Kovaryans ve Korelasyon: Fark Nedir?

Veri analitiğinde değişkenlerin birbirleriyle nasıl ilişkili olduğunu anlamaya çalışırız. Muhtemelen bu amaçla yaygın olarak kullanılan iki istatistiksel ölçüyle karşılaşmışsınızdır: kovaryans ve korelasyon. Bu ölçüler benzer görünür ve sıklıkla birbiriyle karıştırılır. Peki aralarındaki fark nedir ve nasıl kullanılmalıdır?

Her ikisi de değişkenlerin birlikte nasıl hareket ettiğini açıklar. Ancak benzerliklerine rağmen, kovaryans ve korelasyon biraz farklı sorulara yanıt verir ve bu nedenle veri iş akışlarında farklı rollere sahiptir. Kovaryans, özellikler arasındaki ham ortak değişkenliği yakalarken, korelasyon bu ilişkiyi standartlaştırır ve böylece daha kolay karşılaştırılabilir hale getirir.

Bu ince farkın farklı durumlarda hangi ölçüyü kullandığımızı nasıl etkilediğini inceleyelim.

Kovaryans Nedir?

Kovaryans, iki değişkenin birlikte nasıl hareket ettiğini ölçer. Bir değişkendeki artışların diğerindeki artışlar veya azalışlarla eşzamanlı olup olmadığını gösterir. Üç tür kovaryans vardır:

• Pozitif kovaryans: Bir değişken artarken diğerinin de arttığı durum.
• Negatif kovaryans: Bir değişken artarken diğerinin azaldığı durum.
• Sıfıra yakın kovaryans: Tutarlı bir yönlü ilişki olmadığında.

Bu, kovaryansı değişkenlerin birbirine göre nasıl hareket ettiğini tespit etmek için kullanışlı kılar.

Ancak ilişkinin yönü faydalı olsa da, kovaryansın büyüklüğünü yorumlamak o kadar kolay değildir. Büyüklük, ölçüm birimlerine ve değişkenlerin ölçeğine bağlıdır. Örneğin santimetreden metreye birim dönüşümü yapmak, alttaki ilişkiyi etkilemeden kovaryans büyüklüğünü dramatik biçimde değiştirebilir.

Bu nedenle kovaryans, bağımsız bir özet istatistik olmaktan ziyade, dahili hesaplama yapı taşı olarak daha sık kullanılır.

Korelasyon Nedir?

Korelasyon, iki değişken arasındaki ilişkinin hem yönünü hem de gücünü ölçer. Kovaryansı temel alır ve büyüklüğü standartlaştırarak birimlerin etkisini ortadan kaldırır.

Korelasyon değerleri +1 (mükemmel pozitif ilişki) ile -1 (mükemmel negatif ilişki) arasında sabit bir aralıkta yer alır. 0 değeri, doğrusal bir ilişki olmadığını gösterir.

Bu standartlaştırılmış ölçek, korelasyonu kovaryanstan daha kolay yorumlanır kılar. 0,8 değerini gördüğümüzde, orijinal ölçümde hangi birimler kullanılmış olursa olsun değişkenler arasında güçlü bir ilişki olduğunu hemen anlarız.

Bu standartlaştırma, veri kümeleri, özellikler ve alanlar arasında anlamlı karşılaştırmalara da olanak tanır. Bu yüzden korelasyon, keşif amaçlı veri analizlerinde ve özellik incelemelerinde çok yaygın olarak kullanılır.

Kovaryans ve Korelasyon: Temel Farklar

Kovaryans ve korelasyon, değişken ilişkilerinin bağlantılı özelliklerini tanımlar, ancak farklı analitik amaçlara hizmet ederler.

Pratikte, kovaryans ham birlikte değişkenliği yansıtırken, korelasyon aynı ilişkiyi standartlaştırılmış biçimde yansıtır. Bu ayrımı anlamak, belirli bir analitik göreve hangi ölçünün daha uygun olduğunu belirlemeye yardımcı olur.

Kovaryans ve Korelasyon Örneği

Diyelim ki iki değişken hakkında veri topluyoruz: boy ve kilo. Genel olarak daha uzun insanların daha ağır olma eğiliminde olduğunu bildiğimiz için bu iki değişkenin ilişkili olmasını bekleriz. Boyu santimetre cinsinden, kiloyu kilogram cinsinden çizdiğimizde belirgin bir yukarı yönlü eğilim görürüz. Boy arttıkça, kilo da artma eğilimindedir.

