Nie zawsze wystarczy wiedzieć, że korelacja jest w sposób istotny większa od zera. Czasami pragniemy wyzyskać korelację dla celów prognozy. Na przykład, jeśli mamy egzamin wstępny, który – jak wiemy z poprzednich porównań – koreluje z ocenami po pierwszym roku, to możemy przewidywać, jakie będą oceny u studentów rozpoczynających studia, którzy zdawali egzamin wstępny. Gdyby korelacja była całkowita, moglibyśmy przewidywać ich stopnie bez błędu. Ponieważ kore- larje na ogól są mniejsze niż 1,00, popełniamy w przewidywaniach błędy: im niższa korelacja, tym większe są błędy w przewidywaniu opartym na niej.
Korelacje czasem wydają się paradoksalne. Na przykład, korelacja pomiędzy czasem poświęconym na naukę a ocenami w nauce często okazywała się lekko ujemna (może -,20). Gdyby przyjąć interpretację przyczynową, można by przypuszczać, że najlepszy sposób na dobre
Chociaż nie możemy zagłębiać się w techniczne problemy dotyczące obliczania późniejszych ocen na podstawie egzaminów wstępnych lub innych podobnie precyzyjnych przewidywań, możemy zastanowić się nad znaczeniem współczynników o różnej wielkości. Istnieje kilka sposobów interpretowania korelacji. Dla naszych celów możemy wybrać jeden z nich oparty na efektywności prognostycznej współczynników korelacji o różnej wielkości.
Jest oczywiste, że przy korelacji między x a y równej zeru znajomość x nie pomoże nam przewidzieć y. Na przykład, jeśli nie ma żadnego związku pomiędzy kolorem oczu a inteligencją, to gdy staramy się ocenić czyjąś inteligencję, znajomość barwy oczu tej osoby nic nam nie pomoże. Z kolei całkowita korelacja oznaczałaby 100-procentową trafność przewidywania – znając x, moglibyśmy przewidzieć bezbłędnie y. Jak sprawa wygląda przy pośrednich wartościach r?
Leave a reply