FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_partialcorrelation.wasp
Title produced by softwarePartial Correlation
Date of computationWed, 12 Nov 2008 04:02:05 -0700
Cite this page as followsStatistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2008/Nov/12/t1226487798v78wv4gljb35u1d.htm/, Retrieved Sun, 19 May 2024 09:21:15 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24121, Retrieved Sun, 19 May 2024 09:21:15 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact150

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Partial Correlation] [Workshop 3 Q1 (b)] [2008-11-12 11:02:05] [1a15026c70cce1c14dcfcc267c5d8133] [Current]
Feedback Forum
2008-11-15 13:08:53 [Ken Wright] [reply] 
De theorie achter partial correlation is dat het de correlatie tussen 2 variabelen gaat berekenen met uitsluiting van de invloed van een derde variabele(controle variabele) op deze 2 variabelen. bij jouw voorbeeld is dat bijvoorbeeld goed te zien bij de correlatie tussen x en y die hoog is (0.84). Maar bij de partial correlation waarbij de invloed van variabele z wordt geelimindeerd ligt de correlatie tussen x en y een pak lager (0.22), dit duidt erop dat z een grote invloed uitoefend op x en y. Dus bij deze methode is het een voordeel dat je echt de zuivere correlatie kunt berekenen tussen 2 variabelen.
2008-11-17 08:18:14 [006ad2c49b6a7c2ad6ab685cfc1dae56] [reply] 
Met partiële corraltie kan je nagaan of de derde variabele een vertekenende invloed heeft op de andere twee. Hier is dat niet het geval want de correlatiecoëfficiënten liggen dicht bij elkaar.
2008-11-18 09:25:36 [Angelique Van de Vijver] [reply] 
Goede conclusie maar wel nog extra uitleg nodig: de partiële corrrelatie berekent de correlatie van 2 variabelen en elimineert de invloed van de derde variabele(controlevariabele). Deze derde variabele kan een sterk effect hebben op de correlatie van die 2 andere variabelen, daarom is het zeer belangrijk om deze invloed te elimineren. In de tabel zien we dat er een redelijk hoge correlatie is tussen x en y (0.84). Deze correlatie wordt echter beïnvloed door die derde variabele(z) want als we deze 3e variabele buiten beschouwing laten en we dus de partiële correlatie berekenen is deze slechts 0.22. Deze is dus veel lager wat erop wijst dat de 3e variabele een sterke invloed heeft op de correlatie tussen x en y. Hier is het dus beter dat we de partiële correlatie gebruiken i.p.v. de gewone correlatie, zodat je geen verbanden vaststelt die er eigenlijk niet zijn.
Ook bij die andere correlaties is de partiële correlatie telkens een stuk lager dan de gewone correlatie.
Deze methode heeft dus het voordeel dat je dus de echte correlatie kan berekenen tussen 2 variabelen en je geen vertekend beeld krijgt door de invloed van een 3e variabele.
2008-11-24 12:07:02 [Anouk Greeve] [reply] 
Goede interpretatie.
Extra uitleg: de partial correlation zorgt ervoor dat het effect van de derde variabele wordt weggewerkt. Het is een nadeel dat de Partial Correlation enkel een tabel weergeeft en geen figuur. Maar de Partial Correlation heeft ook een voordeel, namelijk dat de variabelen met elkaar worden vergeleken zonder beïnvloed te worden door een derde variabele.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
118,4
121,4
128,8
131,7
141,7
142,9
139,4
134,7
125,0
113,6
111,5
108,5
112,3
116,6
115,5
120,1
132,9
128,1
129,3
132,5
131,0
124,9
120,8
122,0
122,1
127,4
135,2
137,3
135,0
136,0
138,4
134,7
138,4
133,9
133,6
141,2
151,8
155,4
156,6
161,6
160,7
156,0
159,5
168,7
169,9
169,9
185,9
190,8
195,8
211,9
227,1
251,3
256,7
251,9
251,2
270,3
267,2
243,0
229,9
187,2
Dataseries Y:
Download CSV
Histogram 
111,4
114,1
121,8
127,6
129,9
128,0
123,5
124,0
127,4
127,6
128,4
131,4
135,1
134,0
144,5
147,3
150,9
148,7
141,4
138,9
139,8
145,6
147,9
148,5
151,1
157,5
167,5
172,3
173,5
187,5
205,5
195,1
204,5
204,5
201,7
207,0
206,6
210,6
211,1
215,0
223,9
238,2
238,9
229,6
232,2
222,1
221,6
227,3
221,0
213,6
243,4
253,8
265,3
268,2
268,5
266,9
268,4
250,8
231,2
192,0
Dataseries Z:
Download CSV
Histogram 
104,0
107,9
113,8
113,8
123,1
125,1
137,6
134,0
140,3
152,1
150,6
167,3
153,2
142,0
154,4
158,5
180,9
181,3
172,4
192,0
199,3
215,4
214,3
201,5
190,5
196,0
215,7
209,4
214,1
237,8
239,0
237,8
251,5
248,8
215,4
201,2
203,1
214,2
188,9
203,0
213,3
228,5
228,2
240,9
258,8
248,5
269,2
289,6
323,4
317,2
322,8
340,9
368,2
388,5
441,2
474,3
483,9
417,9
365,9
263,0

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135

\begin{tabular}{lllllllll}
\hline
Summary of computational transaction \tabularnewline
Raw Input & view raw input (R code)  \tabularnewline
Raw Output & view raw output of R engine  \tabularnewline
Computing time & 1 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24121&T=0

[TABLE]
[ROW][C]Summary of computational transaction[/C][/ROW]
[ROW][C]Raw Input[/C][C]view raw input (R code) [/C][/ROW]
[ROW][C]Raw Output[/C][C]view raw output of R engine [/C][/ROW]
[ROW][C]Computing time[/C][C]1 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24121&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24121&T=0

As an alternative you can also use a QR Code:  
QR Code


The GUIDs for individual cells are displayed in the table below:

Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135






Pearson Product Moment Partial Correlation - Ungrouped Data
StatisticValue
Correlation r(xy)0.841656312058416
Partial Correlation r(xy.z)0.223930018431962
Correlation r(xz)0.915131551289786
Partial Correlation r(xz.y)0.685994858389179
Correlation r(yz)0.871297226013151
Partial Correlation r(yz.x)0.464247278201083

\begin{tabular}{lllllllll}
\hline
Pearson Product Moment Partial Correlation - Ungrouped Data \tabularnewline
Statistic & Value \tabularnewline
Correlation r(xy) & 0.841656312058416 \tabularnewline
Partial Correlation r(xy.z) & 0.223930018431962 \tabularnewline
Correlation r(xz) & 0.915131551289786 \tabularnewline
Partial Correlation r(xz.y) & 0.685994858389179 \tabularnewline
Correlation r(yz) & 0.871297226013151 \tabularnewline
Partial Correlation r(yz.x) & 0.464247278201083 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24121&T=1

[TABLE]
[ROW][C]Pearson Product Moment Partial Correlation - Ungrouped Data[/C][/ROW]
[ROW][C]Statistic[/C][C]Value[/C][/ROW]
[ROW][C]Correlation r(xy)[/C][C]0.841656312058416[/C][/ROW]
[ROW][C]Partial Correlation r(xy.z)[/C][C]0.223930018431962[/C][/ROW]
[ROW][C]Correlation r(xz)[/C][C]0.915131551289786[/C][/ROW]
[ROW][C]Partial Correlation r(xz.y)[/C][C]0.685994858389179[/C][/ROW]
[ROW][C]Correlation r(yz)[/C][C]0.871297226013151[/C][/ROW]
[ROW][C]Partial Correlation r(yz.x)[/C][C]0.464247278201083[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24121&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24121&T=1

As an alternative you can also use a QR Code:  
QR Code


The GUIDs for individual cells are displayed in the table below:

Pearson Product Moment Partial Correlation - Ungrouped Data
StatisticValue
Correlation r(xy)0.841656312058416
Partial Correlation r(xy.z)0.223930018431962
Correlation r(xz)0.915131551289786
Partial Correlation r(xz.y)0.685994858389179
Correlation r(yz)0.871297226013151
Partial Correlation r(yz.x)0.464247278201083


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
Parameters (R input):
R code (references can be found in the software module):
(rho12 <- cor(x, y))
(rho23 <- cor(y, z))
(rho13 <- cor(x, z))
(rhoxy_z <- (rho12-(rho13*rho23))/(sqrt(1-(rho13*rho13)) * sqrt(1-(rho23*rho23))))
(rhoxz_y <- (rho13-(rho12*rho23))/(sqrt(1-(rho12*rho12)) * sqrt(1-(rho23*rho23))))
(rhoyz_x <- (rho23-(rho12*rho13))/(sqrt(1-(rho12*rho12)) * sqrt(1-(rho13*rho13))))
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Pearson Product Moment Partial Correlation - Ungrouped Data',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Statistic',1,TRUE)
a<-table.element(a,'Value',1,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation r(xy)',header=TRUE)
a<-table.element(a,rho12)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,hyperlink('partial_correlation1.htm','Partial Correlation r(xy.z)',''),header=TRUE)
a<-table.element(a,rhoxy_z)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation r(xz)',header=TRUE)
a<-table.element(a,rho13)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,hyperlink('partial_correlation1.htm','Partial Correlation r(xz.y)',''),header=TRUE)
a<-table.element(a,rhoxz_y)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation r(yz)',header=TRUE)
a<-table.element(a,rho23)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,hyperlink('partial_correlation1.htm','Partial Correlation r(yz.x)',''),header=TRUE)
a<-table.element(a,rhoyz_x)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')