상관관계 분석을 위한 3가지 방법: 스피어만, 피어슨, 켄달

맥북

Apple 2024 맥북 프로 14 M4 - 노트북 | 쿠팡

 

Apple 2024 맥북 프로 14 M4 - 노트북 | 쿠팡

 

​

상관관계 분석을 위한 3가지 방법: 스피어만, 피어슨, 켄달

​

안녕하세요!

데이터 분석과 IT에 관심 있는 여러분을 위해

오늘은 상관관계 분석에 대해 쉽고 재미있게 알아보는 시간을 가져보겠습니다.

데이터를 분석하다 보면 "두 변수 간에 어떤 관계가 있을까?"를 알고 싶을 때가 많죠.

이럴 때 사용하는 것이 바로 상관관계 분석입니다.

​

상관관계 분석에는 여러 방법이 있지만,

오늘은 가장 널리 쓰이는 스피어만(Spearman),

피어슨(Pearson), 그리고 켄달(Kendall) 방법을 소개하겠습니다.

각각의 방법이 언제, 어떻게 쓰이는지 일반적인 사례를 통해 쉽게 설명할게요!

​

​

1. 피어슨 상관계수 (Pearson Correlation Coefficient)

​

피어슨은 뭐죠?

피어슨 상관계수는 가장 기본적이고 널리 사용되는 상관관계 분석 방법입니다.

두 변수 간의 선형적 관계를 측정합니다.

즉, 한 변수가 증가하면 다른 변수가 일정하게 증가하거나 감소하는지를 확인할 때 사용합니다.

​

특징

- 값의 범위: -1에서 +1 사이

- +1: 완벽한 양의 상관관계 (한 변수가 증가할 때 다른 변수도 비례적으로 증가)

- 0: 상관관계 없음

- -1: 완벽한 음의 상관관계 (한 변수가 증가할 때 다른 변수는 비례적으로 감소)

- 두 변수 모두 연속형 데이터(숫자 데이터)여야 하며, 데이터가 정규분포를 따를 때 가장 효과적입니다.

​

예시

- 키와 몸무게의 관계: 키가 클수록 몸무게가 증가한다면 양의 상관관계를 가질 수 있습니다.

- 공부 시간과 시험 점수: 공부 시간이 늘어나면 시험 점수가 높아질 가능성이 크죠.

​

한계점

피어슨은 데이터가 선형 관계를 가지지 않거나 이상치(outlier)가 많으면 정확도가 떨어질 수 있습니다.

​

2. 스피어만 상관계수 (Spearman Rank Correlation)

​

스피어만은 뭐죠?

스피어만 상관계수는 두 변수 간의 순위(서열) 관계를 측정합니다.

즉, 데이터의 값 자체보다는 값들의 순서에 집중합니다.

피어슨과 달리 데이터가 반드시 선형적일 필요는 없으며, 이상치에도 비교적 강합니다.

​

특징

- 값의 범위: -1에서 +1 사이 (해석은 피어슨과 동일)

- 데이터를 순위로 변환한 후 계산하므로, 숫자뿐만 아니라 서열 데이터를 다룰 수 있습니다.

- 비선형 관계도 측정 가능!

​

예시

- 학생들의 시험 성적 순위와 운동 능력 순위 간의 관계: 높은 성적을 가진 학생들이 운동 능력도 뛰어난지 확인할 때.

- 영화 평점 순위와 흥행 순위 간의 관계: 평점이 높은 영화가 흥행도 잘 되는지 알아볼 때.

​

한계점

데이터의 순서만 고려하기 때문에 값 자체의 차이는 반영되지 않습니다.

​

3. 켄달 타우 (Kendall Tau)

​

켄달은 뭐죠?

켄달 타우는 두 변수 간의 일치성(consistency)을 측정하는 방법입니다.

스피어만과 유사하지만, 순위 간의 일치 정도를 더 세밀하게 계산합니다.

특히 작은 데이터셋이나 순위 데이터에서 유용합니다.

​

특징

- 값의 범위: -1에서 +1 사이 (해석은 피어슨과 스피어만과 동일)

- 두 변수 간에 순서가 얼마나 일치하는지를 계산하며, 불일치 정도도 함께 고려합니다.

- 스피어만보다 계산 방식이 조금 더 복잡하지만, 작은 데이터셋에서는 더 정확한 결과를 제공합니다.

​

예시

- 직원들의 업무 평가 순위와 승진 순위 간의 관계: 업무 평가가 높은 직원이 승진도 잘 되는지 확인할 때.

- 스포츠 경기 결과와 전문가 예상 순위 간의 관계: 전문가 예상이 실제 결과와 얼마나 일치하는지 알아볼 때.

​

한계점

큰 데이터셋에서는 계산 속도가 느릴 수 있습니다.

​

언제 어떤 방법을 써야 할까?

​

​

마무리

​

상관관계 분석은 데이터를 이해하고 인사이트를 얻는 데 매우 중요한 도구입니다.

피어슨, 스피어만, 켄달 각각 장단점이 있으니 여러분이 가진 데이터와 분석 목적에 맞게 선택해 보세요!

​

혹시 더 궁금한 점이나 실습해보고 싶은 사례가 있다면 댓글로 남겨주세요.

감사합니다!

​