A ist positiv mit B verwandt.
C ist das Ergebnis von A und B, aber die Wirkung von A auf C ist negativ und die Wirkung von B auf C ist positiv.
Kann das passieren?
A ist positiv mit B verwandt.
C ist das Ergebnis von A und B, aber die Wirkung von A auf C ist negativ und die Wirkung von B auf C ist positiv.
Kann das passieren?
Antworten:
Die anderen Antworten sind wirklich wunderbar - sie geben Beispiele aus dem wirklichen Leben.
Ich möchte erklären, warum dies trotz unserer gegenteiligen Intuition passieren kann.
Die Korrelation ist der Kosinus des Winkels zwischen den Vektoren. Sie fragen sich im Wesentlichen, ob dies möglich ist
Ja natürlich:
In diesem Beispiel ( bedeutet Korrelation):
Ihre Überraschung ist jedoch nicht verlegt.
Der Winkel zwischen Vektoren ist eine Abstandsmetrik auf der Einheitskugel, sodass die Dreiecksungleichung erfüllt wird:
da also ,
daher (da wird abnehmend auf )[ 0 , π ]
So,
Ja, zwei gleichzeitig auftretende Zustände können gegensätzliche Auswirkungen haben.
Beispielsweise:
Ich habe diese Auto-Analogie gehört, die gut auf die Frage zutrifft:
Der Schlüssel ist hier die Absicht des Fahrers, eine konstante Geschwindigkeit (C) beizubehalten, weshalb die positive Korrelation zwischen A und B natürlich aus dieser Absicht folgt. Sie können mit dieser Beziehung also endlose Beispiele für A, B, C konstruieren.
Die Analogie stammt aus einer Interpretation von Milton Friedmans Thermostat und aus einer interessanten Analyse der Geldpolitik und der Ökonometrie, aber das ist für die Frage irrelevant.
Ja, dies ist trivial mit einer Simulation zu demonstrieren:
Simulieren Sie 2 Variablen, A und B, die positiv korreliert sind:
> require(MASS)
> set.seed(1)
> Sigma <- matrix(c(10,3,3,2),2,2)
> dt <- data.frame(mvrnorm(n = 1000, rep(0, 2), Sigma))
> names(dt) <- c("A","B")
> cor(dt)
A B
A 1.0000000 0.6707593
B 0.6707593 1.0000000
Erstelle Variable C:
> dt$C <- dt$A - dt$B + rnorm(1000,0,5)
Erblicken:
> (lm(C~A+B,data=dt))
Coefficients:
(Intercept) A B
0.03248 0.98587 -1.05113
> set.seed(1)
> Sigma <- matrix(c(1,0.5,0.5,0.5,1,-0.5,0.5,-0.5,1),3,3)
> dt <- data.frame(mvrnorm(n = 1000, rep(0,3), Sigma, empirical=TRUE))
> names(dt) <- c("A","B","C")
> cor(dt)
A B C
A 1.0 0.5 0.5
B 0.5 1.0 -0.5
C 0.5 -0.5 1.0
cor(C, A)
und cor(C, B)
als lm(C ~ A + B)
hier. Wir interessieren uns zum Beispiel eher für die unkontrollierte Beziehung von A und C als für diese Beziehung, die für B.
Dann könnte die Kovarianz zwischen C und A unter zwei Bedingungen negativ sein: