Page 5 of 8

unit_title

Correlation (सहसम्बन्ध)

details

Correlation concepts, computation methods and Chi-Square test.

groups

• 5.1.3 Degree of Correlation

  • degree_of_correlation

    सहसंबंध के डिग्री का अर्थ होता है दो या दो से अधिक चर के बीच संबंध की ताकत और दिशा का माप। इसमें यह ज्ञात किया जाता है कि क्या एक चर के परिवर्तन के साथ दूसरे चर में परिवर्तन होता है।

  • types_of_correlation

    सहसंबंध के विभिन्न प्रकार होते हैं, जैसे सकारात्मक सहसंबंध, नकारात्मक सहसंबंध और शून्य सहसंबंध। सकारात्मक सहसंबंध में, जब एक चर बढ़ता है, तो दूसरा भी बढ़ता है। नकारात्मक सहसंबंध में, जब एक चर बढ़ता है, तो दूसरा घटता है।

  • measuring_correlation

    सहसंबंध को मापने के कई तरीके होते हैं, जिनमें पियर्सन का सहसंबंध गुणांक (Pearson correlation coefficient) और स्पीमन की रैंक सहसंबंध (Spearman's rank correlation) शामिल है। ये गणनाएं विभिन्न प्रकार के डेटा पर लागू होती हैं।

  • chi_square_test

    चि-स्क्वायर परीक्षण का उपयोग गुणात्मक डेटा के बीच सहसंबंध का विश्लेषण करने के लिए किया जाता है। यह परीक्षण यह बताता है कि क्या डेटा का वितरण आश्चर्यजनक है। यदि चि-स्क्वायर मान महत्वपूर्ण है, तो इसका अर्थ है कि सहसंबंध मौजूद है।

  • application_and_interpretation

    सहसंबंध के अध्ययन का उपयोग विभिन्न क्षेत्रों में किया जाता है, जैसे कि मनोविज्ञान, समाजशास्त्र, अर्थशास्त्र आदि। सही ढंग से सहसंबंध की व्याख्या महत्वपूर्ण है, क्योंकि यह डेटा के विश्लेषण में सहायता करता है और निर्णय लेने में योगदान देता है।

• 5.1.4 Correlation Coefficient

  • Correlation Coefficient

    notes

    कोर्रिलेशन गुणांक (Correlation Coefficient) एक सांख्यिकीय माप है जो दो या अधिक चर (variables) के बीच संबंध की शक्ति और दिशा को मापता है। यह -1 से 1 के बीच मान ले सकता है। गुणांक का मान निम्नलिखित रूप से व्याख्यायित किया जा सकता है: 1. **सकारात्मक कोर्रिलेशन (Positive Correlation):** जब एक चर की वृद्धि के साथ दूसरे चर में भी वृद्धि होती है, तो इसे सकारात्मक कोर्रिलेशन कहा जाता है। इस मामले में, कोर्रिलेशन गुणांक 0 और 1 के बीच होगा। 2. **नकारात्मक कोर्रिलेशन (Negative Correlation):** जब एक चर की वृद्धि के साथ दूसरे चर में कमी होती है, तो इसे नकारात्मक कोर्रिलेशन कहा जाता है। इस स्थिति में, कोर्रिलेशन गुणांक -1 और 0 के बीच होगा। 3. **कोई कोर्रिलेशन नहीं (No Correlation):** यदि दो चर के बीच कोई संबंध नहीं है, तो कोर्रिलेशन गुणांक 0 के बराबर होगा। **कोर्रिलेशन की गणना के तरीके (Computation Methods):** - **पीयरसन गुणांक (Pearson Correlation Coefficient):** यह सबसे प्रसार में उपयोग किया जाने वाला कोर्रिलेशन गुणांक है, जो लगातार मानों के बीच संबंध की गणना करता है। - **स्पीयरमैन रैंक गुणांक (Spearman Rank Correlation Coefficient):** यह रैंक पर आधारित है और इसे औसत रैंक के बीच संबंध की गणना के लिए उपयोग किया जाता है। - **केंडल टौब (Kendall's Tau):** यह भी एक रैंक-आधारित कोर्रिलेशन होता है और यह दो रैंक के बीच संबंध मापता है। **Chi-Square परीक्षण (Chi-Square Test):** कोर्रिलेशन के साथ, चाई-स्क्वायर परीक्षण का उपयोग विनिर्माण (categorical) डेटा के बीच संबंध को मापने के लिए किया जा सकता है। यह यह जांचता है कि वास्तविक डेटा और अपेक्षित डेटा के बीच कोई अंतर है या नहीं। इस प्रकार, कोर्रिलेशन गुणांक, उसकी गणना के तरीके और चाई-स्क्वायर परीक्षण सभी एक महत्वपूर्ण सांख्यिकीय संबंधों का विश्लेषण करने वाले उपकरण हैं। हालांकि, यह याद रखना ज़रूरी है कि कोर्रिलेशन हमेशा कारणता का मतलब नहीं होता है।

• 5.1.5 Interpretation of the Correlation Coefficient

  • 5.1.5 सहसंबंध गुणांक की व्याख्या

    सहसंबंध एक सांख्यिकी माप है जो दो चर के बीच के संबंध की ताकत और दिशा को दर्शाता है। सहसंबंध गुणांक (correlation coefficient) की वैल्यू -1 से +1 के बीच होती है। 1 का मान यह दर्शाता है कि दोनों चर का सम्बन्ध पूरी तरह सकारात्मक है, 0 यह बताता है कि कोई सम्बन्ध नहीं है, और -1 का मान बताता है कि दो चर में पूर्ण नकारात्मक सम्बन्ध है। सहसंबंध गुणांक की गणना के विभिन्न तरीके हैं, जैसे कि पिअर्सन सहसंबंध (Pearson correlation), स्पीयरमन रैंक सहसंबंध (Spearman rank correlation), आदि। दोनों के लिए आवश्यक है कि डेटा सामान्य वितरण का पालन करे। पिअर्सन सहसंबंध मुख्य रूप से निरंतर डेटा पर लागू होते हैं जबकि स्पीयरमन रैंक सहसंबंध विशेष रूप से श्रेणीबद्ध डेटा पर लागू किए जाते हैं। सहसंबंध की व्याख्या करते समय यह ध्यान में रखना आवश्यक है कि सहसंबंध का अर्थ नहीं है कारणता। अर्थात, दो चर के बीच में सहसंबंध होने का यह मतलब नहीं है कि एक चर दूसरे चर का कारण है। इसके अलावा, सहसंबंध की ताकत और दिशा को समझने के लिए हम सहसंबंध गुणांक के मान को देख सकते हैं, लेकिन हमें डेटा की विश्लेषण की कुल पार्श्वभूमि और संदर्भ भी समझना होगा। सहसंबंध के साथ-साथ, अन्य सांख्यिकी परीक्षण जैसे कि कपड़ी-स्क्वायर टेस्ट (Chi-Square Test) का उपयोग किया जा सकता है। यह परीक्षण एक श्रेणीबद्ध डेटा के साथ संबंधों की ताकत को दृष्टिगत करने में सहायक होता है। इससे यह पता लगाया जा सकता है कि क्या दो श्रेणीबद्ध चर में कोई महत्वपूर्ण संबंध है। चित्ताकर्षक पद्धतियों का उपयोग करके, हम दोनों विधियों के परिणामों की तुलना कर सकते हैं और यह जान सकते हैं कि डेटा को कैसे समझना चाहिए। इस प्रकार, सहसंबंध गुणांक की व्याख्या करते समय यह आवश्यक है कि हम सहसंबंध के विभिन्न पहलुओं को समग्र रूप से समझें ताकि हम डेटा के विश्लेषण में सही निष्कर्ष निकाल सकें।

• 5.1.6 Applications of Correlation

  • Correlation के अनुप्रयोग

    Correlation का अनुप्रयोग विभिन्न क्षेत्रों में होता है, जैसे कि सांख्यिकी, सामाजिक विज्ञान, व्यवसाय, और स्वास्थ्य विज्ञान। इसका मुख्य उद्देश्य आंकड़ों के बीच संबंधों को समझना और विश्लेषण करना है।

  • सांख्यिकी में अनुप्रयोग

    सांख्यिकी में, correlation का उपयोग डेटा सेट में वेरिएबल्स के बीच संबंधों का मूल्यांकन करने के लिए किया जाता है। उदाहरण के लिए, यदि हम जानते हैं कि किसी व्यक्ति की आय और उसकी शिक्षा का स्तर के बीच एक सकारात्मक correlation है, तो हम यह समझ सकते हैं कि अधिक शिक्षा प्राप्त करने वाले व्यक्ति आमतौर पर अधिक आय कमाते हैं।

  • स्वास्थ्य विज्ञान में अनुप्रयोग

    स्वास्थ्य विज्ञान में, correlation का इस्तेमाल मरीजों के विभिन्न लक्षणों और उनके स्वास्थ्य परिणामों के बीच संबंध को समझने में मदद करने के लिए किया जाता है। उदाहरण के लिए, धूम्रपान और फेफड़ों के कैंसर के बीच एक सकारात्मक correlation पाया गया है, जो कि स्वास्थ्य संबंधी अनुसंधानों में महत्वपूर्ण है।

  • व्यवसाय में अनुप्रयोग

    व्यवसाय में, correlation का उपयोग उत्पादों की बिक्री और विपणन अभियानों की प्रभावशीलता का मूल्यांकन करने में किया जाता है। यदि उच्च विपणन व्यय और बिक्री के बीच एक सकारात्मक correlation पाया जाता है, तो इसका अर्थ है कि विपणन प्रयासों से बिक्री में वृद्धि हो रही है।

