Korelasi Pearson di stata forex

Korelasi Pearson di stata forex

Sistem pembunuh-trading
Binary-options-trading-review
Forum forex-trading-terbaik (2)


Continuous-patterns-forex-trading Broker forex teregulasi cftc Forex-trading-sesak nafas Advanced-candlesticks-ichimoku-strategies-forex-trading Forex-trading-in-islamic-perspective-of-urban Online-forex-trading-training-in-urdu

Yang penting bisa diukur, jadi terus perbaiki pengukuran Anda. - Ed Seykota Dalam dunia keuangan, korelasi adalah ukuran statistik bagaimana dua efek bergerak dalam hubungan satu sama lain. Korelasi digunakan dalam manajemen portofolio lanjutan. Hindari perdagangan bersamaan dengan instrumen yang sangat berkorelasi Temukan peluang perdagangan di antara instrumen yang sangat berkorelasi Korelasi positif bila dua efek naik dalam harga bersama Korelasi negatif saat satu keamanan meningkat dan yang lainnya menurun Indikator Korelasi PZ mengukur seberapa beragam efek bergerak dalam kaitannya dengan referensi Satu, sehingga memudahkan pengelolaan portofolio. Koefisien nol adalah korelasi netral Koefisien 0,3 adalah korelasi positif rendah Koefisien di atas 0,8 adalah korelasi positif tinggi Koefisien -0,3 adalah korelasi negatif rendah Koefisien di atas -0,8 adalah korelasi negatif yang tinggi Tingkatkan risiko dan manajemen portofolio Anda dengan yang terbaik. Dan indikator korelasi pasar yang paling lengkap untuk platform metatrader. ScreenshotsPearsons Correlation menggunakan Stata Pendahuluan Koefisien korelasi momen produk Pearson, yang sering disingkat menjadi korelasi Pearson atau korelasi Pearson, adalah ukuran kekuatan dan arah hubungan yang ada antara dua variabel kontinyu. Korelasi Pearson menghasilkan koefisien yang disebut koefisien korelasi Pearson, yang dinotasikan sebagai r. Korelasi Pearsons mencoba untuk menarik garis yang paling sesuai melalui data dua variabel, dan koefisien korelasi Pearson, r. Menunjukkan seberapa jauh semua titik data ini sesuai dengan jenis fit terbaik ini (yaitu seberapa baik titik data sesuai dengan modelline baru yang paling sesuai ini). Nilainya bisa berkisar dari -1 untuk hubungan linier negatif sempurna dengan 1 untuk hubungan linier positif yang sempurna. Nilai 0 (nol) menunjukkan tidak ada hubungan antara dua variabel. Misalnya, Anda bisa menggunakan korelasi Pearsons untuk memahami apakah ada hubungan antara kinerja ujian dan waktu yang dihabiskan untuk merevisi (yaitu dua variabel Anda adalah kinerja ujian, yang diukur dari angka 0-100, dan waktu revisi, yang diukur dalam jam). Jika ada asosiasi positif dan moderat, kita dapat mengatakan bahwa lebih banyak waktu yang dihabiskan untuk merevisi dikaitkan dengan kinerja ujian yang lebih baik. Sebagai alternatif, Anda bisa menggunakan korelasi Pearsons untuk memahami apakah ada hubungan antara panjang pengangguran dan kebahagiaan (yaitu dua variabel Anda adalah panjang pengangguran, diukur dalam hitungan hari, dan kebahagiaan, diukur dengan skala terus menerus). Jika ada asosiasi yang kuat dan negatif, kita bisa mengatakan bahwa semakin lama lamanya pengangguran, semakin besar ketidakbahagiaan. Dalam panduan ini, kami menunjukkan cara melakukan korelasi Pearsons menggunakan Stata, serta menafsirkan dan melaporkan hasilnya dari tes ini. Namun, sebelum kami mengenalkan Anda pada prosedur ini, Anda perlu memahami asumsi berbeda yang harus dipenuhi oleh data Anda agar korelasi Pearson memberi Anda hasil yang valid. Kami membahas asumsi ini selanjutnya. Asumsi Ada empat asumsi yang mendukung korelasi Pearsons. Jika salah satu dari keempat asumsi ini tidak terpenuhi, analisis data Anda menggunakan korelasi Pearsons mungkin tidak mengarah pada hasil yang valid. Karena asumsi 1 berkaitan dengan variabel pilihan Anda, tidak dapat diuji untuk menggunakan Stata. Namun, Anda harus memutuskan apakah studi Anda memenuhi asumsi ini sebelum melanjutkan. Asumsi 1: Dua variabel Anda harus diukur pada tingkat kontinyu. Contoh variabel kontinu seperti itu termasuk tinggi (diukur dalam kaki dan inci), suhu (diukur dalam derajat), gaji (diukur dalam dolar AS), waktu revisi (diukur dalam jam), kecerdasan (diukur dengan menggunakan nilai IQ), waktu reaksi (diukur Dalam milidetik), uji kinerja (diukur dari 0 sampai 100), penjualan (diukur dalam jumlah transaksi per bulan), dan lain sebagainya. Jika Anda tidak yakin apakah dua variabel Anda kontinyu (yaitu diukur pada tingkat interval atau rasio), lihat Panduan Variabel Jenis kami. Catatan: Jika salah satu dari dua variabel Anda diukur pada skala ordinal. Anda perlu menggunakan korelasi Spearmans daripada korelasi Pearsons. Contoh variabel ordinal meliputi skala Likert (misalnya skala 7 poin dari sangat setuju hingga sangat tidak setuju), di antara cara lain kategori peringkat (misalnya skala 5 poin untuk mengukur kepuasan kerja, mulai dari yang paling puas sampai paling tidak memuaskan 4 - Tentukan skala yang menentukan betapa mudahnya menavigasi situs baru, mulai dari skala yang sangat mudah hingga sangat sulit atau skala 3 poin yang menjelaskan seberapa banyak pelanggan menyukai sebuah produk, mulai dari Tidak terlalu banyak, tidak apa-apa, kepada Ya, banyak). Untungnya, Anda bisa memeriksa asumsi 2, 3 dan 4 dengan menggunakan Stata. Ketika beralih ke asumsi 2, 3 dan 4, kami sarankan untuk menguji mereka sesuai urutan ini karena ini merupakan perintah di mana, jika pelanggaran terhadap anggapan tidak dapat diperbaiki, Anda tidak dapat lagi menggunakan korelasi Pearson. Sebenarnya, jangan terkejut jika data Anda gagal dalam satu atau lebih dari asumsi ini karena ini sangat khas saat bekerja dengan data dunia nyata daripada contoh buku teks, yang seringkali hanya menunjukkan kepada Anda bagaimana melakukan korelasi Pearsons saat semuanya berjalan dengan baik. . Namun, jangan khawatir karena walaupun data Anda gagal asumsi tertentu, seringkali ada solusi untuk mengatasi hal ini (misalnya mengubah data Anda atau menggunakan uji statistik lain). Ingatlah bahwa jika Anda tidak memeriksa bahwa data Anda memenuhi asumsi ini atau Anda tidak mengujinya dengan benar, hasil yang Anda dapatkan saat menjalankan korelasi Pearsons mungkin tidak valid. Asumsi 2: Perlu ada hubungan linier antara kedua variabel Anda. Meskipun ada beberapa cara untuk memeriksa apakah ada korelasi Pearson, sebaiknya buat scatterplot menggunakan Stata, di mana Anda dapat merencanakan dua variabel Anda terhadap satu sama lain. Anda kemudian dapat memeriksa secara visual scatterplot untuk memeriksa linearitas. Scatterplot Anda mungkin terlihat seperti salah satu dari berikut ini: Jika hubungan yang ditampilkan di scatterplot Anda tidak linier, Anda harus mengubah data Anda atau mungkin melakukan korelasi Spearmans, yang dapat Anda lakukan dengan menggunakan Stata. Asumsi 3: Seharusnya tidak ada outlier yang signifikan. Outlier hanyalah titik