ما هو الفرق بين الارتباط والانحدار؟

مقدمة

يستخدم التحليل الإحصائي كأداة قوية في صناعة التسويق. يساعد الشركات على تحديد سعر المنتج ومبيعاته. يعتبر الارتباط والانحدار من أكثر تقنيات التحليل الإحصائي أهمية التي تحدد العلاقة النوعية والكمية بين متغيرين أو أكثر. سيصف هذا المنشور بالتفصيل مفاهيم الارتباط والانحدار والاختلافات بين الاثنين.

ما هو الارتباط؟

يتكون مصطلح الارتباط من جزأين - co ، وهو ما يعني أن نكون معًا ، والعلاقة ، وهو ما يفسر العلاقة بين متغيرين. يقيس درجة الارتباط بين متغيرين عندما يتغير متغير واحد.

يمكن رؤية مثال كلاسيكي للارتباط بين الطلب والسعر. مع ارتفاع سعر المنتج ، ينخفض ​​الطلب عليه. وبالمثل ، إذا انخفض سعر المنتج ، يزداد الطلب عليه. تسمى هذه العلاقة العكسية الارتباط السلبي.

يتم اختبار درجة العلاقة بين متغيرين أو أكثر من خلال تحليل الارتباط. يساعدنا في معرفة وجود أو عدم وجود اتصال بين المتغيرات. في حالة ارتباط المتغيرات ، يمكننا إيجاد درجة الارتباط من خلال تحليل الارتباط. يساعد الارتباط كثيرًا أثناء أبحاث السوق. يساعدنا في التنبؤ بأداء الحملة وبيع منتج أو خدمة بناءً على عوامل مثل سلوك المستهلك والثقافة والطقس والإعلانات.

الارتباط ينقسم إلى فئات مختلفة. هناك نوعان أساسيان من الارتباط: إيجابي وسلبي. إذا كان المتغير يتحرك في نفس اتجاه المتغير الآخر المتغير ، فإنه يسمى الارتباط الإيجابي. وبالمثل ، إذا تحرك المتغير الآخر في الاتجاه المعاكس للمتغير الذي تغير ، يطلق عليه ارتباط سلبي.

الأنواع الأخرى من الارتباطات بسيطة وجزئية ومتعددة. عندما يحدد الارتباط درجة العلاقة بين متغيرين ، يطلق عليه الارتباط البسيط. على سبيل المثال ، سيتم التعامل مع العلاقة بين علامات الطالب والصفوف التي حضرها أثناء الجلسة على أنها ارتباط بسيط. في الارتباط الجزئي ، يتم النظر في العلاقة بين ثلاثة أو أربعة متغيرات. ومع ذلك ، يتم الاحتفاظ باثنين من هذه المتغيرات ثابتة ، وتأثير المتغيرين الآخرين في الاعتبار.

إذا أخذنا المثال أعلاه ، فإن علامات الطالب مرتبطة بالحضور وطريقة التدريس. المتغيرين الآخرين ، مثل استخدام التكنولوجيا لتعليم الطلاب والتعلم الواقعي ، ثابتان. الأخير هو الارتباطات المتعددة التي تحدد العلاقة بين ثلاثة متغيرات أو أكثر. الفرق بين الارتباطات الجزئية والمتعددة هو أن الارتباط الجزئي يحدد العلاقة بين متغيرين فقط ، ويتم التعامل مع المتغيرات المتبقية على أنها ثوابت. من ناحية أخرى ، تساعد الارتباطات المختلفة في العثور على درجة واتجاه العلاقة بين ثلاثة أو أربعة متغيرات في وقت واحد.

الفئة الأخيرة هي ارتباط خطي وغير خطي. يمكن وصفها بأنها نسبة التغيير بين متغيرين. في الارتباط الخطي ، توجد علاقة مباشرة بين متغيرين. على سبيل المثال ، هناك علاقة مباشرة بين المواد الخام المتاحة والسلع المصنعة. إذا كانت المادة الخام 5 كجم ، فإن إنتاج البضائع الجاهزة هو 1 كجم.