  • Correlational Analysis के मुकाबले

    Correlation विभिन्न शोध कार्यों और विश्लेषणों में एक महत्वपूर्ण उपकरण है लेकिन यह केवल एक संबंध को दर्शाता है। यह कारण संबंध को स्थापित नहीं करता है; इसलिए, हमें हमेशा सावधानी से इसके परिणामों का निष्कर्ष निकालना चाहिए।

  • Correlation की गणना विधियाँ

    Correlation की गणना के लिए कई विधियाँ हैं, जिनमें से Pearson's correlation coefficient, Spearman's rank correlation coefficient, और Kendall's tau शामिल हैं। ये विधियाँ डेटा के प्रकार और संबंध के प्रकार के आधार पर चुनी जाती हैं।

  • Chi-Square परीक्षण

    Chi-Square परीक्षण का प्रयोग categorical data के बीच संबंध का आकलन करने के लिए किया जाता है। यह परीक्षण मुख्यतः यह जानने के लिए इस्तेमाल होता है कि क्या दो categorical variables में कोई संबंध है या नहीं। यदि हमें correlation के परिणामों को और अधिक स्पष्ट रूप से समझना हो, तो Chi-Square परीक्षण सहायक हो सकता है।

• 5.2.1 Scatter Diagram

  • 5.2.1 Scatter Diagram

    स्ट्रे सॉपर डायग्राम एक ग्राफिकल उपकरण है जो दो भिन्न चर के बीच संबंध को प्रदर्शित करने के लिए उपयोग किया जाता है। इस डायग्राम में एक चर को x-अक्ष और दूसरे चर को y-अक्ष पर रखा जाता है। हर बिंदु (पॉइंट) डेटा सेट के एक अवलोकन का प्रतिनिधित्व करता है। इसके माध्यम से हम यह देख सकते हैं कि क्या किसी एक चर के बढ़ने से दूसरे चर में भी वृद्धि होती है, या इसके विपरीत। यदि बिंदुओं का वितरण एक निष्पक्ष रेखा की ओर इशारा करता है, तो हमें एक सकारात्मक या नकारात्मक संबंध दिखाई देता है।

  • 5.2.1.1 Advantages of Scatter Diagram

    स्ट्रे सॉपर डायग्राम के कुछ महत्वपूर्ण लाभ हैं: 1. दृश्यता: यह यथार्थता में डेटा के संबंधों को स्पष्ट दृश्यता में प्रदर्शित करने में मदद करता है। 2. संबंध का निर्धारण: दर्शकों को यह आसानी से समझ में आता है कि क्या दो चर के बीच सकारात्मक, नकारात्मक या कोई संबंध नहीं है। 3. डेटा के प्रवृत्तियों का पता: यह डेटा के भीतर प्रवृत्तियों और पैटर्न की पहचान में सहायक होता है, जिससे भविष्यवाणी और विश्लेषण करना सरल होता है। 4. आसानी से बनाए रखना: इसे बनाना और इसकी व्याख्या करना सरल है, जो इसे अनुसंधान में एक उपयोगी उपकरण बनाता है।

  • 5.2.1.2 Disadvantages of Scatter Diagram

    हालांकि स्ट्रे सॉपर डायग्राम के कई लाभ हैं, इसके कुछ नुकसान भी हैं: 1. संकीर्णता: यह केवल दो चर के बीच संबंध को दर्शाता है; यदि कई चर हैं, तो इसे प्रभावी ढंग से उपयोग नहीं किया जा सकता। 2. डेटा की सटीकता की आवश्यकता: यदि डेटा में अधिक शोर है या डेटा बिंदु गलत हैं, तो यह गलत निष्कर्ष दे सकता है। 3. विश्लेषण की सीमाएं: यह बिंदुओं के बीच संबंध का केवल दृश्य प्रतिनिधित्व प्रस्तुत करता है, लेकिन यह विश्लेषणकर्ता को अधिक गहन सांख्यिकी विश्लेषण करने से रोकता है। 4. विश्लेषणात्मक उपकरणों की तुलना में सरलता: जटिल सांख्यिकीय परीक्षणों की तुलना में, यह अधिक सरल और प्रारंभिक दृष्टिकोण हो सकता है।

• 5.2.1.1 Advantages of Scatter Diagram

  • Scatter Diagram के लाभ

    Scatter Diagram या बिंदु आरेख का उपयोग सांख्यिकी में डेटा के विभिन्न सेटों के बीच संबंध को समझने के लिए किया जाता है। इसके कई लाभ हैं जो इसे डेटा विश्लेषण के लिए एक प्रभावी उपकरण बनाते हैं। 1. **संबंध का दृश्यीकरण**: Scatter Diagram के माध्यम से डेटा सेट के बीच संबंध को आसानी से देखा जा सकता है। यह डेटा की प्रवृत्ति और दिशा को स्पष्ट रूप से दर्शाता है। 2. **सकारात्मक और नकारात्मक संबंध**: इसमें सकारात्मक और नकारात्मक संबंध को सीधे देखा जा सकता है। यदि बिंदुओं का पैटर्न ऊर्ध्वाधर दिशा में है, तो यह सकारात्मक संबंध को दर्शाता है। वहीं, यदि पैटर्न निम्न दिशा में है, तो यह नकारात्मक संबंध को दर्शाता है। 3. **संख्यात्मक जानकारी**: यह डेटा पॉइंट्स की संख्यात्मक जानकारी प्रदान करता है, जैसे कि कितने डेटा बिंदु एक-दूसरे से निकट हैं या दूर हैं। 4. **असामान्य डेटा बिंदुओं की पहचान**: Scatter Diagram असामान्य या अपवादात्मक डेटा बिंदुओं को पहचानने में मदद करता है, जो आगे के विश्लेषण के लिए महत्वपूर्ण हो सकते हैं। 5. **कॉरिलेशन की पहचान**: Scatter Diagram का उपयोग कॉरिलेशन की गणना के लिए किया जा सकता है, जिससे डेटा के बीच संबंध को मापा जा सकता है। 6. **विश्लेषण की सरलता**: यह एक सरल और जल्दी से समझ में आने वाला उपकरण है, जिससे डेटा का विश्लेषण सुलभ हो जाता है। 7. **डेटा सेट का आकार**: इसके माध्यम से छोटे और बड़े डेटा सेट्स का विश्लेषण किया जा सकता है, जिससे यह विभिन्न प्रकार के अध्ययन के लिए उपयोगी होता है। इन सभी कारणों से, Scatter Diagram डेटा विश्लेषण में एक महत्वपूर्ण उपकरण है और विभिन्न सांख्यिकी और शोध कार्यों में इसकी अत्यधिक उपयोगिता है।

• 5.2.1.2 Disadvantages of Scatter Diagram

  • Scatter Diagram के नुकसान

    Scatter Diagram का उपयोग आंकड़ों के बीच संबंध की विश्लेषण में किया जाता है, लेकिन इसके कुछ नुकसान हैं जिन्हें ध्यान में रखना आवश्यक है। 1. **सिर्फ दृश्यात्मक जानकारी**: Scatter Diagram केवल डेटा का दृश्यात्मक प्रस्तुतीकरण प्रदान करता है। यह संबंध की मजबूती के बारे में स्पष्ट नहीं बताता है, जिससे महत्वपूर्ण जानकारी छूट सकती है। 2. **असामान्य डेटा बिंदु**: कुछ बिंदु जो अन्य बिंदुओं से दूर होते हैं, उन्हें आउटलेयर कहा जाता है। ये आउटलेयर Scatter Diagram को प्रभावित कर सकते हैं और असत्य परिणाम उत्पन्न कर सकते हैं। 3. **बड़े डेटा सेट में जटिलता**: जब डेटा सेट बहुत बड़ा होता है, तो Scatter Diagram में बिंदुओं का घनत्व अधिक हो सकता है, जिससे यह स्पष्टता खो सकता है। इस स्थिति में, डेटा की सही व्याख्या करना कठिन हो जाता है। 4. **सिर्फ द्विघात संबंध**: Scatter Diagram केवल दो चर के बीच संबंध को दर्शाता है। यदि आपके पास अधिक चर हैं, तो इस तकनीक को लागू करना संभव नहीं है। 5. **कोई कारण-प्रभाव संबंध नहीं**: Scatter Diagram केवल सहसंबंध दिखाता है, लेकिन यह कारण और प्रभाव संबंध की पुष्टि नहीं करता। ऐसे में, इस चित्रण पर अंधा विश्वास करना खतरनाक हो सकता है। 6. **लिनियरिटी की आवश्यकता**: Scatter Diagram मुख्यतः लीनियर संबंध के लिए उपयुक्त होता है। गैर-लीनियर संबंधों को समझने के लिए अन्य तकनीकों की आवश्यकता होती है। 7. **समय की कमी**: डेटा संग्रह करने और Scatter Diagram तैयार करने में समय लगता है, जो कभी-कभी बड़ी परियोजनाओं केलिए चुनौतीपूर्ण हो सकता है। इन बातों को ध्यान में रखते हुए, Scatter Diagram का उपयोग करते समय संतुलन बनाना आवश्यक है, ताकि इसके नुकसान और सीमाओं को समझा जा सके। इस प्रकार, Scatter Diagram एक उपयोगी उपकरण है, लेकिन इसे सावधानीपूर्वक उपयोग करना चाहिए।

• 5.2.2 Karl Pearson's Coefficient Of Correlation/ Karl Pearson's Product Moment Method