Kovaryansı hesapladığımızda pozitif bir değer elde ederiz: 48,08. Pozitif olması, iki değişkenin aynı yönde hareket ettiğini söyler. Boy ortalamanın üzerindeyse, kilo da genellikle ortalamanın üzerindedir.

Şimdi işin ilginç kısmına gelelim. Tamamen aynı verileri alıp birimleri değiştirelim. Boyu santimetreden metreye, kiloyu kilogramdan pounda dönüştürelim. İnsanlar değişmedi. İlişki değişmedi. Saçılım grafiğindeki desen aynı görünüyor. Ancak kovaryansı yeniden hesapladığımızda sayı farklı: 1,06. Hâlâ pozitif, ama büyüklük çok farklı. Ve değiştirdiğimiz tek şey birimlerdi.

Bu, kovaryansın önemli bir özelliğini gösterir: yönü yakalar, ancak büyüklüğü ölçeğe bağlıdır. Birimleri değiştirerek değişkenlerden birini esnetir veya sıkıştırırsak, kovaryans da esner veya sıkışır.

Şimdi, aynı verilerle birim dönüşümünden önce ve sonra korelasyona bakalım. Santimetre ve kilogram kullanıldığında korelasyon 0,76. Metre ve pounda dönüştürdükten sonra da 0,76.

Kovaryanstan farklı olarak, korelasyon iki değişken arasındaki ilişkiyi ölçmeden önce her bir değişkendeki değişkenlik için ayarlama yapar. Bu nedenle birimleri değiştirdiğimizde değer değişmez. Yalnızca noktaların doğrusal bir deseni ne kadar sıkı takip ettiğine ve bu desenin yukarı mı aşağı mı eğimli olduğuna odaklanır.

Bu basit örnek, bu ölçütler arasındaki temel farkı vurgular: kovaryans hem yönü hem ölçeği yansıtırken, korelasyon ölçekten bağımsız olarak ilişki gücünü yansıtır. Pratikte bu, farklı ölçeklerde ölçülen değişkenler arasındaki ilişkileri karşılaştırmada korelasyonun daha güvenilir olduğu, kovaryansın ise büyüklüğün önemli olduğu bağlamlarda, örneğin modellemede, daha ilgili olduğu anlamına gelir.

Kovaryansı Yorumlamak Zor Olabilir

Bahsettiğimiz gibi kovaryans, iki değişkenin aynı yönde hareket edip etmediğini söyler, ancak büyüklüğünü yorumlamak zordur.

Temel sorun, kovaryansın yalnızca ilişkinin kendisine değil, değişkenlerin ölçeğine de bağlı olmasıdır. Değişkenlerden birinin veya her ikisinin değerleri daha büyük ya da daha yaygınsa, kovaryans da genellikle daha büyük olacaktır.

Bu duyarlılık iki kaynaktan gelir. İlki verinin birimleridir. Birimleri değiştirmek kovaryansı değiştirir. Geliri dolar cinsinden ölçmekle bin dolar cinsinden ölçmek çok farklı kovaryans değerleri üretir; oysa ilişki aynıdır.

İkinci kaynak ise değişkendeki değişkenlik miktarıdır. Birimler aynı kalsa bile, daha geniş aralığa veya daha büyük yayılıma sahip bir veri kümesi, aynı altta yatan ilişkiye sahip daha sıkı bir veri kümesine kıyasla genellikle daha büyük bir kovaryans üretir. Büyük bir kovaryans mutlaka güçlü bir ilişkiyi göstermez. Yalnızca verideki daha büyük ölçekleri veya daha fazla değişkenliği yansıtıyor olabilir.

Bu ölçek duyarlılığı nedeniyle, kovaryans çoğunlukla doğrudan raporlanmak yerine, örneğin modelleri uydurmada, dahili olarak kullanılır.

Korelasyon Neden Daha Sık Kullanılır

Korelasyon, değişkenler arasındaki ilişkiyi standartlaştırarak kovaryansın yorumlanabilirlik sorunlarının çoğunu giderir. Korelasyon değerleri her zaman −1 ile +1 arasındadır; büyüklük anında anlamlıdır: 1 veya −1’e yakın değerler güçlü doğrusal ilişkileri, 0’a yakın değerler zayıf ya da doğrusal ilişki olmadığını gösterir. Bu standartlaştırma, değişkenler veya veri kümeleri arasında doğrudan karşılaştırmaya da imkân verir; bu da korelasyonu iletişimi ve yorumu kolaylaştırır.