data tunggal dalam data Anda yang tidak mengikuti pola yang biasa (misalnya dalam sebuah penelitian terhadap 100 nilai IQ siswa, di mana nilai rata-rata adalah 108 dengan hanya sedikit variasi antara siswa, satu siswa memiliki skor 156, yang Sangat tidak biasa, dan bahkan mungkin memasukkannya ke posisi 1 nilai IQ di seluruh dunia). Scatterplots berikut menyoroti dampak potensial dari outlier: Pearson r sensitif terhadap outlier, yang dapat memiliki efek yang sangat besar pada garis yang paling sesuai dan koefisien korelasi Pearson, yang menghasilkan kesimpulan yang sangat sulit mengenai data Anda. Oleh karena itu, yang terbaik adalah jika tidak ada pencilan atau mereka dijaga seminimal mungkin. Untungnya, Anda bisa menggunakan Stata untuk mendeteksi kemungkinan outlier menggunakan scatterplots. Asumsi 4: Variabel Anda harus didistribusi secara normal. Untuk menilai signifikansi statistik dari korelasi Pearson, Anda harus memiliki normalitas bivariat, namun asumsi ini sulit untuk dinilai, jadi metode yang lebih sederhana lebih umum digunakan. Ini dikenal sebagai uji normalitas Shapiro-Wilk. Yang dapat Anda lakukan dengan menggunakan Stata. Dalam prakteknya, memeriksa asumsi 2, 3 dan 4 mungkin akan menghabiskan sebagian besar waktu Anda saat melakukan korelasi Pearson. Namun, ini bukan tugas yang sulit, dan Stata menyediakan semua alat yang Anda butuhkan untuk melakukan ini. Di bagian tersebut, Prosedur Uji di Stata. Kami menggambarkan prosedur Stata yang diperlukan untuk melakukan korelasi Pearsons dengan asumsi bahwa tidak ada asumsi yang telah dilanggar. Pertama, kami menetapkan contoh yang kami gunakan untuk menjelaskan prosedur korelasi Pearson di Stata. Studi menunjukkan bahwa olahraga dapat membantu mencegah penyakit jantung. Dalam batas yang wajar, semakin Anda berolahraga, semakin sedikit risiko Anda menderita penyakit jantung. Salah satu cara di mana olahraga mengurangi risiko terkena penyakit jantung adalah dengan mengurangi lemak dalam darah Anda, yang disebut kolesterol. Semakin Anda berolahraga, semakin rendah kadar kolesterol Anda. Selanjutnya, baru-baru ini telah ditunjukkan bahwa jumlah waktu yang Anda habiskan menonton ndash TV merupakan indikator gaya hidup ndash yang tidak berjalan mungkin merupakan prediktor penyakit jantung yang baik (yaitu, semakin banyak TV yang Anda tonton, semakin besar risiko penyakit jantung Anda. ). Oleh karena itu, seorang peneliti memutuskan untuk menentukan apakah konsentrasi kolesterol terkait dengan waktu yang dihabiskan untuk menonton TV pada pria sehat berusia 45 sampai 65 tahun (kategori berisiko tinggi). Misalnya, saat orang menghabiskan lebih banyak waktu untuk menonton TV, konsentrasi kolesterol mereka juga meningkat (hubungan positif) atau sebaliknya. Untuk melakukan analisis, peneliti merekrut 100 peserta pria sehat berusia antara 45 dan 65 tahun. Jumlah waktu yang dihabiskan untuk menonton TV (yaitu variabel, timetv) dan konsentrasi kolesterol (yaitu variabel, kolesterol) dicatat untuk semua 100 peserta. Dinyatakan dalam berbagai hal, peneliti ingin mengkorelasikan kolesterol dan waktu. Catatan: Contoh dan data yang digunakan untuk panduan ini bersifat fiktif. Kami baru saja menciptakannya untuk tujuan panduan ini. Setup di Stata In Stata, kami membuat dua variabel: (1) timetv. Yang rata-rata menghabiskan waktu sehari-hari nonton TV dalam hitungan menit dan (2) kolesterol. Yang merupakan