  • कार्ल पीयरसन का सहसंबंध गुणांक

    कार्ल पीयरसन का सहसंबंध गुणांक एक सांख्यिकीय उपाय है जो दो चर (variables) के बीच संबंध की ताकत और दिशा को मापता है। इसका मान -1 से 1 के बीच होता है, जहाँ -1 का अर्थ है पूर्ण नकारात्मक सहसंबंध, 0 का अर्थ है कोई सहसंबंध नहीं और 1 का अर्थ है पूर्ण सकारात्मक सहसंबंध। ### सहसंबंध की परिभाषा सहसंबंध का अर्थ है दो चर के बीच एक निश्चित प्रकार का संबंध होना। यदि एक चर में परिवर्तन होने पर दूसरे चर में भी परिवर्तन होता है, तो इन दोनों चर के बीच सहसंबंध होता है। ### कार्ल पीयरसन का उत्पाद-मौमेंट विधि कार्ल पीयरसन का उत्पाद-मौमेंट विधि ओपरेशन द्वारा सहसंबंध गुणांक की गणना की जाती है। इसे निम्नलिखित सूत्र द्वारा व्यक्त किया जाता है: r = (Σ(X - Mx)(Y - My)) / √(Σ(X - Mx)² * Σ(Y - My)²) जहाँ, - r = सहसंबंध गुणांक - X और Y = दो चर - Mx और My = X और Y के औसत ### गणना की विधि 1. पहले X और Y के मान निर्धारित करें। 2. उसके बाद, X और Y के औसत (mean) की गणना करें। 3. फिर, X और Y के हर मान से उनके औसत को घटाएँ। 4. इसके बाद, प्राप्त मानों का गुणन करें और सभी गुणनों का योग करें। 5. अंत में, उपरोक्त सूत्र में मान रखते हुए सहसंबंध गुणांक की गणना करें। ### उपयोग - कार्ल पीयरसन का सहसंबंध गुणांक का उपयोग कई क्षेत्रों में किया जाता है जैसे कि मनोविज्ञान, समाजशास्त्र, अर्थशास्त्र, और चिकित्सा में। - यह वैज्ञानिक अनुसंधान में आंकड़ों के संबंध का अध्ययन करने के लिए बहुत महत्वपूर्ण है। ### सीमाएँ - यह विधि केवल रैखिक संबंध को मापती है और गैर-रैखिक संबंधों को पकड़ नहीं सकती। - इसके अलावा, यह चर के वितरण की सामान्यता की धारणा पर निर्भर करती है।

  • सांख्यिकी में सहसंबंध के सिद्धांत

    सांख्यिकी में सहसंबंध सिद्धांत के अंतर्गत हम दो या दो से अधिक चर की परस्पर बातचीत का अध्ययन करते हैं। यह महत्वपूर्ण है कि सहसंबंध का अर्थ केवल संबंध को प्रदर्शित करता है, कारण को नहीं। ### सहसंबंध के प्रकार 1. **सकारात्मक सहसंबंध**: जब एक चर के बढ़ने पर दूसरा चर भी बढ़ता है। 2. **नकारात्मक सहसंबंध**: जब एक चर के बढ़ने पर दूसरा चर घटता है। 3. **शून्य सहसंबंध**: जब दो चर के बीच कोई संबंध नहीं होता। ### Chi-Square परीक्षण Chi-Square परीक्षण एक सांख्यिकीय परीक्षण है जो कि यह निर्धारित करने के लिए उपयोग किया जाता है कि क्या दो श्रेणीबद्ध चर के बीच कोई सहसंबंध मौजूद है या नहीं। इसे निम्नलिखित तरीके से किया जाता है: 1. अवलोकित (Observed) और प्रत्याशित (Expected) मानों को निर्धारित करें। 2. χ² = Σ((O - E)² / E) सूत्र का उपयोग करें। 3. प्राप्त χ² मान की तुलना सारणीबद्ध χ² मान से करें। ### निष्कर्ष सहसंबंध और Chi-Square परीक्षण सांख्यिकीय विश्लेषण में महत्वपूर्ण उपकरण हैं, जो अनुसंधान के दौरान डेटा के कार्यशील संबंधों की पहचान करने में मदद करते हैं। छात्र को इन विधियों का ज्ञान होना आवश्यक है ताकि वे अपनी अनुसंधान कार्यों में सही निष्कर्ष पर पहुँच सकें।

• 5.2.3 Spearman's Rank Correlation Coefficient

  • Spearman's Rank Correlation Coefficient

    notes

    स्पीयरमैन का रैंक सहसंबंध गुणांक (Spearman's Rank Correlation Coefficient) एक सांख्यिकीय माप है जो दो चरों के बीच रैंक (क्रम) के अनुसार संबंध को मापता है। यह विशेष रूप से तब उपयोगी होता है जब डेटा का वितरण सामान्य न हो। स्पीयरमैन का रैंक सहसंबंध गुणांक को निर्धारित करने के लिए निम्नलिखित प्रक्रिया का पालन किया जाता है : 1. सबसे पहले, दोनों चरों के लिए क्रमांक निर्धारित करें। 2. फिर, उन क्रमांक के बीच के अंतर (d) को निकालें। 3. अंत में, स्पीयरमैन का रैंक सहसंबंध गुणांक (Rho) निम्नलिखित सूत्र से निकाला जाता है : \[\rho = 1 - \frac{6 \sum d^2}{n(n^2-1)}\] जहाँ n डेटा के कुल मानों की संख्या है। स्पीयरमैन के रैंक सहसंबंध गुणांक का मान -1 से +1 के बीच होता है। यदि मान +1 है, तो इसका मतलब है कि दोनों चर में पूर्ण सकारात्मक संबंध है। -1 का मतलब है पूर्ण नकारात्मक संबंध और 0 का अर्थ है कोई संबंध नहीं। उदाहरण : मान लें कि हमें छात्रों की परीक्षा में अंक और उनकी उपस्थितियों के बीच संबंध का मूल्यांकन करना है। हम पहले दोनों चरों के लिए क्रमांक निर्धारित करेंगे, फिर उन्हें स्पीयरमैन के रैंक सहसंबंध गुणांक के सूत्र में रखकर सहसंबंध का माप प्राप्त करेंगे। यह गुणांक विशेष रूप से सामाजिक विज्ञान, मनोविज्ञान और अन्य क्षेत्रों में महत्वपूर्ण होता है जहाँ डेटा अक्सर रैंक के रूप में होता है। इस माप का उपयोग करते हुए, शोधकर्ता यह देख सकते हैं कि विभिन्न मापों के बीच संबंध कितना मजबूत है। शोधकर्ता इसे संख्यात्मक डेटा के साथ-साथ रैंक डेटा के लिए भी लागू कर सकते हैं, इसलिए यह एक बहुमुखी उपकरण है।

• 5.3.1 Properties of Partial Correlation

  • 5.3.1 आंशिक सहसंबंध के गुण

    notes

    आंशिक सहसंबंध वह सांख्यिकीय उपाय है जिसका उपयोग यह पहचानने के लिए किया जाता है कि दो चर के बीच का संबंध, तीसरे चर को नियंत्रित करने के बाद भी मौजूद है या नहीं। आंशिक सहसंबंध की मुख्य विशेषताएँ इस प्रकार हैं: 1. **आंशिक सहसंबंध की परिभाषा** आंशिक सहसंबंध का अर्थ है दो चर के बीच के संबंध को मापना, जबकि एक या अधिक अन्य चर के प्रभाव को स्थिर (नियंत्रित) किया गया हो। 2. **गुण** - **संख्यात्मक परिमाण**: आंशिक सहसंबंध को -1 और 1 के बीच में मापा जाता है। 1 का मान सकारात्मक संबंध को दर्शाता है, 0 का मान संबंध का अभाव और -1 का मान नकारात्मक संबंध को दर्शाता है। - **सापेक्षता**: आंशिक सहसंबंध केवल दो विश्लेषणात्मक चर के लिए सही होता है। - **अनुकूलीता**: जब एक या एक से अधिक स्वतंत्र चर को जोड़ा जाता है तो आंशिक सहसंबंध का मान बदल सकता है। - **बाहरी प्रभाव**: आंशिक सहसंबंध उस बाहरी चर के प्रभाव को खत्म करने का प्रयास करता है, जिससे मुख्य दो चर के बीच संबंध स्पष्ट हो सके। 3. **आवश्यकताएँ** आंशिक सहसंबंध की गणना के लिए निम्नलिखित आवश्यकताएँ होती हैं: - डेटा का गुणात्मक होना - सामान्य वितरण की मान्यता (यदि मानक रेखा के तुलनात्मकता की आवश्यकता हो) - द्वि-रेखीयता का आचरण होना चाहिए। 4. **गणना के तरीके** आंशिक सहसंबंध की गणना करने के लिए सामान्यतः निम्नलिखित विधियाँ इस्तेमाल की जाती हैं: - **पेयरवाइज आंशिक सहसंबंध**: यह सबसे सामान्य विधि है जिसमें दो चर के बीच आंशिक सहसंबंध को निर्धारित किया जाता है। - **विभाजित घटक विधि**: इस विधि में, मूल डेटा को दो भागों में विभाजित करके अध्ययन किया जाता है। 5. **Chi-Square परीक्षण** Chi-Square परीक्षण का उपयोग यह देखने के लिए किया जाता है कि क्या दो गुणात्मक चर के बीच कोई संबंध है। यह परीक्षण दिखाता है कि जब विशेष संदर्भ में आंशिक सहसंबंध की गणना की जाती है तो क्या चर के बीच में मौलिक संबंध है। अतः आंशिक सहसंबंध शोधों में एक महत्वपूर्ण टूल है जो हमें चर के बीच संबंध को समझने में मदद करता है और यह वास्तविक तथ्यों के आधार पर निर्णय लेने में सहायक होता है।