وبالمثل ، إذا كانت المواد الخام المتاحة هي 10 كجم ، فإن إنتاج البضائع الجاهزة سيكون 2 كجم ، وهكذا. في الارتباط غير الخطي ، لا توجد نسبة ثابتة بين متغيرين. على سبيل المثال ، إذا تغير المتغير A x مرة في بيئة ما ، فإن المتغير B سيتغير مرتين في بيئة مختلفة. مرة أخرى ، إذا تغير المتغير A مرات x ، ستتغير B بمقدار 5x مرة.

هناك طريقتان لاكتشاف الارتباط بين متغيرين أو أكثر. الأول هو طريقة الرسم التي تستخدم المخططات والرسوم البيانية المبعثرة لتحديد الارتباط. في الرسم البياني المبعثر ، يتم ذكر المتغيرات على محوري X و Y في الرسم البياني ، ويتم رسم القيم على الرسم البياني كنقاط. إذا تحركت النقاط لأعلى في خط مستقيم ، فهناك ارتباط إيجابي كامل. ومع ذلك ، إذا تحركت النقاط للأسفل في خط مستقيم ، فهناك ارتباط سلبي تام.

الطريقة الأخرى لتحديد الارتباط بين المتغيرات هي الطريقة الجبرية التي تستخدم معاملات الارتباط.

ما هو الانحدار؟

بينما يحدد الارتباط ما إذا كانت هناك علاقة بين متغيرين ، يخبرنا الانحدار عن تأثير متغيرين على بعضهما البعض. يخبرنا كيف يعتمد أحد المتغيرات على متغير مستقل آخر. في الانحدار ، هناك متغيرين: واحد مستقل والآخر تابع. يعمل المتغير المستقل كقاعدة أو معيار للتنبؤ بمتغير آخر يسمى المتغير التابع.

على سبيل المثال ، تؤثر كمية الأمطار في سنة معينة على نمو المحاصيل في الدولة. في هذه الحالة ، سيساعدنا الانحدار على تحديد مدى تأثير كمية الأمطار على تنمية المحاصيل. هنا ، كمية هطول الأمطار هي المتغير المستقل في حين أن نمو المحاصيل هو المتغير التابع. مثال آخر على الانحدار يمكن أن يكون مقدار الضريبة المفروضة على المنتج وسعر تلك السلعة. مرة أخرى ، مبلغ الضريبة المفروضة هو متغير مستقل ، وسعر السلعة هو المتغير التابع.

تم العثور على مدى العلاقة بين متغيرين من خلال تحليل الانحدار. يتم ذلك بمساعدة الخطوط والمعادلات الجبرية.

ما هو الفرق بين الارتباط والانحدار؟

في المقام الأول ، قد يبدو الارتباط والانحدار وكأنهما نفس المفاهيم. ومع ذلك ، هناك العديد من الاختلافات بين الاثنين التي تمت مناقشتها أدناه.