konsentrasi kolesterol dalam mmolL. Catatan: Tidak masalah variabel mana yang anda buat terlebih dahulu. Setelah membuat dua variabel ini ndash timetv dan cholesterol ndash, kami memasukkan nilai untuk masing-masing ke dalam dua kolom dari spreadsheet Editor Data (Edit) (misal waktu berjam-jam dimana para peserta menonton tv di kolom sebelah kiri (yaitu timetv), Dan peserta konsentrasi kolesterol di mmolL di kolom kanan (yaitu kolesterol)), seperti yang ditunjukkan di bawah ini: Diterbitkan dengan izin tertulis dari StataCorp LP. Prosedur Uji di Stata Pada bagian ini, kami tunjukkan cara menganalisis data Anda dengan menggunakan korelasi Pearsons di Stata saat empat asumsi di bagian sebelumnya, Asumsi. Belum dilanggar Anda bisa melakukan korelasi Pearsons dengan menggunakan kode atau antarmuka pengguna grafis Statas (GUI). Setelah Anda melakukan analisis Anda, kami menunjukkan cara untuk menafsirkan hasil Anda. Pertama, pilih apakah Anda ingin menggunakan kode atau antarmuka pengguna grafis Statas (GUI). Kode dasar untuk menjalankan korelasi Pearsons mengambil bentuk: pwcorr VariableA VariableB Namun, jika Anda juga ingin Stata menghasilkan nilai ap (yaitu tingkat signifikansi statistik hasil Anda), Anda perlu menambahkan sig ke akhir kode, Seperti yang ditunjukkan di bawah ini: pwcorr VariableA VariableB, sig Jika Anda juga ingin Stata memberi tahu Anda apakah hasil Anda signifikan secara statistik pada tingkat tertentu (misalnya di mana p lt05), Anda dapat mengatur nilai p ini dengan menambahkannya ke akhir Dari kode (misalnya (.05) di mana p lt .05 atau (.01) di mana p lt01), didahului oleh bintang sig (misalnya bintang sig (.05)), yang menempatkan bintang di sebelah nilai korelasi jika Hasil Anda secara statistik signifikan pada tingkat ini. Kode tersebut akan berbentuk: pwcorr VariableA VariableB, sig star (.05) Akhirnya, jika Anda ingin Stata menampilkan jumlah pengamatan (misalnya ukuran sampel Anda, N), Anda dapat melakukan ini dengan menambahkan obs ke akhir Kode, seperti yang ditunjukkan di bawah ini: pwcorr VariableA VariableB, sig star (.05) obs Apapun kode yang Anda pilih untuk disertakan harus dimasukkan ke dalam kotak di bawah ini: Diterbitkan dengan izin tertulis dari StataCorp LP. Dengan menggunakan contoh di mana satu variabel adalah kolesterol dan variabel lainnya adalah timetv. Kode yang dipersyaratkan akan menjadi salah satu dari berikut ini: timbang kolesterol pwcorr timetv kolesterol timetv, timbita kolesterol sig pwcorr, sig star (.05) timbangan kolesterol pwcorr, sig star (.05) obs Karena kita ingin memasukkan (a) koefisien korelasi , (B) nilai p pada tingkat 0,05 dan (c) ukuran sampel (yaitu jumlah pengamatan), dan (d) diberi tahu apakah hasil kami signifikan secara statistik pada tingkat 0,05, kami masuk Kode, timbal kolesterol pwcorr, bintang sig (.05) obs. Dan menekan tombol ReturnEnter pada keyboard kami, seperti yang ditunjukkan di bawah ini: Diterbitkan dengan izin tertulis dari StataCorp LP. Anda bisa melihat output Stata yang akan diproduksi disini. Graphical User Interface (GUI) Tiga langkah yang diperlukan untuk melakukan korelasi Pearsons pada Stata 12 dan 13 ditunjukkan di bawah ini: Klik S tatistics gt Ringkasan, tabel, dan tes gt Ringkasan dan statistik deskriptif gt Kaitan berpasangan pada menu utama, seperti yang ditunjukkan Di bawah ini: Diterbitkan dengan izin tertulis dari StataCorp LP. Anda akan disajikan