• 5.3.2 Methods of Calculation

  • 5.3.2 विधियों की गणना

    गणना की विधियाँ सांख्यिकी में डेटा के विश्लेषण के लिए महत्वपूर्ण हैं। ये विधियाँ डेटा में संबंधों को समझने और परिणाम निकालने में सहायता करती हैं। इस संदर्भ में, हम निम्नलिखित प्रमुख विषयों पर ध्यान केंद्रित करेंगे: 1. **सह-संबंध के सिद्धांत**: सह-संबंध वह माप है जो दो या दो से अधिक चर के बीच संबंध की ताकत और दिशा को दर्शाता है। सह-संबंध में हमारे पास सकारात्मक, नकारात्मक और शून्य सह-संबंध होते हैं। ये भावनाएं सामाजिक विज्ञानों, जीवन विज्ञानों आदि में उपयोग में लायी जाती हैं। 2. **गणना विधियाँ**: गणना की विधियाँ संख्यात्मक डेटा से निष्कर्ष निकालने के लिए इस्तेमाल होती हैं। कुछ प्रमुख गणनाएँ: - **माध्य (Mean)**: डेटा सेट का औसत, जो सभी अंशों का योग करके, अंशों की संख्याओं से विभाजित किया जाता है। - **मीडियन (Median)**: डेटा के मध्य मान को मापता है। यह डेटा को आरोही क्रम में व्यवस्थित करके निकाला जाता है। - **मोड़ (Mode)**: यह सबसे अधिक बार आने वाले मान को दर्शाता है। - **मानक विचलन (Standard Deviation)**: यह डेटा के फैलाव की माप करता है, यह देखता है कि डेटा कितनी दूर है औसत से। 3. **ची-स्क्वायर परीक्षण**: यह एक सांख्यिकीय परीक्षण है जिसका उपयोग यह निर्धारित करने के लिए किया जाता है कि दो श्रेणीबद्ध चर के बीच संबंध है या नहीं। यह परीक्षण यह भी देखता है कि क्या अपेक्षित और अवलोकित मानों के बीच कोई महत्वपूर्ण अंतर है। ची-स्क्वायर परीक्षण की प्रमुख विशेषताएँ: - यह विशेष रूप से गुणात्मक डेटा के लिए उपयोगी है। - इसे स्वतंत्रता के डिग्री के साथ जोड़ा जाता है जिससे परिणामों की विश्वसनीयता मापी जा सके। - इसे दो प्रकार के परीक्षणों, जैसे स्वतंत्रता परीक्षण और अनुकूलता परीक्षण, में वर्गीकृत किया जाता है। इन विधियों से हमें सांख्यिकीय डेटा को समझने और विश्लेषण करने में सहायता मिलती है। छात्रों को इन विधियों को सही तरीके से सीखना और लागू करना आवश्यक है ताकि वे अपने अनुसंधान में उत्कृष्टता प्राप्त कर सकें।

• 5.3.3 Significance of a Partial Correlation Coefficient

  • आंशिक संगCorrelation गुणांक का महत्व

    आंशिक संगCorrelation गुणांक का उपयोग तब किया जाता है जब हम यह देखना चाहते हैं कि दो चरों के बीच संबंध को अन्य संबंधित चर के प्रभाव को नियंत्रित करने के बाद कैसे प्रभावित किया जाता है। इस परिप्रेक्ष्य में, यह कई क्षेत्रों में महत्वपूर्ण हो जाता है, जैसे मनोविज्ञान, सामाजिक विज्ञान और वित्त। आंशिक संगCorrelation गुणांक हमें यह समझने में मदद करता है कि यदि हम एक या अधिक अन्य चर को स्थिर मानते हैं, तो एक चर में परिवर्तन का दूसरे चर पर क्या प्रभाव पड़ता है। 1. आंशिक संगCorrelation की परिभाषा: आंशिक संगCorrelation का अर्थ है कि हम दो चरों (X और Y) के बीच का संबंध को अन्य चर (Z) के प्रभाव को नियंत्रित करके समझते हैं। यह उस संबंध की शुद्धता को मापता है। 2. इसके उपयोग: - मनोविज्ञान में, आंशिक संगCorrelation का उपयोग सूजन और तनाव के बीच संबंध में मध्यवर्ती चर (जैसे, सामाजिक समर्थन) को नियंत्रित करने के लिए किया जा सकता है। - आर्थिक अध्ययन में, आंशिक संगCorrelation का उपयोग किसी विशेष कारक (जैसे, निवेश) के प्रभाव को मापने के लिए किया जाता है। 3. गणना के तरीके: आंशिक संगCorrelation गुणांक की गणना करने के कई तरीके हैं, जिनमें से एक सामान्य विधि यह है कि हम मात्रात्मक डेटा के माध्यम से एक बडी संख्यात्मक रूपरेखा बनाते हैं। इसके लिए, हम Pearson या Spearman के नियम का उपयोग कर सकते हैं। 4. Chi-Square परीक्षण: Chi-Square परीक्षण का उपयोग यह निर्धारित करने के लिए किया जाता है कि क्या दो श्रेणीबद्ध चरों के बीच संबंध सांख्यिकीय रूप से महत्वपूर्ण है या नहीं। आंशिक संगCorrelation गुणांक और Chi-Square परीक्षण का संयोजन हमें अधिक सटीक और वैज्ञानिक रूप से पुष्टि की गई विश्लेषण के लिए औचित्य प्रदान करता है। 5. महत्व: संक्षेप में, आंशिक संगCorrelation गुणांक एक महत्वपूर्ण सांख्यिकीय उपकरण है, जो शोधकर्ताओं को अधिक सटीक निष्कर्ष निकालने और विभिन्न चरों के बीच के जटिल संबंधों को समझने में मदद करता है। इसे सही तरीके से समझने और लागू करने से, हम वास्तविकता के करीब पहुंच सकते हैं और अपने अध्ययन के परिणामों की उत्पादकता और विश्वसनीयता बढ़ा सकते हैं।

• 5.3.4 Advantages of Partial Correlation

  • आंशिक सहसंबंध के लाभ

    आंशिक सहसंबंध कुछ विशेष पहलुओं में सहसंबंध अध्ययन के लिए महत्वपूर्ण है। इसके कई लाभ हैं जिनकी चर्चा निम्नलिखित बिंदुओं में की गई है। 1. **आंशिक प्रभाव का मूल्यांकन**: आंशिक सहसंबंध का सटीकता से उपयोग करके हम यह समझ सकते हैं कि किसी निश्चित चर का दूसरे चर पर क्या प्रभाव है, जबकि अन्य संभावित कारकों को नियंत्रित किया जाए। यह अनुसंधान में उपचारात्मक प्रभाव का सही आकलन करने में सहायक होता है। 2. **सटीक विश्लेषण**: यह तकनीक सहसंबंध के वास्तविक रूप को स्पष्ट करने में मदद करती है। जब हम सहसंबंध की गणना करते हैं, तो कई कारकों का समावेश होता है, जो सही परिणामों को प्रभावित कर सकते हैं। आंशिक सहसंबंध हमें केवल उन कारकों पर ध्यान केंद्रित करने की अनुमति देता है जो वास्तव में संबंधित हैं। 3. **परस्पर संबंधों की पहचान**: आंशिक सहसंबंध का उपयोग करके, हम पहचान सकते हैं कि कौन-से चर आपस में संबंधित हैं और कौन-से चर अन्य चर के प्रभाव को छिपा सकते हैं। यह जटिल डेटा सेट में अंतर्दृष्टि प्राप्त करने में सहायक होता है। 4. **डेटा की व्याख्या में सुविधा**: आंशिक सहसंबंध का प्रयोग करते समय, अनुसंधानकर्ता आसानी से विभिन्न संशोधनों (modifications) और कारकों (factors) के प्रभाव का मूल्यांकन कर सकते हैं, जिससे डेटा की व्याख्या अधिक स्पष्ट होती है। 5. **अनुसंधान में परिणामों का विश्वसनीयता**: जब हम आंशिक सहसंबंध का उपयोग करते हैं, तो हम वैज्ञानिक अनुसंधान में अधिक विश्वसनीय परिणाम प्राप्त कर सकते हैं। यह दृष्टिकोण हमें विभिन्न परिणामों के औसत की तुलना करने या उन्हें जोड़ने में मदद करता है, और यह दिखाता है कि किस कारक का वास्तविक प्रभाव है। इस प्रकार, आंशिक सहसंबंध का अध्ययन करने से हमें शोध में अधिक सटीकता, विश्लेषण और परिणामों की व्याख्या में सहायता मिलती है। इसके माध्यम से, हम संबंधित चरों के बीच की जटिलताओं को बेहतर ढंग से समझ सकते हैं।

• 5.3.5 Disadvantages of Partial Correlation

  • आंशिक सहसंबंध के नुकसान

    आंशिक सहसंबंध एक सांख्यिकीय विधि है जिसका उपयोग दो चर के बीच संबंध को वास्तविक समझने के लिए किया जाता है, जबकि तीसरे चर के प्रभाव को नियंत्रण में रखा जाता है। हालाँकि, आंशिक सहसंबंध के कुछ नुकसान हैं। 1. **सीमितता**: आंशिक सहसंबंध केवल दो चर के बीच संबंध का विश्लेषण करता है। यह अन्य संभावित चर के प्रभावों को अनदेखा कर सकता है, जो वास्तविकता में दृष्टिकोण को सीमित कर सकता है। 2. **कठिनता**: आंशिक सहसंबंध के लिए डेटा की गुणवत्ता महत्वपूर्ण है। यदि डेटा में शोर या त्रुटियाँ हैं, तो आंशिक सहसंबंध का परिणाम भ्रामक हो सकता है। 3. **पूर्वाग्रह**: निष्कर्षों में पूर्वाग्रह का जोखिम होता है, यदि तीसरे चर का सही रूप से संचालन नहीं किया गया है। इससे गलत निष्कर्ष या अनौपनिक संबंध उत्पन्न हो सकते हैं। 4. **परिवर्तनशीलता**: यदि तीसरे चर की परिवर्तनशीलता कम है, तो आंशिक सहसंबंध गलत संकेत दे सकता है। ऐसे मामलों में, वास्तविक संबंध को मान्यता नहीं मिल सकती है। 5. **अनुसंधान के उपायों की जटिलता**: आंशिक सहसंबंध का सही तरीके से उपयोग करने के लिए कई उपायों पर विचार करने की आवश्यकता होती है, जो अक्सर अनुसंधान को कठिन बनाते हैं। 6. **अवधारणाओं का उल्लंघन**: कई बार, आंशिक सहसंबंध मानता है कि संबद्धता रेखीय है। यदि वास्तविकता में संबंध गैर-रेखीय है, तो परिणाम बचत नहीं कर सकते। ये नुकसान आंशिक सहसंबंध के उपयोग को सीमित करते हैं, जिसके कारण शोधकर्ता को सावधानी से इसे स्थापित और विश्लेषण करना चाहिए। इससे शोध के परिणामों और उनके विश्लेषण में निकटता से ध्यान देने की आवश्यकता होती है।

