyutlarla birlikte Y kümesine konmaz.
  2. Ön denetim. Saçılım grafikleri, aykırı değerler, eksik veri ve küme içi korelasyonlar incelenir; analize giren gözlem sayısı not edilir.
  3. Bütün modelin testi. “1’den 3’e” testi anlamlı değilse fonksiyonlar yorumlanmaz; anlamlıysa sonraki testlere ve her fonksiyonun Rc2R_c^2 değerine bakılır.
  4. Yorumlanacak fonksiyonları seçmek. Anlamlılık, Rc2R_c^2‘nin büyüklüğü ve kuramsal açıklanabilirlik birlikte gözetilir. Çoğu çalışmada bir ya da iki fonksiyon yorumlanır.
  5. Yapı katsayılarını okumak. Örneğin birinci fonksiyonda uyku ve fiziksel etkinlik bir yönde, ekran süresi ters yönde yüklenir ve üç sıkıntı puanı birlikte ters yönde yüklenirse, fonksiyon “daha sağlıklı yaşam biçimi örüntüsü ile daha düşük psikolojik sıkıntının birlikteliği” diye adlandırılabilir. Ağırlıklar yüklerle çelişiyorsa küme içi bağlantı kontrol edilir.
  6. Yineleme indeksini okumak. Sıkıntı puanlarının varyansının ne kadarının yaşam biçimi kümesince açıklandığı ayrıca raporlanır; yüksek bir RcR_c ile düşük bir yineleme aynı anda görülebilir.
  7. Sınırları yazmak. Veri kesitsel olduğu için yön ve neden-sonuç anlamı çıkarılmaz (korelasyon ve nedensellik). Örneklem elveriyorsa çözüm örneklemin iki yarısında ya da bootstrap ile yinelenir ve kararlılığı gösterilir.

Kanonik korelasyon sonuçları nasıl raporlanır?

APA 7 biçimindeki bir raporda analize giren gözlem sayısı, iki kümenin değişkenleri ve eksik verinin nasıl ele alındığı yazılır. Ardından bütün modelin testi (Wilks Λ, ki-kare ya da F istatistiği, serbestlik dereceleri ve kesin p değeri), etki büyüklüğü olarak 1 − Λ, sonraki boyut azaltma testleri ve yorumlanan her fonksiyon için RcR_c ile Rc2R_c^2 verilir. Analizin yürütülmesi ve yorumu için uygulamalı bir giriş Sherry ve Henson’dadır (2005).

Bir tabloda her değişkenin standartlaştırılmış kanonik katsayısı ve yapı katsayısı (gerekirse karesi) yorumlanan fonksiyonlar için yan yana gösterilir; iki yöndeki yineleme indeksleri de tabloya ya da metne girer. Varsayım denetimleri ve ayrıntılı gerekçeler yöntem bölümüne yazılır.

Genel biçim kuralları APA 7’ye göre istatistik raporlama yazısında, tablonun bulgulardaki yeri bulgular bölümü nasıl yazılır yazısında anlatılır. Uzmanla Çalış analiz ve yöntem desteğidir; tezi ya da bölümlerini yazmak, bulguları yorumlamak ve savunmak araştırmacının kendi işidir.

Sık yapılan hatalar nelerdir?

En sık hatalar Rc2R_c^2‘nin okunmasında, ağırlık ile yükün ayrımında, boyut azaltma testlerinde ve örneklem büyüklüğünde yapılır:

  • Rc2R_c^2‘yi iki küme arasındaki ortak varyans diye okumak. Paylaşılan varyans iki kanonik değişken arasındadır; kümeler için yineleme indeksine bakılır.
  • Fonksiyonları yalnız ağırlıklarla yorumlamak. Küme içi bağlantı ağırlıkları bozar; yapı katsayıları da raporlanır.
  • Her boyut azaltma testini tek bir fonksiyonun testi sanmak. Yalnız sonuncu test tek bir fonksiyonu sınar.
  • Bütün fonksiyonları yorumlamak. Anlamlı ama çok küçük Rc2R_c^2 taşıyan fonksiyonlar yorum yükü getirir, bilgi getirmez.
  • Gözlem sayısına göre çok fazla değişken almak. Kanonik korelasyon şişer, örüntü yeni örneklemde yinelenmez.
  • Toplam puanı alt boyutlarıyla aynı kümeye koymak. Analiz hesaplanamaz.
  • Kesitsel veriden neden-sonuç cümlesi kurmak. Kanonik korelasyon simetriktir; hangi kümenin “X” diye adlandırıldığı yön bildirmez.

Sık sorulan sorular

Kanonik korelasyon ile çoklu regresyon arasındaki fark nedir?

Çoklu regresyon tek bir sonucu birden çok yordayıcıyla açıklar. Kanonik korelasyon iki tarafta da birden çok değişken bulunduğunda iki kümenin en güçlü ortak ilişkisini arar. Bir küme tek değişkenden oluşursa iki yöntem aynı R’yi verir.

Kaç kanonik fonksiyon çıkar?

Küçük kümenin değişken sayısı kadar. Üç ve beş değişkenli iki kümeden en çok üç fonksiyon çıkar; bunların hepsinin yorumlanması gerekmez.

Kanonik korelasyon negatif olabilir mi?

Hayır. Kanonik korelasyon 0 ile 1 arasındadır. İlişkinin yönü, değişkenlerin kanonik değişkenlerdeki ağırlık ve yüklerinin işaretlerinden okunur.

Hangi küme X, hangisi Y olmalı?

Kanonik korelasyonlar ve Wilks lambda kümelerin adlandırılmasından etkilenmez. Yineleme indeksi ise yönlüdür; bu yüzden iki yön ayrı raporlanır.

Kanonik korelasyon MANOVA’nın yerine kullanılabilir mi?

Kümelerden biri grup üyeliğini kodlayan kukla değişkenlerse kanonik korelasyon tek yönlü MANOVA’yla aynı Wilks lambda’yı verir. Soru grup farkıysa MANOVA’nın dili ve raporu daha doğrudandır; kanonik korelasyon iki tarafın da aralıklı ya da oranlı ölçümlü ve çok değişkenli olduğu sorularda daha uygundur.

  • #kanonik-korelasyon
  • #korelasyon-analizi
  • #iliski-analizi
  • #regresyon-analizi

Bilimsel inceleme

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

İnceleme tarihi:

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Kaynakça

  1. Bartlett, M. S. (1941). The statistical significance of canonical correlations. Biometrika, 32(1), 29–37.
  2. Helmer, M., Warrington, S., Mohammadi-Nejad, A.-R., Ji, J. L., Howell, A., Rosand, B., Anticevic, A., Sotiropoulos, S. N., & Murray, J. D. (2024). On the stability of canonical correlation analysis and partial least squares with application to brain-behavior associations. Communications Biology, 7, Article 217.
  3. Hotelling, H. (1936). Relations between two sets of variates. Biometrika, 28(3–4), 321–377.
  4. Knapp, T. R. (1978). Canonical correlation analysis: A general parametric significance-testing system. Psychological Bulletin, 85(2), 410–416.
  5. Sherry, A., & Henson, R. K. (2005). Conducting and interpreting canonical correlation analysis in personality research: A user-friendly primer. Journal of Personality Assessment, 84(1), 37–48.
  6. Stewart, D., & Love, W. (1968). A general canonical correlation index. Psychological Bulletin, 70(3, Pt. 1), 160–163.
  7. Wang, H.-T., Smallwood, J., Mourao-Miranda, J., Xia, C. H., Satterthwaite, T. D., Bassett, D. S., & Bzdok, D. (2020). Finding the needle in a high-dimensional haystack: Canonical correlation analysis for neuroscientists. NeuroImage, 216, Article 116745.
  8. West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). Sage.
  9. Wilks, S. S. (1932). Certain generalizations in the analysis of variance. Biometrika, 24(3–4), 471–494.

Kendi verinizde görün

Kavramı kendi verinizde görmek isterseniz Basira’yı ücretsiz deneyebilirsiniz. Basira’yı deneyin

Kavramı kendi verinizde görmek isterseniz panelinize dönebilirsiniz. Panele git

İlgili yazılar