یک همبستگی مثبت کامل چیست؟

شما خیلی راحت میتوانستید ریسک خود را کاهش دهید با اینکار که فقط تصمیم به خرید USD/CHF و یا فروش EUR/USD میگرفتید .به عبارت ساده تر خریدن یا فروختن دو جفت ارزی که همبستگی قوی دارند در یک لحظه ، میتواند ریسک شما را دو برابر میکند و نتیجه ای معکوس برای شما خواهد داشت.

تحليل مسير در معادلات ساختاری

تحليل مسير که براي نخستين بار از سوي سوول رايت توسعه يافت گسترش روش هاي یک همبستگی مثبت کامل چیست؟ رگرسيون و در حقيقت، کاربرد رگرسيون چندمتغيري در ارتباط با تدوين بارز مدل هاي علي است. هدف آن به دست آوردن برآوردهاي کمي روابط علي بين مجموعه اي از متغيرهاست. روابط بين متغيرها در يک جهت جريان مي يابد و به عنوان مسيرهاي متمايزي در نظر گرفته مي شود.

مفاهيم تحليل مسير در بهترين صورت از طريق ويژگي عمده آن يعني نمودار مسير که پيوندهاي علي احتمالي بين متغيرها را آشکار مي سازد، تبيين مي شود. براي تهيه نمودار مسير، اسامي متغيرها را نوشته و از هر متغير پيکاني به سوي متغير ديگري که معتقديم در آن تاثير دارد رسم مي کنيم. براي درک بهتر مطلب ارجح است بين نمودارهاي درونداد و برونداد تمايز قايل شويم. نمودار درونداد از پيش براي کمک به تحليل رسم مي شود و بيانگر پيوندهاي علي پيش بيني شده از سوي فرضيه پژوهشگر است. اما نمودار برونداد آنچه را که واقعا در نتيجه تحليل آماري به دست آمده است نشان مي دهد.

تحليل مسير چه کاري مي تواند انجام دهد؟

آنچه با اجراي اين روش مي توان انجام داد، بررسي الگوي روابط بين چندين متغير است، در حالي که رابطه احتمالي علي ميان آنها تاييد و رد نمي شود. روشن است که اگر دو يا چند فرضيه علي از پيش تعيين شده را بتوان در يک نمودار مسير درونداد نمايش داد، اندازه هاي نسبي ضرايب مسير در نمودار برونداد ممکن است بيان کند که کدام يک از آنها از طريق داده ها بهتر پشتيباني مي شود.

نخستين گام در تحليل مسير، تعيين يک مدل ساختاري پيش تجربي است که همه متغيرهاي مورد علاقه پژوهشگر را در بر مي گيرد. مدل ساختاري شامل يک مجموعه معادله ساختاري است که روابط علي ممکن بين متغيرها را توصيف مي کند. در اين فرآيند ابتدا يک سلسله مراتب علي مطرح مي شود که درآن برخي متغيرها ممکن است علت احتمالي متغيرهاي ديگر باشد، اما به طور قطع نمي تواند معلول آنها باشد. به بيان ديگر، ترتيب متغيرها به گونه اي است که متغيري که در مرتبه بالاتر اين سلسله مراتب قرار دارد ممکن است علت متغير مرتبه پايين تر از آن باشد، اما بعيد است متغير پايين تر علت متغير مرتبه بالاتر از آن باشد.

تجزيه همبستگي هاي مشاهده شده

يکي از مزاياي عمده تحليل مسير آن است که پژوهشگر را قادر مي سازد که آثار مستقيم و غيرمستقيم يک متغير را بر متغير ديگر اندازه گرفته و مقدار آنها را با هم مقايسه کند. از مزاياي ديگر تحليل مسير آن است که ما را قادر مي سازد همبستگي بين دو متغير را به صورت مجموع مسيرهاي ساده و مرکب تجزيه کنيم، برخي از اين مسيرها به گونه اساسي اثر غيرمستقيم بر معنا دارند و برخي ديگر احتمالا فاقد اين ويژگي هستند. تجزيه همبستگي را مي توان به روش هاي مختلف انجام داد. يک روش مبتني بر شکل کاهش يافته معادله ساختاري است که در آن متغير وابسته فقط بر حسب متغيرهاي برونزا بيان مي شود. روش ديگر آن است که از معادله تحليل مسير است، که متاسفانه کاربرد آن نيز در تجزيه همبستگي ها پيچيده است.

