Nhiều hệ số hồi quy tuyến tính và tương quan một phần được liên kết trực tiếp và có cùng tầm quan trọng (giá trị p). Một phần r chỉ là một cách khác để chuẩn hóa hệ số, cùng với hệ số beta (hệ số hồi quy chuẩn hóa) 1 . Vì vậy, nếu biến phụ thuộc là y và độc lập là x 1 và x 2 thì1yx1x2
Beta:βx1=ryx1−ryx2rx1x21−r2x1x2
Partial r:ryx1.x2=ryx1−ryx2rx1x2(1−r2yx2)(1−r2x1x2)−−−−−−−−−−−−−−−−√
Bạn thấy rằng các tử số là như nhau cho biết cả hai công thức đều đo cùng một hiệu ứng duy nhất của . Tôi sẽ cố gắng giải thích làm thế nào hai công thức giống nhau về cấu trúc và làm thế nào chúng không.x1
Giả sử rằng bạn có tiêu chuẩn z (trung bình 0, phương sai 1) cả ba biến. Tử số sau đó là bằng với hiệp phương sai giữa hai loại dư : (a) dư còn lại trong dự đoán bởi x 2 [cả hai biến chuẩn] và (b) dư còn lại trong dự đoán x 1 bởi x 2 [cả hai biến chuẩn] . Hơn nữa, phương sai của phần dư (a) là 1 - r 2 y x 2 ; phương sai của phần dư (b) là 1 - r 2 x 1 x 2 .yx2x1x21−r2yx21−r2x1x2
Công thức cho tương quan một phần sau đó xuất hiện rõ ràng công thức của Pearson , như được tính trong trường hợp này giữa phần dư (a) và phần dư (b): Pearson r , chúng ta biết, là hiệp phương sai được chia cho mẫu số là trung bình hình học của hai phương sai khác nhau.rr
Beta hệ số chuẩn hóa có cấu trúc giống như Pearson , chỉ có mẫu số là giá trị trung bình hình học của phương sai với chính mình . Phương sai của phần dư (a) không được tính; nó đã được thay thế bằng cách đếm thứ hai của phương sai của phần dư (b). Do đó, Beta là hiệp phương sai của hai phần dư so với phương sai của một trong số chúng (cụ thể là phần tử liên quan đến yếu tố dự đoán lợi ích, x 1 ). Trong khi tương quan một phần, như đã nhận thấy, là cùng một hiệp phương sai tương đối phương sai lai của chúng . Cả hai loại hệ số là cách để tiêu chuẩn hóa hiệu ứng của x 1 trong môi trường của các yếu tố dự đoán khác.rx1x1
Một số hậu quả số của sự khác biệt. Nếu bình phương R của hồi quy bội của theo x 1 và x 2 xảy ra là 1 thì cả hai tương quan một phần của các yếu tố dự đoán với phụ thuộc cũng sẽ là 1 giá trị tuyệt đối (nhưng nhìn chung betas sẽ không phải là 1). Thật vậy, như đã nói trước đây, r y x 1 . x 2 là mối tương quan giữa phần dư của và phần dư của . Nếu những gì không phải là x 2 trong y thì chính xác là những gì không phải là x 2 trong x 1yx1x2ryx1.x2y <- x2
x1 <- x2
x2y x2x1thì không có gì trong cả x 1 hay x 2 : hoàn toàn phù hợp. Số phần của phần không giải thích được (bằng x 2 ) còn lại trong y (phần 1 - r 2 y x 2 ) là bao nhiêu, nếu phần này được thu tương đối cao bởi phần độc lập của x 1 (bởi phần 1 - r 2 x 1 x 2 ), r y x 1 . x 2 sẽ cao. β x 1yx1x2x2y1−r2yx2x11−r2x1x2ryx1.x2βx1mặt khác, sẽ chỉ cao với điều kiện là phần bị bắt không giải thích được của tự nó là một phần đáng kể của y .yy
Từ các công thức trên một thu được (và kéo dài từ hồi quy 2 dự đoán đến một hồi quy với số lượng tùy ý các nhân tố ảnh ) Công thức chuyển đổi giữa phiên bản beta và tương ứng với r phần:x1,x2,x3,...
ryx1.X=βx1var(ex1←X)var(ey←X)−−−−−−−−−−√,
Trong đó là viết tắt của tập hợp tất cả các yếu tố dự đoán ngoại trừ dòng điện ( x 1 ); e y ← X là phần dư từ hồi quy y theo X và e x 1 ← X là phần dư từ hồi quy x 1 của X , các biến trong cả hai hồi quy này đều được chuẩn hóa .Xx1ey←XyXex1←Xx1X
Lưu ý: nếu chúng ta cần tính toán tương quan một phần của với mọi yếu tố dự đoán x, chúng ta thường sẽ không sử dụng công thức này để thực hiện hai hồi quy bổ sung. Thay vào đó, các hoạt động quét (thường được sử dụng theo từng bước và tất cả các thuật toán hồi quy tập hợp con) sẽ được thực hiện hoặc ma trận tương quan chống ảnh sẽ được tính toán.yx
β x 1 = b x 1 σ x 11 là mối quan hệ giữa các nguyênbvà chuẩnβhệ số hồi quy trong với đánh chặn.βx1=bx1σx1σybβ