• 5.4.1 Introduction

  • 5.4.1 Introduction

    परिस्थिति और घटनाओं के बीच संबंध को समझने के लिए सहसंबंध का विचार महत्वपूर्ण है। सहसंबंध से अभिप्राय है कि एक चर (variable) में होने वाले परिवर्तन का दूसरे चर पर क्या प्रभाव पड़ता है। सहसंबंध की शक्ति और दिशा को सहसंबंध गुणांक (correlation coefficient) के माध्यम से मापा जाता है, जो -1 से +1 के बीच मान ले सकता है। सहसंबंध की गणना विभिन्न विधियों के माध्यम से की जा सकती है। इनमें से सबसे सामान्य पियर्सन सहसंबंध गुणांक है, जो दो सतत चर के बीच.linear संबंध को मापता है। इसके अलावा, स्पीयरमैन रैंक सहसंबंध गुणांक का उपयोग तब किया जाता है जब डेटा ordinal या non-parametric हो। गणना विधियों का उपयोग करते हुए सहसंबंध का विश्लेषण करना न केवल सांख्यिकी में एक महत्वपूर्ण कौशल है, बल्कि यह अनुसंधान और डेटा विश्लेषण में भी अत्यंत उपयोगी है। अंत में, ची-सक्वायर परीक्षण (Chi-Square Test) का उपयोग किया जाता है जब हम वर्गीकृत डेटा के बीच संबंध का परीक्षण करना चाहते हैं। यह परीक्षण हमें यह निर्धारित करने की अनुमति देता है कि क्या दो श्रेणीबद्ध चर एक-दूसरे से स्वतंत्र हैं या नहीं। ची-सक्वायर परीक्षण का उपयोग करते समय महत्वपूर्ण बात यह है कि यह सुनिश्चित करना कि अपेक्षित आवृत्तियाँ पर्याप्त हो। इस प्रकार, सहसंबंध विचार, गणना विधियाँ, और ची-सक्वायर परीक्षण सांख्यिकी में महत्वपूर्ण तत्व हैं जो डेटा का गहन विश्लेषण करने में सहायता करते हैं। इन सभी को समझना और सही तरीके से लागू करना अनुसंधान में अग्रसर होने के लिए आवश्यक है।

• 5.4.2 Properties of Multiple Correlation

  • 5.4.2 बहुगुणा संबंध का गुण

    बहुगुणा संबंध का गुण सांख्यिकी में एक महत्वपूर्ण अवधारणा है, जिसका उपयोग कई चर के बीच के संबंध को समझने के लिए किया जाता है। इस भाग में हम बहुगुणा संबंध के विभिन्न गुणों का अध्ययन करेंगे।

  • बहुगुणा संबंध की परिभाषा

    बहुगुणा संबंध, जिसे मल्टीपल कोरलेशन भी कहा जाता है, एक सांख्यिकीय तकनीक है, जिसका उपयोग यह जाँचने के लिए किया जाता है कि कैसे एक निर्भर चर (dependent variable) कई स्वतंत्र चर (independent variables) द्वारा प्रभावित होता है।

  • गुण 1: मानक गुणांक

    बहुगुणा संबंध का एक प्रमुख गुण उसके मानक गुणांक हैं। यह गुणांक यह दर्शाता है कि किस औसत परिवर्तन के साथ निर्भर चर में परिवर्तन होता है।

  • गुण 2: सहसंबंध गुणांक

    सहसंबंध गुणांक बहुगुणा संबंध का एक और महत्वपूर्ण पैरामीटर है, जो हमें यह बताता है कि कितनी मजबूती से स्वतंत्र चर निर्भर चर के साथ संबंधित हैं।

  • गुण 3: पूर्वानुमान सटीकता

    बहुगुणा संबंध का उपयोग किसी निर्भर चर के लिए भविष्यवाणी करने में किया जाता है। इस संबंध की गुणवत्ता का मूल्यांकन उसके पूर्वानुमान की सटीकता से किया जा सकता है।

  • गुण 4: अनुक्रमीय विश्लेषण

    अनुक्रमीय विश्लेषण यह दर्शाता है कि बहुगुणा संबंध में प्रत्येक स्वतंत्र चर का निर्भर चर पर क्या प्रभाव है।

  • गुण 5: Chi-Square परीक्षण के साथ संबंध

    Chi-Square परीक्षण का उपयोग बहुगुणा संबंध में विश्लेषण के लिए किया जाता है, जिससे हमें यह सुनिश्चित करने में मदद मिलती है कि क्या स्वतंत्र चर और निर्भर चर के बीच में कोई वास्तविक संबंध है या नहीं।

  • गुण 6: अधिग्रहण की प्रक्रिया

    बहुगुणा संबंध के उपयोग के लिए डेटा संग्रह की विधि भी महत्वपूर्ण है। हमें डेटा को सावधानीपूर्वक इकट्ठा करना होता है ताकि सटीकता सुनिश्चित हो सके।

  • गुण 7: निष्कर्षण

    अंत में, बहुगुणा संबंध का विश्लेषण करने के लिए हमें प्राप्त डेटा का सही निष्कर्ष निकालना आवश्यक है। इस निष्कर्ष से शोध का एक मजबूत आधार प्राप्त होता है।

• 5.4.3 Methods of Calculation

  • 5.4.3 गणना के तरीके

    गणना के तरीके सांख्यिकी में डेटा का विश्लेषण करने और निष्कर्ष निकालने के लिए महत्वपूर्ण होते हैं। इन तरीकों का उपयोग विभिन्न सांख्यिकीय परीक्षणों में किया जाता है, जिनमें सहसम्बंध (Correlation) की जांच करने, मापदंडों (Parameters) का आकलन करने, और परीक्षणों के परिणामों की सटीकता सुनिश्चित करने के लिए किया जाता है। इस संदर्भ में कुछ महत्वपूर्ण गणना के तरीकों का विवरण दिया गया है: 1. **सहसंबंध गुणांक (Correlation Coefficient)**: - इसे Pearson या Spearman के द्वारा मापा जा सकता है, जो यह दर्शाता है कि दो या दो से अधिक वरिएबल के बीच का संबंध कितना मजबूत है। ये गणनाएँ डेटा के वितरण पर निर्भर करती हैं और इनके विभिन्न रूप होते हैं। जैसे: - Pearson का सहसंबंध गुणांक सामान्य वितरण के लिए उपयुक्त होता है। - Spearman का सहसंबंध गुणांक रैंक डेटा के लिए उपयुक्त होता है। 2. **गणना विधियाँ (Computation Methods)**: - सांख्यिकी में विभिन्न गणना विधियाँ जैसे औसत, मध्यिका और मोड शामिल हैं। ये विधियाँ डेटा सेट की विशेषताओं को समझने के लिए आवश्यक हैं। उदाहरण स्वरूप: - **औसत**: सभी मानों का योग करके उन मानों की संख्या से भाग दिया जाता है। - **मध्यिका (Median)**: डेटा को बढ़ते क्रम में व्यवस्थित करने के बाद, मध्य मान को चुना जाता है। - **मोड (Mode)**: सबसे अधिक बार प्रकट होने वाला मान। 3. **ची-स्क्वायर परीक्षण (Chi-Square Test)**: - यह परीक्षण वर्गीकृत डेटा का विश्लेषण करने के लिए उपयोग किया जाता है। इसका उपयोग यह निर्धारित करने के लिए किया जाता है कि क्या दो श्रेणियों के बीच किसी प्रकार का संबंध है या नहीं। इसका गणना सूत्र होता है: - χ² = Σ (O - E)² / E - यहाँ O = देखी गई आवृत्तियाँ, E = अपेक्षित आवृत्तियाँ। 4. **उदाहरण**: - मान लीजिए, यदि हमें दो चरों (X और Y) के बीच सहसंबंध की गणना करनी है, तो हम डेटा को इकट्ठा करेंगे, औसत, मध्यिका और मोड की गणना करेंगे, और फिर Pearson गुणांक का उपयोग करेंगे। 5. **निष्कर्ष**: - गणना के तरीकों का सही उपयोग सांख्यिकी में महत्वपूर्ण है। यह न केवल डेटा के अद्यतन विश्लेषण में मदद करता है बल्कि अनुसंधान की दिशा और निष्कर्ष निकालने की प्रक्रिया को भी सहज बनाता है। अतः, गणना के इन तरीकों का अध्ययन और सही उपयोग छात्रों के लिए आवश्यक है।

• 5.4.4 Advantages of Multiple Correlation

  • कई सहसंबंध का महत्व

    कई सहसंबंध (Multiple Correlation) सांख्यिकी में एक महत्वपूर्ण अवधारणा है, जिसका उपयोग विभिन्न चर के बीच के संबंधों को समझने और मापने के लिए किया जाता है। यह एक ऐसा माप है जो तीन या तीन से अधिक स्वतंत्र चर और एक निर्भर चर के बीच के जटिल संबंध को दर्शाता है।