تجزيه همبستگي از اين جهت مهم است که هم اطلاعاتي درباره فرآيندهاي علي به دست مي دهد، و هم از طريق آن مي توان مناسبت و کفايت مدل را وقتي برخي یک همبستگی مثبت کامل چیست؟ پيوندها در ابتدا حذف شده باشند، مورد آزمون قرار داد. اگر مدل درست تدوين شده باشد، مقدار همبستگي تجربي بين دو متغير بايد برابر با مجموع مسيرهاي ساده و مرکبي باشد که آن دو متغير را با هم مرتبط مي سازد. اگر اين تساوي برقرار نباشد نشانه آن است که مدل احتمالا به گونه نامناسبي تدوين شده است، و در نتيجه نياز به تجديد نظر دارد، اگر در مدل هيچ اتصالي حذف نشده باشد، تجزيه همبستگي نمي تواند به عنوان آزمون آن مدل به کار رود، زيرا رابطه بين همبستگي تجربي و مجموع مسيرهاي ساده و مرکب در چنين موقعيتي يک نوع اتحاد رياضي است.

تحليل مسير براي تجزيه همبستگي

تحليل مسير را مي توان براي تجزيه همبستگي به صورت 4 مولفه به کار برد:

آثار مستقيم، آثار غيرمستقيم، آثار تحليل نشده و آثار کاذب.

مجموع آثار مستقيم و غيرمستقيم در يک متغير به خصوص، معرف اثر کلي، و مجموع آثار کاذب و تحليل نشده بيانگر اثر غير علي است. تبيين اثر مستقيم يک متغير ساده است، زيرا در واقع همان ضريب مسير است.

آثار غير مستقيم به اين دليل به وجود مي آيد که يک متغير مي تواند به عنوان متغير ميانجي، رابطه بين متغيرهاي ديگر را تعديل کند.

ممکن است آثار غيرمستقيم بسياري وجود داشته باشد که تعداد آنها بستگي به تعداد متغيرهاي ميانجي دارد.

وقتي دو متغير معلول متغير سوم باشند که قبلا در زنجيره ظاهر شده است، همبستگي بين دو متغير هم منعکس کننده رابطه علي بين آنها و هم منعکس کننده اثر کاذب متغير سوم است. سرانجام، آثار تحليل نشده ناشي از عامل هاي برونزاي همبسته با يکديگر است. اثرکلي، برحسب تعريف، مجموع دو نوع تعيين کننده يعني اثر مستقيم و غير مستقيم است.

محدوديت هاي تحليل مسير

روش تحليل مسير به اين دليل محبوبيت يافته است که برآورد نقش نسبي متغيرها را در يک شبکه علي امکان پذير، و پژوهشگر را ناگزير مي سازد ساختار علي زيربناي متغيرها را آشکار نمايد. اما داراي اين محدوديت است که نمي تواند ساختار علي زيربنايي را تاييد کند؛ يعني بيان مي کند که نقش نسبي متغيرها بر يکديگر چيست، اما ساختار علي مورد نظر را محقق نمي سازد. چون علت بايد قبل از معلول باشد،‌ ترتيب زماني وقوع متغيرها در تهيه نمودار مسير بايد محقق باشد. براي اطلاعات درباره ترتيب احتمالي متغيرها در دنياي واقعي ناگزير هستيم به مفاهيم نظري و شعور عادي خود متکي باشيم. گاه مفاهيم ترتيب زماني متغيرها ناقص و برقراري نمودار مسير گمراه کننده خواهد بود. هرچند تحليل مسير مطالب بسيار مهمي عرضه مي کند، اما محدوديت ها بالقوه آن نيز بايد مورد توجه قرار گيرد. برخي از اين محدوديت به شرح زير است:

تحليل مسير مي تواند فرضيه هاي علي را ارزشيابي کند و در برخي از موقعيت ها نيز دو يا چند فرضيه علي را بيازمايد. اما هرگز نمي تواند جهت عليت را محقق سازد.

تحليل مسير زماني مفيد است که فرضيه هاي روشني براي آزمون، يا تعداد کمي فرضيه که همه آنها را بتوان در يک نمودار واحد نشان داد، در باشد.

تحليل مسير در مرحله اکتشافي کاربرد اندکي دارد. اين روش را نمي توانيم در موقعيت هايي که حلقه بازخورد در فرضيه ها گنجانده شده است، به کار ببريم.

در نمودار مسير، همه روابط بايد از طريق رگرسيون چندمتغيري آزمون پذير باشند.

همه متغيرهاي مداخله گر بايد در تحليل رگسيون چند متغيري به عنوان متغيرهاي وابسته عمل کنند. بنابراين همه آنها بايد داراي مقياسي فاصله اي باشند. اندازه هاي طبقه اي يا ترتيبي ( رتبه اي) تحليل مسير را ناممکن مي سازد.

سفارش مدل سازی معادلات ساختاری و از جمله انجام تحلیل مسیر پذیرفته می شود.

انواع ضرایب همبستگی

استنباط آماری که در واقع یک نوع نتیجه گیری کلی از جزء به کل است، در معرض آزمایش و خطاست. یک جنبه از استنباط آماری محاسبه برآوردهایی (Estimates ) از پارمترهای جامعه مانند میانگین جامعه از طریق آماره های نمونه ها مانند میانگین نمونه است.

فرضیه (hypothesis) :

فرضیه آماری نقطه آغاز آزمون فرض است. فرضیه آماری یک بیان مقداری در باره پارامترهای جامعه است و اصولا بدون داشتن فرضیه آماری امکان انجام یک آزمون دشوار است.فرضیه آماری به دو دسته فرض صفر (H0) و فرض خلاف (H1) بیان می‌شود . اغلب فرضیه بیانگر این مطلب است که یک ارتباط علیتی بین دو متغیر وجود دارد به شکلی که میزان یکی (متغیر مستقل یاIndependent ) تا حدودی تعیین کننده دیگری متغیر وابسته یا (Dependent) است.

انواع داده :

1) داده های کمی (فاصله ای) Interval اعدادی هستند که بیانگر کمیت به صورت واحدهای عددی و بر اساس یک مقیاس مستقل است .قد و وزن مثالهای بارز دادههای کمی هستند.

2) دادههای رتبه ای Ordinal مشتمل بر رتبه ها، تعلق داشتن به گروههای رتبه بندی شده یا اطلاعات ترتیبی است. به عنوان مثال اگر دو داور به یک مجموعه 10 تایی از نقاشی رتبه یک (برای بهترین) تا رتبه 10 (برای بدترین) بدهند. مجموعه داده ها مشتمل بر 10 جفت رتبه خواهد بود. که هر جفت برای یک نقاشی است.

3) دادههای اسمی (nomial ) که مربوط به متغیر یا خواص کیفی مانند جنس یا گروه خونی است و بیانگر عضویت در یک گروه خاص می باشد.

محاسبه ضرایب همبستگی تا حدود زیادی متاثر از مقیاس اندازه گیری متغیر ها است، بعنوان مثال برای متغیر­های اسمی جهت رابطه اصلا معنی ندارد، بین جنس و معدل تنها می­توان گفت که شدت وابستگی چه مقدار است اما افزایش یا کاهش جنس معنی ندارد.

با توجه به نوع متغیر ها ضریب همبستگی می­تواند یکی از حالت­های زیر را داشته باشد.

1- دو متغیر اسمی

2- دو متغیر رتبه­ای

3- دو متغیر فاصله­ای- نسبی

4- متغیر اسمی و متغیر رتبه ای

5- متغیر اسمی و متغیر فاصله­ای - نسبی

6- متغیر رتبه­ای و متغیر فاصله­ای – نسبی

برای هر کدام از حالت­های بالا ضرایب همبستگی متفاوتی وجود دارند و محاسبه آنها در نرم افزار های spss ، lisrel و R امکان پذیراست.

از آنجا که انتخاب ضریب همبستگی مناسب برای بررسی روابط بین متغیرها تحت تاثیر مقیاس اندازه گیری متغیرهای مورد بررسی است لذا تناسب بین سطوح اندازه گیری و ضریب همبستگی سازگار از این جدول یک همبستگی مثبت کامل چیست؟ برای تصمیم گیری مناسب است

آزمون های آماری

سطح سنجش متغیرها

خی دو – فی – وی کرامر – لاندا

خی دو – فی – وی کرامر – لاندا

تحلیل واریانس یکطرفه – تی تست

فاصله ای یا نسبی

خی دو – فی – وی کرامر – لاندا

ضریب همبستگی رتبه ای اسپیرمن

خی دو – فی – وی کرامر – لاندا

ضریب همبستگی پیرسون r

ضریب همبستگی رتبه ای اسپیرمن

هرگاه رابطه بین دو متغیر را بررسی کردیم و بین آن دو رابطه معنی دار وجود داشت می توانیم ضریب همبستگی و میزان شدت همبستگی را نیز محاسبه کنیم .