Bu özellikler, korelasyonu özellikle keşif amaçlı veri analizi, özellikler arasındaki ilişkilerin incelenmesi, fazlalık veya çoklu doğrusal bağlantının tespiti ve bulguların raporlanması için yararlı kılar. Korelasyon matrisleri ve ısı haritaları, veri kümelerini incelerken bir ilk geçiş aracı olarak da faydalıdır.

Bununla birlikte korelasyon, kovaryansın tam bir ikamesi değildir. Korelasyon ölçek etkilerini kaldırdığı için yalnızca ilişkinin gücünü yansıtır; ham değişkenliği yansıtmaz. Temel bileşen analizi veya çok değişkenli istatistiksel modeller gibi modelleme bağlamlarında, kovaryansın yakaladığı orijinal ölçek, varyans yapısını anlamak ve algoritma davranışını yönlendirmek için önemli olabilir.

Lineer Cebir Perspektifi

Şimdiye kadar kovaryansa ikili değişkenler üzerinden baktık. Lineer cebir, bu fikri tüm veri kümesine birden ölçeklendirmeyi gösterir. Bunu verilerimizi bir matriste düzenleyerek yapabiliriz.

Temel bir veri matrisinde her satır bir gözlemi, her sütun bir değişkeni temsil eder. Değişkenler arasındaki ilişkileri anlamak için önce, her değerden sütunun ortalamasını çıkararak veriyi merkezleyebiliriz. Bu adım, mutlak değerler yerine tipik değerlerden sapmalara odaklanmamızı sağlar.

Merkezlenmiş veri matrisini transpozu ile çarpmak, değişkenlerin birlikte nasıl hareket ettiğini yakalayan bir yapı üretir. Bu çarpım, ölçeklendirme sonrası, kovaryans matrisidir. Lineer cebir açısından, kovaryans matrisi, değişkenliğin veri kümesinin boyutları boyunca nasıl dağıldığını özetler.

Kovaryansı bu şekilde düşünmek, veri biliminde neden bu kadar sık karşımıza çıktığını açıklar. Temel bileşen analizi (PCA) ve diğer boyut indirgeme teknikleri dahil birçok algoritma, verideki desenleri ve yapıyı anlamak için bu matris gösterimine dayanır. Kavramsal olarak, kovaryans matrisi veri kümesinin farklı boyutlarının nasıl etkileştiğine dair bir harita sunar.

Burada dört değişkene ait verilerin bir veri matrisinde düzenlendiğini görüyoruz. Ardından merkezleniyor ve bir kovaryans matrisi oluşturmak için kullanılıyor.

Veri bilimi için lineer cebire daha derinlemesine dalmak isterseniz, R ile Veri Bilimi için Lineer Cebir kursumuza göz atın; kovaryans gibi matris tabanlı yaklaşımları anlamak için gereken temelleri kapsar.

Kovaryans ve korelasyon matrisleri

Kovaryans matrisi, bir veri kümesi genelinde değişkenlerin birlikte nasıl hareket ettiğini özetler. Pratikte, bu ilişkileri ya orijinal ölçeği korumak ya da sonuçları standartlaştırmak isteyip istemediğimize bağlı olarak kovaryans veya korelasyon matrisleriyle inceleriz.

Bir kovaryans matrisi, tüm değişken çiftleri arasındaki kovaryansları içerir. Köşegen üzerindeki sayılar her bir değişkendeki varyansı gösterir; köşegen dışındaki sayılar ise değişkenlerin birlikte nasıl değiştiğini yansıtır. Kovaryans verinin orijinal ölçeğini ve birimlerini koruduğundan, matris değişkenliğin ham yapısını yakalar. Bu da kovaryans matrislerini modelleme iş akışlarında ve çok değişkenli analizlerde özellikle kullanışlı kılar.

Korelasyon matrisi ise bu ilişkileri standartlaştırır. Her köşegen girdisi 1’dir; çünkü her değişken kendisiyle tam olarak koreledir. Tüm köşegen dışı değerler −1 ile +1 arasındadır ve değişkenler arasındaki korelasyonu gösterir. Ölçek etkilerini kaldırarak, korelasyon matrisleri insanların yorumlaması için daha kolaydır ve değişkenler arasında doğrudan karşılaştırmaya izin verir. Özellikle keşif amaçlı veri analizinde ve özellikler arasındaki güçlü veya zayıf doğrusal ilişkileri hızla belirlemede kullanışlıdırlar.

Bu matrislerde dört değişkeni birbiriyle karşılaştırıyoruz. Bu matrisleri sunarken bir ısı haritası bindirmesi eklemeyi seviyorum. Her hücrenin rengi, bir bakışta kovaryans veya korelasyon değerlerinin göreli büyüklüğünü görmemize yardımcı olur.