  • कई सहसंबंध के फायदे

    1. सटीकता में वृद्धि: कई सहायकों का उपयोग करने से परिणाम अधिक सटीक होते हैं क्योंकि यह विभिन्न चर के प्रभावों को एक साथ समझता है। 2. जटिलता को समझना: यह कई परस्पर संबंधित चर के प्रभावों को एक साथ देखने की क्षमता प्रदान करता है। 3. भविष्यवाणी में सहायता: कई सहसंबंध भविष्यवाणी करना आसान बनाते हैं, क्योंकि यह विभिन्न चर के संभावित प्रभावों को अन्वेषण करने की अनुमति देता है। 4. बेहतर निर्णय लेने में सहायता: संगठनों में, निर्णय लेना अधिक प्रभावी हो सकता है जब कई चर के प्रभावों को ध्यान में रखा जाता है। 5. विविधता का सम्मिलन: विभिन्न प्रकार की जानकारी या चर को सम्मिलित करने का अवसर मिलता है, जो परिणामों को और भी संदर्भ में लाता है।

  • सांख्यिकी में सहसंबंध की अवधारणा

    सहसंबंध एक सांख्यिकीय उपाय है जो यह बताता है कि दो या दो से अधिक चर के बीच का संबंध कैसा है। सकारात्मक सहसंबंध का अर्थ है कि यदि एक चर में वृद्धि होती है तो दूसरे में भी वृद्धि होती है। नकारात्मक सहसंबंध का अर्थ है कि एक चर में वृद्धि होने पर दूसरा घटता है।

  • सहसंबंध की गणना विधियां

    सहसंबंध की गणना के लिए कई तरीके हैं, जिनमें पीयर्सन कोरिलेशन, स्पीयरमैन रैंक कोरिलेशन और केंडल टाउ कोरिलेशन शामिल हैं। इन विधियों का उपयोग स्थिति के अनुसार किया जाता है।

  • ची-स्क्वायर परीक्षण

    ची-स्क्वायर परीक्षण एक सांख्यिकीय तकनीक है जो यह निर्धारित करने के लिए उपयोग की जाती है कि दो श्रेणीबद्ध चर के बीच कोई संबंध है या नहीं। इसे कई सहसंबंधों के प्रभाव की जांच करने के लिए लागू किया जा सकता है।

• 5.4.5 Disadvantages of Multiple Correlation

  • 5.4.5 कई गुणांकी के नुकसान

    कई गुणांकी (Multiple Correlation) सांख्यिकी में एक महत्वपूर्ण अवधारणा है जिसका उपयोग विभिन्न परिवर्तनों के बीच संबंधों को समझने के लिए किया जाता है। हालांकि, इसके कई नुकसान भी हैं जिन पर ध्यान देना आवश्यक है। 1. **जटिलता**: कई गुणांकी का प्रयोग करने पर जटिलता बढ़ जाती है। जब एक से अधिक स्वतंत्र परिवर्तनों (independent variables) को एक साथ लिया जाता है, तो विवादास्पदता (controversy) और भ्रम बढ़ सकता है। इसकी गणना करना अधिक कठिन हो जाता है। 2. **अधिक संबंध का भ्रम**: कभी-कभी, कई गुणांकी अन्य परिवर्तनों के प्रभाव को छिपा सकती है। यदि कुछ स्वतंत्र चर तुलनात्मक रूप से एक दूसरे के साथ सहसंबंधित हैं, तो उनकी स्वतंत्रता का संज्ञान लेना मुश्किल हो सकता है। यह गलत निष्कर्षों की ओर ले जा सकता है। 3. **डेटा की आवश्यकता**: कई गुणांकी के लिए डेटा की अधिक मांग होती है। इसे सटीक और विश्वसनीय परिणाम प्राप्त करने के लिए पर्याप्त मात्रा में डेटा की आवश्यकता होती है। यदि डेटा की मात्रा कम है, तो परिणाम कमजोर हो सकते हैं। 4. **रैखिक संबंध की आवश्यकता**: कई गुणांकी में यह मान लिया जाता है कि सभी संबंध रैखिक हैं। यदि विवर्तनों के बीच संबंध रैखिक नहीं हैं, तो परिणाम गलत या भ्रामक हो सकते हैं। 5. **मोडरेशन और मिलन का प्रभाव**: कई गुणांकी का प्रयोग करते समय, यह आवश्यक हो जाता है कि परिवर्तनों का प्रभाव एक-दूसरे पर नहीं पड़ता है। यदि कोई एक परिवर्तन किसी अन्य परिवर्तन के प्रभाव को नियंत्रित करता है, तो यह स्थिरता में कमी ला सकता है। 6. **अनुसंधान के डिज़ाइन में जटिलता**: कई गुणांकी का उपयोग शोध डिज़ाइन में जटिलता लाता है। शोधकर्ताओं को सुनिश्चित करना होता है कि वे सभी संभावित सह-चर (confounding variables) की पहचान कर सकें और उन्हें नियंत्रित कर सकें। 7. **भ्रामक सांख्यिकीय संकेत**: कई गुणांकी विश्लेषण में, प्राप्त सांख्यिकीय संकेत हमेशा संदर्भ में सही नहीं होते। अगर किसी मॉडल का उचित विश्लेषण नहीं किया जाता है, तो यह आसान है कि इसे भ्रामक परिणामों की ओर ले जाया जाए। कुल मिलाकर, कई गुणांकी का उपयोग करना आसान नहीं है और इसके साथ कई खतरें और नुकसान जुड़े हो सकते हैं। इसलिए, अनुसंधान करते समय, सावधानी और सही दृष्टिकोण अपनाना आवश्यक है।

• 5.5.1 Probable Error of the Coefficient of Correlation

  • 5.5.1 संभावित त्रुटि सहसंबंध गुणांक की

    notes

    सहसंबंध गुणांक एक सांख्यिकीय माप है जो दो चर के बीच संबंध की शक्ति और दिशा को मापता है। इसे रेंज में -1 से 1 के बीच मापा जाता है। जब सहसंबंध गुणांक 1 के समीप होता है, तो यह दर्शाता है कि दोनों चर के बीच सकारात्मक संबंध है। यदि यह -1 के समीप है, तो यह नकारात्मक संबंध का संकेत है। यदि यह 0 हो, तो दोनों चर के बीच कोई संबंध नहीं होता। संभावित त्रुटि सहसंबंध गुणांक की एक महत्वपूर्ण अवधारणा है। यह इस बात का माप है कि सहसंबंध गुणांक की गणना में कितनी संभावित त्रुटियाँ हो सकती हैं, और यह संख्यात्मक डेटा में त्रुटियों के प्रभाव को दर्शाता है। जब हम एक नमूना लेते हैं और उसके आधार पर सहसंबंध गुणांक की गणना करते हैं, तो यह ज़रूरी नहीं है कि यह पूरे जनसंख्या के लिए सही हो। संभावित त्रुटि की गणना निम्नलिखित तरीके से की जाती है: 1. पहले हमें नमूना आकार (n) का निर्धारण करना होता है। 2. सहसंबंध गुणांक (r) की गणना करें। 3. संभावित त्रुटि की गणना के लिए निम्नलिखित फार्मूला का उपयोग करें: - संभावित त्रुटि (PE) = √( (1 - r²) / (n - 2) ) इसमें 'r' सहसंबंध गुणांक है और 'n' नमूने का आकार है। यह निश्चित रूप से सहसंबंध गुणांक की वैद्यता और विश्वसनीयता को समझने में सहायक होता है। यह सांख्यिकीय जॉचों में महत्वपूर्ण होता है, खासकर जब हम किसी विश्लेषण या अध्ययन में निष्कर्ष निकालते हैं। इसलिए, संभावित त्रुटि सहसंबंध गुणांक का ना केवल मूल्यांकन करने में मदद करती है, बल्कि यह इस बात का भी संकेत देती है कि क्या हमें अपने निष्कर्षों को पुनर्व्यवस्थित करने की आवश्यकता है या नहीं। आधुनिक सांख्यिकी में, संभावित त्रुटि की गणना सांख्यिकीय सॉफ्टवेयर का उपयोग करके भी की जा सकती है, जो त्रुटियों और गणनाओं को आसान बनाता है। इसकी तुलना चाइ-स्क्वायर (Chi-Square) परीक्षण से भी की जा सकती है, जो स्वतंत्रता या संबंध के परीक्षण के लिए उपयोग किया जाता है। चाइ-स्क्वायर परीक्षण हमें सहसंबंध संभावनाओं और उनकी संभावित त्रुटियों को स्पष्टता से समझने में मदद करता है, जिससे हम सहसंबंध गुणांक के परिणामों की सटीकता और विश्वसनीयता की बेहतर समझ प्राप्त कर सकें।

• 5.5.2 Standard Error of the Coefficient of Correlation

  • 5.5.2 मानक त्रुटि और सहसंबंध गुणांक

    सहसंबंध के गुणांकों की मानक त्रुटि (Standard Error of the Coefficient of Correlation) एक महत्वपूर्ण सांख्यिकीय माप है, जिसका उपयोग सहसंबंध के गुणांक की सटीकता को समझने के लिए किया जाता है। यदि दो चर के बीच सहसंबंध है, तो इस सहसंबंध का माप करने के लिए हम पियर्सन के रॉ सहसंबंध गुणांक (Pearson's r) का उपयोग करते हैं। सहसंबंध गुणांक की गणना करने के बाद, हमें यह सुनिश्चित करने की आवश्यकता होती है कि क्या यह आंकड़ा विश्वसनीय है या नहीं। यहाँ मानक त्रुटि का महत्व स्पष्ट होता है। प्रधान रूप से, मानक त्रुटि उस अंतर को मापती है जो सहसंबंध गुणांक के अनुमान और वास्तविक मानक के बीच होता है। मानक त्रुटि का माप जितना कम होगा, सहसंबंध के गुणांक के प्रति अधिक विश्वास होगा। मानक त्रुटि की गणना करने के लिए निम्नलिखित समीकरण का उपयोग किया जाता है: SE = sqrt((1 - r^2) / (n - 2)) जहां SE = मानक त्रुटि, r = सहसंबंध गुणांक, और n = अवलोकनों की संख्या। इस सूत्र का उपयोग करके, हम सहसंबंध गुणांक की मानक त्रुटि की गणना कर सकते हैं, जो हमें यह बताता है कि डेटा के लिए सहसंबंध कितना सटीक है। यदि मानक त्रुटि बहुत बड़ी है, तो यह संकेत दे सकता है कि सहसंबंध का अनुमान संभावित रूप से गलत हो सकता है। इसके आलावा, मानक त्रुटि का उपयोग करते हुए हम विभिन्न भरोसेमंद अंतराल भी निर्धारित कर सकते हैं। 95% विश्वास अंतराल के लिए, हम निम्नलिखित समीकरण का उपयोग कर सकते हैं: CI = r ± (z * SE) जहां CI = विश्वास अंतराल, z = सामान्य वितरण के लिए z-स्कोर (लगभग 1.96)। इस प्रकार, मानक त्रुटि सहसंबंध गुणांक के संदर्भ में सांख्यिकीय निष्कर्षों की गुणवत्ता और विश्वसनीयता को बढ़ाने में महत्वपूर्ण भूमिका निभाती है। यह विद्यार्थियों को सहसंबंध के महत्व और इसके विश्लेषण को समझने में मदद करती है।

