Kanonik Korelasyon Analizi
Canonical Correlation Analysis · Ayrıca şöyle bilinir: CCA, canonical variate analysis, canonical analysis, multiple canonical correlation
Kanonik Korelasyon Analizi (CCA), iki değişken kümesinden birer doğrusal birleşim çiftini, her çift arasındaki korelasyonun maksimize edildiği şekilde belirleyen çok değişkenli istatistiksel bir yöntemdir. Harold Hotelling tarafından 1936 tarihli önemli Biometrika makalesinde tanıtılan CCA, iki çok değişkenli ölçüm bataryası arasındaki ilişkiyi incelemek için en genel doğrusal çerçeveyi sunar ve birçok klasik prosedür (çoklu regresyon, MANOVA, diskriminant analizi) bunun özel durumlarıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
CCA'yı, aynı gözlemler üzerinde ölçülen iki kavramsal olarak farklı çok değişkenli bataryaya sahip olduğunuzda ve aralarındaki genel doğrusal ilişkiyi karakterize etmek istediğinizde kullanın. Tipik durumlar, psikolojik test puanlarını nörogörüntüleme ölçümleriyle ilişkilendirmeyi, çevresel öngörücüleri ekolojik yanıt değişkenlerine bağlamayı veya anket alt ölçeklerini ortak analiz etmeyi içerir. Temel varsayımlar: her iki değişken kümesi de ortak olarak çok değişkenli normal dağılıma sahiptir; gözlemler bağımsızdır; örneklem büyüklüğü toplam değişken sayısından önemli ölçüde büyüktür (yaygın bir kılavuz n ≥ 10(p + q)'dur); ve hiçbir kovaryans matrisi tekil değildir (bir küme içindeki yüksek çoklu doğrusallık analizden önce ele alınmalıdır). Normal dağılım varsayımı karşılanamazsa veya değişkenler sürekli değilse, düzenlileştirilmiş CCA veya çekirdek CCA uzantıları tercih edilebilir.
Güçlü yönler & sınırlılıklar
- İki değişken kümesi arasındaki ilişkinin en kapsamlı tekil doğrusal özetini sunar, tek bir analizde ilişkinin birden çok dik boyutunu yakalar.
- Çoklu regresyon, MANOVA, diskriminant analizi ve t-testini özel durumlar olarak kapsar, bu da ona olağanüstü teorik genellik kazandırır.
- Kanonik yükler (yapı katsayıları), her bir orijinal değişkenin ve onun kanonik boyutunun hangi orijinal değişkenler tarafından yönlendirildiğinin temel yorumlanmasını kolaylaştırır.
- Wilks' lambda aracılığıyla sıralı test prosedürü, anlamlı ilişki boyutlarının kaç tane olduğunun prensipli bir şekilde belirlenmesini sağlar.
- Değişkenlere göre büyük örneklemler gerektirir; küçük n'de kanonik korelasyonlar yukarı doğru yanlıdır ve çözüm kararsızdır.
- Her değişken kümesi içindeki çoklu doğrusallığa duyarlıdır; küme içi tekil yakın kovaryans matrisleri dejeneratif çözümler üretebilir.
- Kanonik ağırlıkların yorumlanması zordur çünkü tüm değişken kümesindeki diğer tüm değişkenlere koşullandırılmış kısmi ilişkileri yansıtırlar; kanonik yükler daha yorumlanabilir ancak yine de dikkat gerektirir.
- Yöntem yalnızca doğrusal birleşimleri bulur; iki küme arasındaki gerçek doğrusal olmayan ilişkiler, çekirdek veya derin uzantılar olmadan tespit edilemez.
SSS
CCA, çoklu regresyondan nasıl farklıdır?
Çoklu regresyon, tek bir sonuç değişkenini bir dizi öngörücüden tahmin eder ve bu da Y kümesinin yalnızca tek bir değişken içerdiği ve p* = 1 olduğu CCA'nın özel bir durumudur. CCA, bunu her iki kümedeki herhangi bir sayıda değişkene geneller ve yalnızca tek bir sonucun en iyi genel tahminini değil, aynı zamanda ilişkinin tüm dik boyutlarını eşzamanlı olarak bulur.
Kaç tane kanonik değişken tutmalıyım?
Adım aşağı Wilks' lambda testini uygulayın: önce tüm s boyutunu birlikte test ederek (genel anlamlılık) başlayın, ardından sırasıyla ilk kanonik korelasyonu kaldırın ve kalan boyutları test edin. Seçtiğiniz alfa düzeyinde testin anlamlı olduğu boyutları tutun. Bazı araştırmacılar ayrıca ρ* > 0.30 olan veya anlamlı bir fazlalık indeksine sahip boyutları tutmak gibi pratik bir eşik de uygularlar.
Gereken minimum örneklem büyüklüğü nedir?
Yaygın olarak alıntılanan bir kural, n ≥ 10(p + q)'dur; burada p ve q iki kümedeki değişken sayısıdır. Daha az gözlemle, örneklem kanonik korelasyonları yukarı doğru yanlıdır, ağırlık vektörleri kararsızdır ve çapraz doğrulama esastır. Düzenlileştirilmiş veya seyrek CCA varyantları, yüksek boyutlu, daha küçük örneklem durumları için daha uygundur.
Yorumlama için kanonik ağırlıkları mı yoksa kanonik yükleri mi kullanmalıyım?
Her orijinal değişken ile kanonik değişkeni arasındaki basit korelasyonlar olan kanonik yükleri (yapı katsayıları) tercih edin. Kanonik ağırlıklar, kısmi regresyon katsayıları gibi davranır — ilişkili değişkenlerin katkısını bastırır ve çoklu doğrusallık varlığında yanıltıcı olabilir. Yükler daha kararlıdır ve temel olarak yorumlanması daha kolaydır.
Kaynaklar
- Hotelling, H. (1936). Relations between two sets of variates. Biometrika, 28(3–4), 321–377. DOI: 10.1093/biomet/28.3-4.321 ↗
- Anderson, T. W. (2003). An Introduction to Multivariate Statistical Analysis (3rd ed.). Wiley. ISBN: 978-0471360919
- Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson. ISBN: 978-0134790541
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Canonical Correlation Analysis. ScholarGate. https://scholargate.app/tr/statistics/canonical-correlation-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Diskriminant Analiziİstatistik↔ karşılaştır
- Faktör AnaliziAraştırma istatistiği↔ karşılaştır
- Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Kısmi En Küçük Kareler Regresyonu (PLS)Makine öğrenmesi↔ karşılaştır