Kovaryansı Korelasyona Nasıl Dönüştürürsünüz?

Kavramsal olarak korelasyon, değişkenler arasındaki ilişkiyi standartlaştırarak kovaryanstan türetilir. Kovaryansı, her bir değişkenin standart sapmasına bölersiniz. Bu ölçekleme birimleri ve değişkenlerin büyüklüğünü ortadan kaldırır; sonucu her zaman −1 ile +1 arasında olan standartlaştırılmış bir ölçü üretir. Bu dönüşüm, korelasyon değerlerinin farklı değişkenler veya veri kümeleri arasında doğrudan karşılaştırılabilir olmasının nedenidir.

Pratikte kovaryansı korelasyona dönüştürme işlemi çoğu istatistik yazılımında otomatik olarak yapılır; bu nedenle analistler bunu nadiren elle hesaplamak zorunda kalır. Ancak yazılımınızın perde arkasında ne yaptığını anlamak her zaman önemlidir. Örneğin, kovaryansın korelasyona nasıl dönüştürüldüğünü anlamak, neden ters yönde dönüştüremeyeceğinizi açıklar direction(en azından her ikisi için standart sapma bilgisi olmadan). Correlation artık kovaryansa dönüştürmek için gereken birim veya büyüklük bilgisini içermez.

Kovaryans ve Korelasyonu Ne Zaman Kullanmalı

Kovaryans, verinin ölçeği ve birimleri anlamlı olduğunda veya verinizin değişkenliğinin ham yapısına ihtiyaç duyduğunuzda en kullanışlıdır. Çok değişkenli modellemede, olasılıksal modellerde ve lineer cebir temelli yöntemler için kovaryans matrisleri oluşturmada yaygın olarak kullanılır. Bu bağlamlarda, orijinal değişkenliğin korunması, algoritmaların verinin gerçek yapısını yakalamasına ve boyutların birlikte nasıl değiştiğini anlamasına olanak tanır.

Buna karşılık korelasyon, insanların yorumlaması, veri kümeleri arasında karşılaştırmalar ve keşif amaçlı analizler için daha uygundur. Ben bu metriği, ilişkileri bir bakışta görebilmek ve aktarabilmek için ısı haritaları gibi görselleştirmelerde kullanmayı seviyorum. Korelasyon ilişkiyi standartlaştırdığı için, tüm özellikleri karşılaştırılabilir bir ölçekte ele almanın önemli olabileceği tekniklere verinizi hazırlamada da yardımcı olur.

Veri bilimi ve istatistikte kovaryans vs. korelasyon

Çoğu zaman her iki ölçü de aynı iş akışında yer alır. Kovaryans matrisleri, verinin orijinal değişkenliğini korudukları için birçok çok değişkenli tekniğin matematiksel temelini oluşturur. Öte yandan korelasyon matrisleri, modellemeden önce veri kümesinin yapısını anlamak için keşif aşamalarında sıklıkla kullanılır.

Bazı modeller, amaca bağlı olarak her iki istatistiği de kullanabilir. Temel bileşen analizini (PCA) düşünün. PCA bir kovaryans matrisi üzerinde yapıldığında, daha büyük varyansa sahip değişkenler doğal olarak ortaya çıkan bileşenler üzerinde daha fazla etki sahibi olur. Ölçek farklılıkları, değişkenlikte anlamlı farklılıkları yansıtıyorsa bu bazen arzu edilebilir. Örneğin, günlük hisse getirilerini analiz ediyorsanız, daha oynak bir hisse senedi, bu değişkenlik gerçek piyasa davranışını yansıttığı için, temel bileşenleri uygun biçimde şekillendirebilir.

Buna karşılık bir korelasyon matrisi kullanmak, ayrıştırmadan önce değişkenleri standartlaştırır. Her özellik aynı ölçeğe yerleştirilir; böylece yalnızca daha büyük birimlere veya daha geniş sayısal aralığa sahip olduğu için hiçbir değişken baskın olmaz. Bu yaklaşım, boy (cm), kilo (kg), kan basıncı (mmHg) ve kolesterol (mg/dL) gibi değişkenlerin farklı birimlerde ölçüldüğü durumlarda daha uygun olabilir.

Hiçbir yaklaşım evrensel olarak daha iyi değildir. Uygun seçim, ölçek farklılıklarının anlamlı bir yapıyı mı yansıttığına yoksa yalnızca ölçümden kaynaklanan eserler olup olmadığına bağlıdır.