• 5.6.1 Introduction

  • 5.6.1 परिचय

    सहसंबंध के सिद्धांत, उसके गणना विधियाँ और ची-स्क्वायर परीक्षण का अध्ययन सांख्यिकी में महत्वपूर्ण है। सहसंबंध का अर्थ दो या दो से अधिक चर के बीच के संबंध को समझना है। यह महत्वपूर्ण है क्योंकि इससे यह पता चलता है कि क्या एक चर में परिवर्तन, दूसरे चर में परिवर्तन के साथ जुड़ा हुआ है। इस खंड में हम सहसंबंध के विभिन्न पहलुओं पर चर्चा करेंगे। ### सहसंबंध सिद्धांत सहसंबंध सिद्धांत यह समझाता है कि कैसे विभिन्न चर, जैसे कि आयु, शिक्षा स्तर, और स्वास्थ्य की स्थिति, एक दूसरे से संबंधित हो सकते हैं। इसे सांख्यिकीय रूप से मापने के लिए सहसंबंध गुणांक का उपयोग किया जाता है। यह गुणांक -1 से 1 तक होता है। यदि गुणांक 1 है, तो यह एक सकारात्मक सहसंबंध को दर्शाता है; यदि -1 है, तो यह नकारात्मक सहसंबंध को दर्शाता है। 0 का अर्थ है कोई सहसंबंध नहीं है। ### गणना विधियाँ सहसंबंध की गणना करने के लिए कई विधियाँ हैं: 1. **पियर्सन सहसंबंध गुणांक**: यह विधि दो क्रमांकित चर के बीच रेखीय संबंध को मापने के लिए उपयोग की जाती है। 2. **स्पीमन रैंक सहसंबंध**: यह विधि तब उपयोगी है जब डेटा क्रमबद्ध (Ordinal) हो। 3. **कormány सहसंबंध**: यह भी क्रमांकित डेटा के लिए होती है और सामान्य रूप से उपयोगी होती है। ### ची-स्क्वायर परीक्षण ची-स्क्वायर परीक्षण एक सांख्यिकीय परीक्षण है जिसका उपयोग यह जाँचने के लिए किया जाता है कि क्या दो वर्गीय चर स्वतंत्र हैं या नहीं। यह सामान्य या अपेक्षित आवृत्तियों की तुलना करता है और यह निर्धारित करता है कि कोई महत्वपूर्ण संबंध है या नहीं। ची-स्क्वायर परीक्षण निम्नलिखित चरणों में किया जाता है: 1. **हिपोथीसिस सेट करना**: शून्य हिपोथीसिस (H0) और वैकल्पिक हिपोथीसिस (H1) स्थापित करें। 2. **डेटा संग्रह करना**: संबंधित डेटा इकट्ठा करें। 3. **हिसाब करना**: ची-स्क्वायर सांख्यिकी की गणना करें। 4. **निर्णय लेना**: प्राप्त सांख्यिकी का अनुप्रयोग करें और निर्णय लें कि शून्य हिपोथीसिस को अस्वीकार करना है या नहीं। इन सभी विषयों का अध्ययन करना सहसंबंध और ची-स्क्वायर परीक्षण के पूर्ण और सही समझ प्राप्त करने में मदद करता है।

• 5.6.2 Definition of Chi-Square Test

  • Chi-Square परीक्षण की परिभाषा

    Chi-Square परीक्षण एक सांख्यिकीय परीक्षण है जिसका उपयोग गुणात्मक डेटा में दो या दो से अधिक श्रेणियों के बीच संबंध या अंतर को समझने के लिए किया जाता है। यह परीक्षण विशेष रूप से तब उपयोगी होता है जब हमें यह जानना होता है कि क्या किसी विशेष स्थिति के तहत डेटा के वितरण में अंतर मौजूद है या नहीं। इस परीक्षण का प्राथमिक उद्देश्य यह जांचना है कि प्रदत्त श्रेणियों में विसंगति की कोई महत्वपूर्ण मात्रा है या नहीं। Chi-Square परीक्षण की गणना करने के लिए, हमें निम्नलिखित चरणों का पालन करना होता है: 1. **अवधारणा स्थापित करना**: हमें एक शून्य परिकल्पना (null hypothesis) और वैकल्पिक परिकल्पना (alternative hypothesis) स्थापित करनी होती है। शून्य परिकल्पना आमतौर पर यह मानती है कि कोई संबंध या अंतर नहीं है। 2. **डेटा संग्रह करना**: इस परीक्षण के लिए डेटा को एक निश्चित तालिका में संकलित करना आवश्यक है, जिसमें विभिन्न श्रेणियों की गणनाएँ शामिल होती हैं। 3. **Chi-Square सांकेतिक गुणांक की गणना करना**: Chi-Square सांकेतिक गुणांक Χ² की गणना इस सूत्र के अनुसार की जाती है: Χ² = Σ[(Oᵢ - Eᵢ)² / Eᵢ] जहां Oᵢ प्रेक्षित मान (observed values) है और Eᵢ अपेक्षित मान (expected values) है। 4. **निर्णय लेना**: अंत में, हम Chi-Square तालिका का उपयोग करके प्राप्त Chi-Square मान की तुलना करते हैं और यह देख सकते हैं कि यह पूर्व निर्धारित स्तर में महत्वपूर्ण है या नहीं। Chi-Square परीक्षण की एक महत्वपूर्ण विशेषता यह है कि यह स्वतंत्रता की डिग्री पर निर्भर करता है। स्वतंत्रता की डिग्री की गणना की जाती है: (कुल श्रेणियाँ - 1) \times (कुल समूहों - 1) इसके परिणामस्वरूप, Chi-Square परीक्षण का उपयोग विभिन्न सामाजिक विज्ञान अनुसंधान, जनसंख्या अध्ययन, और व्यवसाय में किया जाता है ताकि विभिन्न समूहों के बीच संबंध का मूल्यांकन किया जा सके। इसके अलावा, यह डेटा विश्लेषण का एक महत्वपूर्ण हिस्सा है, जो हमें संख्यात्मक निष्कर्ष निकालने में मदद करता है।

• 5.6.3 Observed and Expected Frequency

  • 5.6.3 अवलोकित और अपेक्षित आवृत्ति

    अवलोकित और अपेक्षित आवृत्ति सांख्यिकी के महत्वपूर्ण अवधारणाओं में से एक हैं। ये दोनों आवृत्तियाँ विशेषकर नमूना डेटा के विश्लेषण में प्रयोग की जाती हैं, जैसे कि रिग्रेशन विश्लेषण और ची-स्क्वायर टेस्ट में। 1. **अवलोकित आवृत्ति**: यह वो आवृत्ति होती है, जो वास्तविक डेटा संग्रह करने के परिणामस्वरूप हमें मिलती है। उदाहरण के लिए, यदि हम एक सर्वेक्षण करते हैं और 100 लोगों में से 30 लोग नीला रंग पसंद करते हैं, तो यहाँ 30 नीले रंग की पसंद करने वाले लोगों की अवलोकित आवृत्ति होगी। 2. **अपेक्षित आवृत्ति**: यह एक अनुमानित आवृत्ति होती है, जो कि सांख्यिकीय सिद्धांतों और मौजूदा डेटा पर आधारित होती है। अपेक्षित आवृत्ति का उपयोग तब किया जाता है जब हमें यह निर्धारित करना होता है कि किसी घटना की अपेक्षित आवृत्ति क्या होनी चाहिए यदि सभी चीजें सही ढंग से काम कर रही हों। उदाहरण के लिए, यदि एक डाई को फेंकने पर हमें 6 में से किसी संख्या के आने की अपेक्षा होती है, तो हर संख्या की अपेक्षित आवृत्ति 1/6 होगी। 3. **Correlation Concepts**: सांख्यिकी में सहसंबंध का अर्थ है दो या दो से अधिक चर के बीच संबंध। सहसंबंध का अनुमान लगाने के लिए गणितीय विधियों का उपयोग किया जाता है। सबसे सामान्य सहसंबंध मापने की विधि पियर्सन कोरलेशन है, जो कि सामान्य डेटा के लिए उपयुक्त है। 4. **Computation Methods**: अवलोकित और अपेक्षित आवृत्तियों की गणना के लिए कई विधियाँ हैं। एक सामान्य विधि Chi-Square Test है, जहाँ हम अवलोकित और अपेक्षित आवृत्तियों के बीच के अंतर का परीक्षण करते हैं। यह परीक्षण यह निर्धारित करता है कि वास्तव में दो श्रेणियों के बीच कोई महत्वपूर्ण संबंध है या नहीं। 5. **Chi-Square Test**: यह एक शक्तिशाली सांख्यिकीय परीक्षण है, जिसका उपयोग विभिन्न प्रकार के डेटा में संबंधों की पहचान करने के लिए किया जाता है। Chi-Square टेस्ट अवलोकित और अपेक्षित आवृत्तियों के बीच के अंतर को मापकर यह निर्धारित करता है कि ये अंतर सांयोगिक (random) हैं या नहीं। उपरोक्त बिंदुओं से स्पष्ट होता है कि अवलोकित और अपेक्षित आवृत्तियों के ज्ञान के बिना सांख्यिकी का अध्ययन अधूरा है। वे न केवल डेटा संग्रह की प्रक्रिया को समझने में मदद करते हैं, बल्कि परिणाम की व्याख्या करने में भी महत्वपूर्ण भूमिका निभाते हैं।

• 5.6.4 Steps of Chi-Square Test

  • Chi-Square Test के चरण

    Chi-Square Test सांख्यिकी में एक महत्वपूर्ण उपकरण है, जिसका उपयोग विभिन्न परिवर्तनों के बीच संबंध स्थापित करने के लिए किया जाता है। इसके कुछ प्रमुख चरण निम्नलिखित हैं: 1. **समस्या की पहचान**: पहला चरण है समस्या को स्पष्ट रूप से परिभाषित करना। यह निर्धारित करें कि आपको किस प्रकार का संबंध या भिन्नता का परीक्षण करना है। 2. **डेटा संग्रह**: परीक्षण के लिए आवश्यक डेटा एकत्रित करें। डेटा को दो श्रेणियों में वर्गीकृत किया जाना चाहिए। डेटा को समय सीमा, जनसंख्या या अन्य मापदंडों के अनुसार विभाजित किया जा सकता है। 3. **सांख्यिकीय परिकल्पना का निर्धारण**: एक शून्य परिकल्पना (H0) और वैकल्पिक परिकल्पना (H1) का निर्माण करें। शून्य परिकल्पना में यह कहा जाता है कि किसी भी दो श्रेणी के बीच कोई संबंध नहीं है, जबकि वैकल्पिक परिकल्पना में कहा जाता है कि संबंध मौजूद है। 4. **Chi-Square सांख्यिकी की गणना**: गणना करने के लिए निम्नलिखित सूत्र का उपयोग करें: \[ X^2 = \sum \frac{(O_i - E_i)^2}{E_i} \] जहाँ O_i प्रयोगात्मक आवृत्तियाँ हैं और E_i अपेक्षित आवृत्तियाँ हैं। 5. **डिग्री ऑफ़ फ्रीडम**: डिग्री ऑफ़ फ्रीडम की गणना करें। यह निर्धारित करने में मदद करता है कि कब परीक्षण को रोकना है। सामान्यतः, डिग्री ऑफ़ फ्रीडम = (कुल श्रेणी - 1)। 6. **समीक्षा और निर्णय**: प्राप्त Chi-Square मान की तुलना मानक Chi-Square वितरण से करें। यदि प्राप्त मान महत्वपूर्ण मूल्य से अधिक है, तो शून्य परिकल्पना को अस्वीकृत करें। 7. **निर्णय की व्याख्या**: परीक्षण के निष्कर्षों को समझाएं। सांख्यिकी से obtained मूल्य का उपयोग करके निष्कर्ष निकालें कि क्या आपके डेटा में कोई महत्वपूर्ण संबंध है या नहीं। इस प्रकार, Chi-Square Test के ये चरण इसे सांख्यिकी में महत्वपूर्ण बनाते हैं। इसे विभिन्न क्षेत्रों में, जैसे कि सामाजिक विज्ञान, व्यवसाय और स्वास्थ्य विज्ञान में उपयोग किया जाता है।

• 5.6.5 Conditions for Applying Chi-Square Test

  • 5.6.5 Chi-Square Test के लिए आवेदन की शर्तें

    Chi-Square Test एक सांख्यिकीय परीक्षण है जिसका उपयोग दो या अधिक श्रेणियों के बीच संबंध की जांच करने के लिए किया जाता है। इस परीक्षण को लागू करने के लिए कुछ महत्वपूर्ण शर्तें होती हैं जो परीक्षण के परिणामों की वैधता को सुनिश्चित करती हैं। ये शर्तें निम्नलिखित हैं: 1. **डेटा का गुणात्मक होना:** Chi-Square Test का उपयोग केवल गुणात्मक (Categorical) डेटा के लिए किया जा सकता है। डेटा को वर्गों में विभाजित किया जाना चाहिए, जैसे कि लिंग, राष्ट्रीयता या पसंद का वर्गीकरण। 2. **स्वतंत्रता:** डेटा जो आप परीक्षण कर रहे हैं, उनमें स्वतंत्रता होनी चाहिए। इसका मतलब है कि एक श्रेणी का परिणाम दूसरे श्रेणी के परिणाम को प्रभावित नहीं करना चाहिए। उदाहरण के लिए, अगर आप लिंग और पसंद का परीक्षण कर रहे हैं, तो एक व्यक्‍ति का लिंग उस व्यक्ति की पसंद पर असर नहीं डालना चाहिए। 3. **उपयुक्त नमूना आकार:** Chi-Square Test के लिए नमूना आकार महत्वपूर्ण है। सामान्यतः, प्रत्येक श्रेणी में अपेक्षित प्रेक्षणों की संख्या 5 से अधिक होनी चाहिए। यदि किसी श्रेणी में अपेक्षित संख्या 5 से कम है, तो मान परीक्षण की वैधता को खतरे में डाल सकता है। 4. **परिणामों का वितरण:** Chi-Square Test की एक और शर्त यह है कि परिणामों का वितरण स्वतंत्र होना चाहिए। यह सुनिश्चित करने के लिए कि परिणाम एक दूसरे को प्रभावित नहीं कर रहे हैं, विभिन्न श्रेणियों के डेटा को एकत्र किया जाना चाहिए। 5. **कैलकुलेटेड और क्रिटिकल वैल्यू:** Chi-Square टेस्ट करते समय कैल्कुलेटेड वैल्यू को क्रिटिकल वैल्यू से तुलना की जाती है। यदि कैल्कुलेटेड वैल्यू, क्रिटिकल वैल्यू से अधिक है, तो हम हाइपोथेसिस को अस्वीकार करते हैं। 6. **परिणाम की व्याख्या:** Chi-Square Test के बाद, परिणाम की व्याख्या करते समय सावधानी बरती जानी चाहिए। परीक्षण का सिर्फ एक सांख्यिकीय मूल्य है और इसका वास्तविक जीवन में अर्थ निकालने के लिए पर्याप्त डेटा और समझ की आवश्यकता होती है। इन शर्तों का पालन करना आवश्यक है ताकि Chi-Square Test के परिणाम सटीक और विश्वसनीय हो सकें। यदि ये शर्तें संतुष्ट नहीं होती हैं, तो परीक्षण के परिणाम भ्रामक हो सकते हैं और निर्णय लेने में समस्या उत्पन्न कर सकते हैं।

• 5.6.6 Applications of Chi-Square Test

  • Chi-Square Test का परिचय

    Chi-Square Test एक सांख्यिकी विधि है जो यह पता करने के लिए उपयोग की जाती है कि दो श्रेणियों के बीच कोई संबंध है या नहीं। यह परीक्षण विशेष रूप से श्रेणीबद्ध डेटा के लिए उपयोग में लाया जाता है और इसे मुख्यतः दो प्रकारों में वर्गीकृत किया जाता है: (1) Chi-Square Test for Independence और (2) Chi-Square Test for Goodness of Fit।

  • Chi-Square Test for Independence

    इस प्रकार के परीक्षण का उद्देश्य यह देखना है कि क्या दो श्रेणियों के बीच कोई स्वतंत्रता है या नहीं। जब दो वर्गीकरण जैसे लिंग और पसंद की वस्तु के बीच संबंध की जांच करनी होती है, तो Chi-Square Test for Independence का उपयोग किया जाता है।

  • Chi-Square Test for Goodness of Fit

    Goodness of Fit परीक्षण यह निर्धारित करने के लिए उपयोग किया जाता है कि एक श्रेणीबद्ध डेटा सेट एक अपेक्षित वितरण के अनुसार फिट होता है या नहीं। यह परीक्षण विशेष रूप से तब उपयोगी होता है जब आप देखना चाहते हैं कि वास्तव में प्राप्त आंकड़े अपेक्षित आंकड़ों से कैसे भिन्न होते हैं।

  • Chi-Square Test की गणना

    Chi-Square Test के लिए गणनात्मक विधि में पहले अनुमानित (expected) और वास्तविक (observed) मानों के बीच के अंतर को निर्धारित किया जाता है। इसे निम्नलिखित सूत्र से गणना किया जाता है: χ² = Σ ((O - E)² / E) यहां O वास्तविक मान है और E अपेक्षित मान है।

  • Chi-Square Test के अनुप्रयोग

    Chi-Square Test का प्रयोग कई क्षेत्रों में किया जाता है, जैसे कि स्वास्थ्य अनुसंधान, सामाजिक विज्ञान, व्यापार डेटा विश्लेषण, और जनसांख्यिकी। उदाहरण के लिए, किसी एक नई दवा के प्रभावशीलता का परीक्षण करने के लिए या विभिन्न जनसांख्यिकीय समूहों में उपभोक्ता प्राथमिकताओं के बीच संबंधों का अध्ययन करने के लिए।

  • उपसंहार

    Chi-Square Test सांख्यिकी में एक महत्वपूर्ण उपकरण है जो विभिन्न डेटा सेटों के बीच संबंधों को जांचने में सहायता करता है। यह सामान्यतः सरल और प्रभावी होता है, जिससे शोधकर्ताओं को आंकड़ों के आधार पर निर्णय लेने में मदद मिलती है।