ضرایب همبستگی در واقع وابستگی دو متغیر را مشخص می کنند:

اگر ضریب همبستگی بین 25/0 تا 35/0 ضریب بسیار پایین است – تنها 4% تغییرات مشترک میان دو متغیر را نشان می دهد

اگر ضریب همبستگی بین 35/0 تا 65/0 ضریب متوسط است – حدود 25% تغییرات مشترک میان دو متغیر را نشان می دهد

اگر ضریب همبستگی بین 65/0 تا 85/0 ضریب یک همبستگی مثبت کامل چیست؟ بالایی است –تا 72% تغییرات مشترک میان دو متغیر را نشان می دهد

در اصل برای بررسی میزان هماهنگی میان دو متغیر به دنبال شاخصهایی می گردیم که در اصل دو ویژگی زیر را داشته باشند:

1- به واحد دو جامعه وابسته نباشد

به طور مثال در تحولات اقصادی به دنبال رابطه میان تقاضای نفت خام در برابر تقاضای طلا می باشیم. یا در مطالعه تحولات اجتماعی به دنبال رابطه درآمد سرپرست خانواده و میزان تحصیل فرزندان می باشیم و مثالهایی از این دست.

مجموعه اطلاعات (داده های) موجود در انجام یک آزمون همبستگی که شامل اندازه های بدست آمده از دو متغیر X و Y می باشند را می توان به صورت یک نمونه تصادفی دو متغیره (X_{n ,}Y_n), . (X_{1 ,}Y₁) بیان کرد
مطالعه رابطه بین متغیرها بوسیله ((تحلیل همبستگی)) ( Analysis Corroletion ) انجام می شود. که بیانگر وجود یک رابطه خطی بین دو متغیر می باشد.

فرمول ضریب همبستگی به صورت زیر می باشد

با توجه به مقدار r در حاتهای مختلف تفسیرهای گوناگونی از رابطه X و Y خواهیم داشت.

حالتهای مختلف برای r

1- r =1 در این حالت همبستگی کامل و مستقیم گوییم. با افزایش مقدار x مقدار y به طور قطعی
زیاد می شود.

2- r = -1 در این حالت همبستگی را کامل و معکوس گوییم. با افزایش مقدار x مقدار y کاهش می یابد.

انواع ضرایب همبستگی:

ضریب همبستگی چوپروف T :ضریب هبستگی چوپروف به منظور تعیین شدت وابستگی بین متغیرهای مورد مطالعه به کار گرفته می شود و مقدار آن همواره بین صفر ویک در نوسان می باشد زمانی از آن استفاده کرده که هر دو متغیر اسمی و یا یکی اسمی و دیگری ترتیبی باشد. اما نباید تعداد سطر و ستون با هم برابر باشند.یعنی در جدول توافقی 2در2 نمی توان از آن استفاده کرد. در چنین مواردی باید از ضریب فی استفاده کرد.

ضریب همبستگی فی: به منظور بررسی شدت همبستگی بین دو متغیر اسمی که جدول توافقی 2 در 2 می باشد مورد استفاده قرار می گیرد.خی دو سطح معنی دار بودن همبستگی بین دو متغیر را تعیین میکند اما ضریب فی شدت همبستگی آنها را نشان می دهد. مقدار آن همواره بین صفر و یک در نوسان است.

ضریب همبستگی پیرسون r : این ضریب میزان همبستگی بین دو متغیر فاصله ای یا نسبی را محاسبه یک همبستگی مثبت کامل چیست؟ کرده مقدار آن بین 1+ و 1- می باشد اگر مقدار بدست آمده مثبت باشد به معنی این است که تغییرات دو متغیر به طور هم جهت اتفاق می افتد یعنی با افزایش در هر متغیر، متغیر دیگر نیز افزایش می یابد و برعکس اگر مقدار r منفی شد یعنی اینکه دو متغیر در جهت عکس هم عمل می کنند یعنی با افزایش مقدار یک متغیر مقادیر متغیر دیگر کاهش می یابد و برعکس.اگر مقدار بدست آمده صفر شد نشان میدهد که هیچ رابطه ای بین دو متغیر وجود ندارد و اگر 1+ شد همبستگی مثبت کامل و اگر 1- شد همبستگی کامل و منفی است.