Kovaryans ve Korelasyon Hakkında Yaygın Yanılgılar

Yaygın bir yanılgı, yüksek kovaryansın otomatik olarak güçlü bir ilişkiyi gösterdiğidir. Ancak büyük kovaryans değerleri, ilişkinin gücünden ziyade değişkenlerin ölçeğini veya değişkenliğini yansıtıyor olabilir. İlişkinin gücünü bilmek istiyorsanız, gerçekten korelasyona bakarak standartlaştırmanız gerekir.

Muhtemelen “korelasyon nedensellik anlamına gelmez” ifadesini milyon kez duydunuz! Yine de, hâlâ en sık karşılaştığım yanılgı bu. Güçlü bir korelasyonu görüp nedensel bir bağ kurmak anlaşılabilir bir durumdur. Bu, atalarımızı hayatta tutan zihinsel bir kestirme yoldu. Ancak veri uygulayıcıları olarak bu zihinsel kestirmeye direnmeli ve yalnızca korelasyonun nedensel bir etkiyi kanıtlamak için yeterli olmadığını kabul etmeliyiz. Korelasyon ilişkiyi ölçer, nedensel etkiyi değil; ve her iki değişkeni de aynı anda yönlendiren dış etkenler olabilir.

Bir diğer çok yaygın yanılgı, kovaryans ve korelasyonun temelde aynı şey olduğudur. Oysa birbirlerinin yerine geçebilir değillerdir. Korelasyon kovaryanstan türetilmiş olsa da ilişkiyi standartlaştırır; bu da onu, hesaplamalarda her zaman kovaryansın uygun bir ikamesi olmayan, belirgin şekilde farklı bir metrik yapar.

Son olarak, bu istatistiklerin yalnızca doğrusal ilişkileri değerlendirdiğini hatırlamak önemlidir. Korelasyon ve kovaryans düşük veya sıfıra yakın olsa bile doğrusal olmayan desenler var olabilir; bu istatistiklere tek başına güvenmek verideki önemli yapıları gözden kaçırabilir. İstatistiksel ölçüleri yorumlamadan önce her zaman verinizi çizmenizi ve bakmanızı öneririm. Bariz bir doğrusal olmayan ilişki varsa bu sizi gerçekten kurtarabilir.

Değişkenler Arası İlişkileri Yorumlamak için İpuçları

Öncelikle, ölçümünüzün ölçeğini her zaman dikkate alın. Birimlerdeki veya değişkenlikteki farklılıklar, kovaryans gibi ham ölçüleri etkileyebilir; bu nedenle sayıların neyi temsil ettiğini bilmek önemlidir.

İkincisi, verinizden neye ihtiyacınız olduğunu belirleyin. Kovaryans, ham değişkenliğin korunmasının önemli olduğu durumlarda en kullanışlıdır. Bu, genellikle modellemede veya çok değişkenli analizler için kovaryans matrisleri oluştururken geçerlidir. Bu bağlamlarda, değişkenliğin büyüklüğü anlamlı bilgi taşır. Ancak bu ham değişkenliğe ihtiyacınız yoksa, korelasyonun sunduğu standartlaştırma ve yorumlanabilirliği tercih edebilirsiniz.

Üçüncü olarak, her zaman ama her zaman verinizi görselleştirin ve bakın! Görsel inceleme, analizlerinize yön vermeye yardımcı olur ve istatistiksel özetleri tamamlar. Eşleşik desenleri görmek için saçılım grafikleri, aynı anda birçok değişkenin hızlı bir genel görünümü için matrisler kullanabilirsiniz.

Son olarak, ölçüm seçimlerinizin aşağı akıştaki etkilerini düşünün. Kovaryans gibi ham bir ölçü ile korelasyon gibi standartlaştırılmış bir ölçü arasında yapacağınız seçim, modelleme sonuçlarınızı ve yorumlarınızı etkileyecektir. Seçiminizin analitik hedeflerinizle uyumlu olduğundan emin olun.

Sonuç

Kovaryans ve korelasyon, değişkenlerin birlikte nasıl hareket ettiğini tanımlayan yakından ilişkili ölçülerdir; ancak farklı amaçlara hizmet ederler: kovaryans orijinal ölçeği korurken, korelasyon karşılaştırma için standartlaştırır.

Verinizi keşfetme hakkında daha fazla bilgi edinmek istiyorsanız, Python Keşif Amaçlı Veri Analizi Öğreticisi’ne göz atın. Korelasyonunuzun gerçekten nedensellik gösterip göstermediğini öğrenmek için ise R ile Hipotez Testi’ne göz atın.