• يساعدنا الارتباط في تحديد درجة العلاقة بين متغيرين ، سواء أكان مرتبطين ببعضهما البعض أم لا. من ناحية أخرى ، يحدد الانحدار مدى ارتباط متغيرين.
• في حين أن الارتباط هو مقياس نسبي بين متغيرين أو أكثر ، فإن الانحدار هو مقياس مطلق بين المتغيرات.
• لا يمكننا التعامل مع الارتباط كجهاز تنبؤ. من ناحية أخرى ، يساعد الانحدار في التنبؤ بالنتائج المحتملة. من خلال الانحدار ، يمكننا التنبؤ بقيمة المتغير التابع إذا كانت قيمة المتغير المستقل متاحة.
• معامل الارتباط مستقل عن كل من الأصل والمقياس في الرسم البياني بينما معامل الانحدار مستقل فقط عن تغيير الأصل وليس المقياس.
• في المقابل ، لا تحتوي المتغيرات على وحدات قياس. ومع ذلك ، في الانحدار ، يجب مراعاة وحدات قياس المتغيرات.
• قيمة الارتباط تقع بين -1 و +1. ومع ذلك ، يجب تحديد قيمة الانحدار باستخدام المعادلات الجبرية. يمكن أن تكون قيمة الارتباط صفراً ، لكن لا يمكن أن يكون الانحدار فارغًا.
• يتم استخدام الارتباط في وقت شرح العلاقة المباشرة بين متغيرين أو أكثر. من ناحية أخرى ، يتم استخدام الانحدار للتنبؤ بالنتائج بمساعدة الاستجابات الرقمية.
• في الارتباط ، لا نطلب معادلات رياضية في حين أن المعادلة الجبرية أمر لا بد منه في الانحدار.
• في الارتباط ، يمكنك تغيير قيم X و Y على الرسم البياني لأن كلا المتغيرين مستقلين. ومع ذلك ، في الانحدار ، لا يمكن تبادل قيم X و Y لأن أحدهما متغير تابع.

لماذا نستخدم الارتباط والانحدار في الأعمال؟

على الرغم من أن الارتباط والانحدار قد يبدوان مفاهيم نظرية ، إلا أنها ذات قيمة للشركات. فيما يلي بعض الطرق التي تفيد بأن الارتباط والانحدار مفيدان للشركات:

• إن أهم أهمية في استخدام تحليل الانحدار هو توقع استجابة المستهلك. يسمح الانحدار للشركات بالتنبؤ بالفرص المحتملة والمخاطر المحتملة في السوق ويساعد في تحليل الطلب في السوق وحساب المشتريات المحتملة للمنتجات. يسمح هذا أيضًا للشركات بتخطيط ميزانيتها وتوقع الإيرادات.
• يساعد الانحدار أيضًا في تحسين كفاءة العمليات أو الخدمات. يمكن للشركات معرفة العوامل التي تعوق الإنتاجية والكفاءة.
• نظرًا لأن الانحدار يعتمد على السبب والنتيجة ، فإنه يمكّن الشركات من اتخاذ قرارات مستنيرة. على سبيل المثال ، قد تفكر الشركة في زيادة إنتاج سلع معينة ، لكن لديها مواد خام محدودة. في هذه الحالة ، قد لا تحقق الشركة إيرادات إذا كان منتج آخر يتطلب أيضًا نفس المادة الخام. وبالتالي ، يجب على الشركة معرفة المنتج الذي يجب أن تصنعه لزيادة إيراداتها إلى الحد الأقصى.
• يساعد الارتباط في أبحاث السوق لأنه يسمح للشركات بتحديد ما إذا كان هناك متغيرين مرتبطين أم لا. هذا يسهل على الشركات النظر فقط في العوامل التي تؤثر بشكل مباشر على المبيعات أو الإيرادات.

خاتمة

يلعب الارتباط والانحدار أيضًا دورًا مهمًا في التعلم الآلي والتعلم العميق والذكاء الاصطناعي للتنبؤ بالقيم المستمرة ضمن مجموعة بيانات كبيرة. إذا كان لديك اهتمام كبير بـ ML أو التعلم العميق وترغب في بناء مهنة في نفس المجال ، فسيكون من المفيد لك أن تعرف بعمق عن الارتباط والانحدار. سيساعدك برنامج الشهادة المتقدمة في التعلم الآلي والتعلم العميق من upGrad على فهم مفهوم الانحدار بعمق واستخدامه العملي في التعلم الآلي. التحق أكثر من 40.000 شخص من أكثر من 85 دولة ببرامج مختلفة في upGrad. إلى جانب التعلم من الأقران ، تقدم upGrad أيضًا دعمًا مهنيًا بدرجة 360 لجميع طلابها.