Johdatus tilastotieteeseen

Oppitunti:	1 Tilasto ja sitä tutkiva tiede 2 Tilastotieteen peruskäsitteitä 3 Tunnusluvut 4 Vaihtelu ja riippuvuus
Aihe:	Oppitunnin etusivulle 4.1 Muuttujien tarkastelu pistekuviossa 4.2 Riippuvuus 4.3 Korrelaatio 4.3.1 Pearsonin korrelaatiokerroin 4.3.2 Korrelaatiokerroin ja lineaarinen riippuvuus 4.3.3 Syy-seuraussuhteesta 4.3.4 Spearmanin järjestyskorrelaatiokerroin 4.4 Ristiintaulukoinnista 4.5 Regressio 4.5.1 Kahden muuttujan regressioanalyysi 4.6 Riippuvuuden mitan valinta riippuu mitta-asteikosta

Esimerkki

1

2

Korrelaatiokertoimen todistusvoima

Havainto kahden muuttujan voimakkaasta korrelaatiosta ei riitä todistamaan, että syy-seuraus-suhde on löytynyt.

Esimerkiksi jäätelön myyntiluvut ja hukkumiskuolemien määrät kesäviikkoina korreloivat voimakkaasti. Lisääkö jäätelön syöminen hukkumisriskiä?

Pohditaan tarkemmin ilmiön syitä: Hukkumiskuolemia sattuu luultavasti eniten, kun uimassa käy paljon ihmisiä. Kesällä ihmiset lähtevät uimaan mieluiten lämpimänä, aurinkoisena päivänä. Onko säällä vaikutusta jäätelön syöntiinkin?

Tilastojen perusteella lämmin sää tosiaan lisää jäätelön syöntiä. Säätila vaikuttaa siis sekä jäätelön syöntiin että uimisen suosioon. Kylmänä päivänä jäätelöä syödään vähän ja uimareita on vähän – kuumana päivänä kuluu paljon jäätelöä ja uimassa on paljon ihmisiä, joista osa hukkuu. Tämä selitys vaikuttaa loogisemmalta kuin jäätelön suora yhteys hukkumiseen.

Tilastotieteen keinoin on mahdollista tutkia sään merkitystä jäätelön ja hukkumisen riippuvuuteen aineistolla, joka sisältää myös esimerkiksi viikon keskilämpötilan. Tähän soveltuvat muun muassa regressioanalyysi (ks. 4.5 Regressio) tai osittaiskorrelaatio, joka mittaa riippuvuutta, kun sään vaikutus on otettu huomioon.

Takaisin oppimateriaaliin