ضریب کرامر: این ضریب برای تغیین میزان شدت همبستگی بین دو متغیر اسمی مورد استفاده قرارمی گیرد و آن را با (V 2 ) نشان می دهند و مقدار آن نیز همواره بین صفر ویک در نوسان است.هم جدول توافقی بیشتر از 2 در 2 وهم برای مستطیلی بکار می رود .

ضریب همبستگی رتبه ای اسپیرمن : آن را با علامتP نشان می دهند و همواره بین 1+ و 1- می باشد از لحاظ سطح سنجش ترتیبی است.در صورتی که داده های ما به صورت فاصله ای و نسبی باشند می توانیم آنها را به رتبه تبدیل کنیم.مهم نیست کدام متغیر وابسته و کدام متغیر مستقل است.

نکته مهم : اگر ضریب همبستگی صفر باشد نشاندهنده عدم وجود همبستگی است

ضریب همبستگی همواره بین 1+ و 1- در نوسان است

اگر ضریب همبستگی کمتر از صفر باشد همبستگی ناقص و منفی است یعنی با افزایش یک متغیر دیگری کاهش می یابد

اگر ضریب همبستگی بزرگتر از صفر باشد ناقص و مثبت است یعنی با افزایش یک متغیر، دیگری نیز افزایش می یابد

اگر صفر باشد نشاندهنده عدم وجود همبستگی است

کاربرد آزمون های پارامتری و ناپارامتری در علوم رفتاری

مقایسه داده ها در دو یا بیش از دو گروه وابسته و مستقل

تعداد گروههای تحت مطالعه

متغیر مورد مطالعه

گروههای تحت مطالعه

نوع آزمون مورد انتخاب

1

دو گروه

کمی

مستقل

t مستقل

2

دو گروه

رتبه ای

مستقل

من ویتنی

3

دو گروه

اسمی

مستقل

خی دو

4

دو گروه

کمی

وابسته

t وابسته

5

دو گروه

رتبه ای

وابسته

ویلکاکسون – آزمون نشانه

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

به لحاظ لغوی رگرسیون به معنای بازگشت است. به بیانی دیگر این لغت یعنی پیش‌بینی و بیان تغییرات یک متغیر بر اساس اطلاعات متغیری دیگر. زمانی که بین دو متغیر همبستگی وجود داشته باشد؛ می‌توان نمره‌ی فردی را در یک متغیر از طریق متغیر دیگر برآورد یا پیش‌بینی کرد. اگر ضریب همبستگی بین متغیرها عددی بین ۱+ تا ۱- باشد و در واقع همبستگی کامل برقرار نباشد پیش‌بینی ما برآورد خوبی است اما پیش‌بینی کاملی نیست. هرچه همبستگی بین متغیرها بالاتر باشد؛ به همان اندازه پیش‌بینی دقیق‌تر است. نحوه‌ی محاسبه‌ی رگرسیون به این شکل است که اگر متغیری را که قصد پیش‌بینی آن را داریم Y و متغیری که از طریق آن پیش‌بینی صورت می‌گیرد را X بنامیم؛ نمره‌ی پیش‌بینی شده برای متغیر Y برابر است با حاصل ضرب نمره‌ی استاندارد متغیر X در ضریب همبستگی بین دو متغیر. رابطه‌ی بین متغیر پیش‌بینی شونده (y) و پیش‌بینی کننده (x) تابع علامت و شدت ضریب همبستگی است. رگرسیون به سمت میانگین پدیده‌ای بود که گالتون مطرح کرد و به معنای میل نمرات به سمت میانگین آن‌هاست. در ادامه از انواع رگرسیون‌ها نام می‌بریم و در نهایت رگرسیون خطی را شرح می‌دهیم.

پیش‌بینی

رگرسیون از جمله مطالبی است که کاملاً وابسته به بحث همبستگی است و در ادامه‌ی آن مطرح می‌شود؛ فلذا برای فهم آن باید اطلاعاتی راجع به اینکه همبستگی چیست و چه انواعی دارد؛ داشته باشید.

این مطلب از این جهت می‌تواند برای فهم دقیق و درست مطلب کاملاً مؤثر باشد.

به لحاظ لغوی رگرسیون به معنای بازگشت است. به بیانی دیگر این لغت یعنی پیش‌بینی و بیان تغییرات یک متغیر بر اساس اطلاعات متغیری دیگر. زمانی که بین دو متغیر همبستگی وجود داشته باشد؛ می‌توان نمره‌ی فردی را در یک متغیر از طریق متغیر دیگر برآورد یا پیش‌بینی کرد. مثلاً چنانچه بین بهره‌ی هوشی و پیشرفت تحصیلی در دانشگاه، همبستگی مستقیم وجود داشته باشد؛ می‌توان پیش‌بینی کرد که پیشرفت تحصیلی دانشجویانی که بهره‌ی هوشی بالاتر از میانگین داشته باشند؛ بالاتر از میانگین خواهد بود.

