Comments 32
Потребление маргарина сигнализирует о снижении уровня благосостояния (бедным — маргарин, богатым — масло). Разводы — тоже функция от благосостояния. Не только нищенский быт заедает, но и банально матерям-одиночкам что-то от государства перепадает в виде субсидий.
Так что, настолько-ли эта корреляция случайна?
Так что, настолько-ли эта корреляция случайна?
Под любые данные можно придумать объяснение :-)
И про влияние количества пиратов на глобальное потепление?
По моему там нету корреляции :-)
Хотя может глобально потепление привело к существенному уменьшение кол-ва пиратов из за ухудшения погодных условий на воде
Хотя может глобально потепление привело к существенному уменьшение кол-ва пиратов из за ухудшения погодных условий на воде
Даже если очистить от тренда? А то когда одно возрастает и другое возрастает, корреляция ≈1.
Научно-технический прогресс: пиратов стало проще истреблять, заводов-фабрик стало больше.
Как только пираты перестали топить торговые корабли, так сразу развилась промышленность, загадила атмосферу и учинила парниковый эффект.
Все политики, государственные бюрократы и сми, в принципе, этим и занимаются :).
Или так: снижение потребления маргарина снижает частоту случаев развода из-за испачканной маргарином мебели или постели.
даёшь корреляцию по потреблению качественного сыра в России и количеством свободных сми в ней же ;)
Количество защищенных кандидатских диссертаций в США должно быть равно нулю, кстати, в связи с отсутствием таковых.
В этом плане весьма забавен google trends.
UFO just landed and posted this here
C сезонами отпусков и доступом в интернет?
Резкие пики на графиках — зимние каникулы, плавные сёдла — периоды летних отпусков :)
Резкие пики на графиках — зимние каникулы, плавные сёдла — периоды летних отпусков :)
Большие циклы — да, а вот совпадения мелких пиков и спадов для меня загадка.
Весенним обострением?
давно так не смеялся :) спасибо!
Интересная идея с линейной регрессией, а какие еще есть варианты по удалению трендов из данных?
Безбожники финансисты ещё часто смотрят на корреляцию приростов показателей по отношению к предыдущему периоду. Так тренд тоже уходит. С линейной регрессией результаты похожи, но для меня этот метод более наглядный и понятный.
Ещё можно убирать циклы из данных, но на 11 точках это мало что даст. Это можно использовать когда у всех показателей есть какой-то годовой (или месячный) цикл, не связанный напрямую с показателем. Прекрасный пример — поисковые запросы из комментариев сверху. Наверняка там многие циклы объясняются выходными днями и отпусками. Ну и все мы помним, что «весной и осенью у шизофреников обостряется активность».
Ещё можно убирать циклы из данных, но на 11 точках это мало что даст. Это можно использовать когда у всех показателей есть какой-то годовой (или месячный) цикл, не связанный напрямую с показателем. Прекрасный пример — поисковые запросы из комментариев сверху. Наверняка там многие циклы объясняются выходными днями и отпусками. Ну и все мы помним, что «весной и осенью у шизофреников обостряется активность».
Не будет у вас больше диссертаций
Все это чем то напоминает квантовую запутанность в макромире.
«Корреляцию нужно мерять по стационарным переменным» — извините это теорема имени вас? Кому нужно? Всем всегда?
Вы сами это придумали?
Вы сами это придумали?
Зачем так кипятиться, вот я не понимаю?
Нет, к сожалению, это не я придумал. Это нужно было лет на сто раньше родиться, наверное :)
Смысл в том, что если мы делаем предположение о cвязи между переменными по корреляции, мы нагенерим много таких левых гипотез, если не позаботимся о трендах. Обычно это проявляется в форме введения переменной «время» в моделях множественной регрессии. Так учит делать любой учебник по эконометрике. Но здесь, я считаю, та же идея, только в профиль.
Если хочется харкора и почитать источники, википедия ведёт сюда, тема очень древняя — www.math.mcgill.ca/~dstephens/OldCourses/204-2007/Handouts/Yule1926.pdf
Но согласен, что никакой строгой теории тут нет, корреляция не обязательно значит причинность.
Нет, к сожалению, это не я придумал. Это нужно было лет на сто раньше родиться, наверное :)
Смысл в том, что если мы делаем предположение о cвязи между переменными по корреляции, мы нагенерим много таких левых гипотез, если не позаботимся о трендах. Обычно это проявляется в форме введения переменной «время» в моделях множественной регрессии. Так учит делать любой учебник по эконометрике. Но здесь, я считаю, та же идея, только в профиль.
Если хочется харкора и почитать источники, википедия ведёт сюда, тема очень древняя — www.math.mcgill.ca/~dstephens/OldCourses/204-2007/Handouts/Yule1926.pdf
Но согласен, что никакой строгой теории тут нет, корреляция не обязательно значит причинность.
Лучше поздно, чем никогда!
Несмотря на прошедшие шесть лет, я все-таки оставлю здесь ссылку вот на эту статью, где тема ложных корреляций рассмотрена под немного другим углом зрения.
Несмотря на прошедшие шесть лет, я все-таки оставлю здесь ссылку вот на эту статью, где тема ложных корреляций рассмотрена под немного другим углом зрения.
Sign up to leave a comment.
Анализируем странные корреляции