dengan korelasi pwcorr - Pairwise berikut dari kotak dialog variabel: Diterbitkan dengan izin tertulis dari StataCorp LP. Pilih kolesterol dan timetv dari dalam kotak Variables: (leave empty for all), gunakan tombolnya. Selanjutnya, centang nomor Print of observations untuk setiap entri. Cetak tingkat signifikansi untuk setiap entri dan tingkat signifikansi untuk ditampilkan dengan kotak bintang. Anda akan berakhir dengan layar berikut: Diterbitkan dengan izin tertulis dari StataCorp LP. Catatan: Tidak masalah jika Anda memilih dua variabel dari dalam kotak Variables: (leave empty for all). Output dari korelasi Pearsons di Stata Jika data Anda melewati asumsi 2 (yaitu ada hubungan linier antara kedua variabel Anda), asumsi 3 (yaitu tidak ada outlier yang signifikan) dan asumsi 4 (yaitu kedua variabel Anda kira-kira terdistribusi normal), Yang kami jelaskan sebelumnya di bagian Asumsi, Anda hanya perlu menafsirkan hasil korelasi Pearson berikut di Stata: Diterbitkan dengan izin tertulis dari StataCorp LP. Keluaran berisi tiga informasi penting: (1) koefisien korelasi Pearson (2) tingkat signifikansi statistik dan (3) ukuran sampel. Ketiga informasi ini dijelaskan lebih rinci di bawah ini: (1) Koefisien korelasi Pearson, r. Yang menunjukkan kekuatan dan arah hubungan antara dua variabel Anda, kolesterol dan timetv: Ini ditunjukkan pada baris pertama kotak merah. Dalam contoh kita, koefisien korelasi Pearson, r. Adalah 0,3709. Karena tanda koefisien korelasi Pearson positif, Anda dapat menyimpulkan bahwa ada korelasi positif antara konsentrasi kolesterol (kolesterol) dan waktu sehari-hari yang dihabiskan untuk menonton TV (timetv) yaitu, konsentrasi kolesterol meningkat seiring dengan waktu yang dihabiskan untuk menonton TV meningkat. Catatan: Beberapa orang keberatan dengan deskripsi, konsentrasi kolesterol meningkat seiring waktu yang dihabiskan untuk menonton TV meningkat. Alasan keberatan ini berakar pada makna kenaikan. Penggunaan kata kerja ini mungkin menunjukkan bahwa efek dari variabel ini adalah penyebab dan atau manipulatable sehingga Anda dapat meningkatkan waktu yang dihabiskan untuk menonton TV (timetv) pada peserta Anda dan ini akan menyebabkan peningkatan konsentrasi kolesterol (kolesterol) mereka. Ini bukan untuk mengatakan hal ini tidak mungkin dilakukan. Namun, pengetahuan ini tidak terkandung dalam korelasi, namun secara teori. Dengan demikian, Anda mungkin lebih memilih untuk menyatakan hubungan karena, nilai konsentrasi kolesterol yang lebih tinggi terkait dengan waktu yang dihabiskan untuk menonton TV. Besarnya koefisien korelasi Pearson menentukan kekuatan korelasi. Meskipun tidak ada aturan keras dan tegas untuk menetapkan kekuatan asosiasi terhadap nilai-nilai tertentu, beberapa panduan umum disediakan oleh Cohen (1988): Kekuatan Asosiasi dimana r berarti nilai absolut atau r (misalnya r gt .5 berarti r gt .5 dan r lt -.5). Oleh karena itu, koefisien korelasi Pearson dalam contoh ini (r .371) menunjukkan korelasi kekuatan sedang. Jika sebaliknya, r -.371, Anda juga akan memiliki korelasi kekuatan menengah, meskipun negatif. Koefisien determinasi adalah proporsi varians dalam satu variabel yang dijelaskan oleh variabel lainnya dan dihitung sebagai kuadrat koefisien korelasi (r 2). Dalam contoh ini, Anda memiliki koefisien determinasi, r 2. sama dengan 0,371 2 0,14. Ini juga dapat dinyatakan sebagai persentase (yaitu 14). Ingat