Вероятность и статистика · объяснение и практика
Почему нулевая корреляция не исключает нелинейную зависимость
На конкретном симметричном наборе проверяем нулевую корреляцию Пирсона при точной квадратичной зависимости и объясняем различие линейной связи, независимости и причинности.

В теме Связь признаков и регрессия · Учебная карта
Главная мысль
Нулевая корреляция Пирсона означает отсутствие измеряемой ею линейной связи, но не исключает нелинейную зависимость. Например, при симметричных x и y = x² положительные и отрицательные вклады могут компенсироваться.
Как зависимость скрывается в одном коэффициенте
Возьмём пять пар x = −2, −1,0,1,2 и y = 4,1,0,1,4. Значение y точно определяется по x формулой квадрата. Однако при движении слева к нулю y уменьшается, а справа от нуля возрастает. Одна прямая не описывает оба направления изменения, поэтому линейный показатель может дать ноль.
Среднее x равно 0, среднее y равно 2. Произведения отклонений по парам равны −4,+1,0, −1,+4. Их сумма 0, поэтому числитель корреляции Пирсона нулевой. Оба набора имеют ненулевой разброс, знаменатель положителен, и корреляция действительно 0. Это точный расчёт, а не результат округления маленького коэффициента.
Почему ноль не доказывает независимость
Если равновероятно выбрать одну из этих пяти пар, знание x = 0 гарантирует y = 0. Без знания x вероятность y = 0 лишь 1/5. Значит, условная информация о x меняет распределение y: независимости нет. Нулевая корреляция при этом сохраняется, потому что она проверяет более узкое свойство через произведения центрированных значений.
Независимость при конечных вторых моментах влечёт нулевую ковариацию, но обратное утверждение в общем случае неверно. Дополнительные специальные модели могут усиливать вывод, однако их нужно явно назвать. Нельзя переносить свойство одного семейства распределений на произвольные школьные таблицы только по значению r = 0.
Пример
Для трёх равновероятных пар (−1;1), (0;0), (1;1) определите, есть ли зависимость.
Да: второй компонент всегда равен квадрату первого. Линейные вклады симметрично компенсируются, но знание первого компонента определяет второй.
Как проверять данные перед интерпретацией
Постройте диаграмму рассеяния: дуга, окружность или несколько групп могут показать структуру, которую одно число скрывает. Параболический пример требует нелинейной модели или отдельного изучения участков. Делить данные на участки следует по содержательному основанию, а не бесконечно искать разбиение с удобным коэффициентом.
Если один столбец постоянен, корреляция не равна нулю по определению, а не определена из-за нулевого знаменателя. Очень сильная корреляция также не доказывает причинного влияния: возможны общий фактор, обратная связь или особенности отбора. Поэтому итоговый вывод должен назвать тип связи, форму данных и пределы модели. Формула Пирсона полезна для линейного аспекта, но не заменяет описание всего совместного распределения.
От чтения к действию
А теперь — вы
Частые вопросы
Постоянный столбец даёт корреляцию 0?
Обычная формула не определена, потому что стандартное отклонение этого столбца равно нулю.
Можно ли признать независимость только по r = 0?
В общем случае нет. Нелинейная зависимость может существовать при нулевой линейной корреляции.
Источники и работа с материалом
Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.
Продолжить разбираться
Как остатки показывают расхождение наблюдения и прогноза
Считаем остаток как наблюдение минус прогноз, читаем знак и рисунок отклонений и отличаем нулевую сумму остатков от отсутствия ошибок модели.
Открыть темуКак квадраты ошибок определяют критерий подбора прямой
Сравниваем линии по сумме квадратов вертикальных остатков, находим простую линейную подгонку и различаем минимум выбранного критерия с доказанной истинностью модели.
Открыть тему