bahwa ini menjelaskan mengacu pada penjelasan secara statistik, bukan kausal. (2) Tingkat signifikansi statistik (yaitu nilai p), dan jika pengujiannya signifikan secara statistik, sebuah bintang () di sebelah koefisien korelasi Pearson: Ini ditunjukkan pada baris kedua kotak merah. Hasil yang telah Anda laporkan sejauh ini hanya menggunakan koefisien korelasi Pearson untuk menggambarkan hubungan antara kedua variabel dalam sampel Anda. Jika Anda ingin menguji hipotesis tentang hubungan linier antara variabel Anda dalam populasi sampel Anda berasal, Anda perlu menguji tingkat signifikansi statistik. Tingkat signifikansi statistik (p-value) dari koefisien korelasi pada contoh ini adalah .0001, yang berarti ada hubungan yang signifikan secara statistik antara kedua variabel: konsentrasi kolesterol (kolesterol) dan waktu sehari-hari yang dihabiskan untuk menonton TV (timetv). (3) Ukuran sampel, n (yaitu jumlah pengamatan): Ini ditunjukkan di baris ketiga kotak merah, menunjukkan bahwa kita memiliki 100 peserta dalam penelitian ini. Catatan: Kami menyajikan output dari korelasi Pearsons di atas. Namun, karena Anda seharusnya sudah menguji data Anda untuk asumsi yang kami jelaskan sebelumnya di bagian Asumsi, Anda juga perlu menafsirkan keluaran Stata yang dihasilkan saat Anda menguji asumsi ini. Ini termasuk: (a) scatterplots yang Anda gunakan untuk memeriksa apakah ada hubungan linier antara dua variabel Anda (misalnya Asumsi 2) (b) scatterplots yang sama yang akan Anda gunakan untuk memeriksa tidak ada outlier yang signifikan (misalnya Asumsi 3) Dan (c) uji normalitas Shapiro-Wilk untuk memeriksa apakah kedua variabel Anda kira-kira terdistribusi normal (misalnya Asumsi 4). Juga, ingat bahwa jika data Anda gagal dalam asumsi ini, keluaran yang Anda dapatkan dari prosedur korelasi Pearsons (yaitu keluaran yang kami diskusikan di atas) tidak lagi relevan, dan Anda mungkin harus melakukan uji statistik berbeda untuk dianalisis data Anda. Melaporkan hasil korelasi Pearson Ketika Anda melaporkan hasil korelasi Pearson Anda, ada baiknya Anda menyertakan: A. Pengantar analisis yang Anda lakukan. B. Informasi tentang sampel Anda (termasuk nilai yang hilang). C. Koefisien korelasi Pearson, r. Dan derajat kebebasan, yaitu ukuran sampel minus 2 (misalnya untuk ukuran sampel 100, derajat kebebasannya adalah 98. seperti pada contoh kita). D. Tingkat signifikansi statistik (yaitu nilai-p) dari hasil Anda. E. Koefisien determinasi, r 2 (yaitu proporsi varians dalam satu variabel yang dijelaskan oleh variabel lainnya). Berdasarkan hasil di atas, kita bisa melaporkan hasil penelitian ini sebagai berikut: Korelasi product moment Pearsons dijalankan untuk menilai hubungan antara konsentrasi kolesterol dan waktu sehari-hari yang dihabiskan untuk menonton TV pada 100 pria berusia 45 sampai 65 tahun. Ada korelasi positif moderat antara waktu sehari-hari yang dihabiskan untuk menonton TV dan konsentrasi kolesterol, r (98) .371, p lt .0005, dengan waktu yang dihabiskan untuk menonton TV yang menjelaskan 14 variasi konsentrasi kolesterol. Selain melaporkan hasilnya seperti di atas, sebuah diagram dapat digunakan untuk menyajikan hasilnya secara visual. Misalnya, Anda bisa melakukan ini dengan menggunakan scatterplot. Hal ini dapat mempermudah orang lain memahami hasil Anda dan mudah diproduksi di Stata.
Strategi trading forex terbaik lsfa
Review penyedia sinyal forex terbaik