مثلاً تصور کنید که بین میزان تماشای تلویزیون و پیشرفت تحصیلی دانش‌آموزان همبستگی وجود دارد. در اینجا می‌توان از متغیر میزان تماشای تلویزیون به عنوان یک متغیر پیش‌بینی‌کننده برای پیش‌بینی پیشرفت تحصیلی استفاده کرد. بنابراین می‌توان با استفاده از میزان تماشای تلویزیون (متغیر ملاک یا پیش‌بینی‌کننده)، پیشرفت تحصیلی دانش‌آموزان در مدرسه (متغیر بیش‌بینی‌شونده) را پیش‌بینی کرد. دقت پیش‌بینی به شدت به همبستگی بین متغیر پیش‌بینی‌کننده و پیش‌بینی‌شونده بستگی دارد. چنانچه همبستگی بین متغیرها کامل باشد (۱+ تا ۱-) پیش‌بینی به‌صورت کامل و دقیق امکان‌پذیر است. به عنوان مثال بین جرم برحسب کیلوگرم و تن همبستگی کامل وجود دارد. اگر وزن یا به لحاظ درستی لفظ علم فیزیک جرم کسی را به طور صحیح بدانیم؛ می‌توانیم وزن او را بر حسب تن محاسبه کنیم.

اگر ضریب همبستگی بین متغیرها عددی بین ۱+ تا ۱- باشد و در واقع همبستگی کامل برقرار نباشد پیش‌بینی یک همبستگی مثبت کامل چیست؟ ما برآورد خوبی است اما پیش‌بینی کاملی نیست. هرچه همبستگی بین متغیرها بالاتر باشد؛ به همان اندازه پیش‌بینی دقیق‌تر است.

پیش‌بینی نمره‌های استاندارد

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

نحوه‌ی محاسبه‌ی رگرسیون به این شکل است که اگر متغیری را که قصد پیش‌بینی آن را داریم Y و متغیری که از طریق آن پیش‌بینی صورت می‌گیرد را X بنامیم؛ نمره‌ی پیش‌بینی شده برای متغیر Y برابر است با حاصل ضرب نمره‌ی استاندارد متغیر X در ضریب همبستگی بین دو متغیر. رابطه‌ی بین متغیر پیش‌بینی شونده (y) و پیش‌بینی کننده (x) تابع علامت و شدت ضریب همبستگی است. به دو شکل:

• همبستگی مثبت: جهت پیش‌بینی y همانند جهت نمره‌ی استاندارد x
• همبستگی منفی: جهت پیش‌بینی y خلاف جهت نمره‌ی استاندارد x

اگر همبستگی مثبت و کامل باشد چنین پیش‌بینی می‌کنیم که نمره استاندارد فرد در متغیر x برابر نمره استاندارد او در متغیر y است. در صورتی که همبستگی کامل و منفی باشد اینطور یش‌بینی می‌کنیم که نمره‌ی استاندارد در دو متغیر مساوی اما از جهت علامت مخالف یکدیگر است.

اگر همبستگی مثبت و کمتر از ۱+ باشد پیش‌بینی ما این است که نمره‌ی استاندارد پیش‌بینی شده برای y نسبت نمره‌ی استاندارد x، به صفر نزدیک‌تر است. زمانی که همبستگی بین دو متغیر، منفی ولی کوچک‌تر از ۱- باشد پیش‌بینی ما این است که نمره‌ی استاندارد پیش‌بینی شده برای y نسبت به نمره‌ی استاندارد x به صفر نزدیک‌تر است ولی علامت آن با علامت x مخالف است. هنگامی که همبستگی بین دو متغیر کم باشد؛ نمره‌ی استانداردی که پیش‌بینی می‌کنیم نزدیک به میانگین خواهد بود. در واقع شدت همبستگی مشخص می‌کند که نمره‌های پیش‌بینی شده تا چه اندازه از میانگین فاصله دارند. چنانچه همبستگی بین دو متغیر کم باشد؛ نمره‌هایی که پیش‌بینی می‌کنیم؛ در میانگین y قرار خواهند گرفت.

رگرسیون به سمت میانگین

تاریخچه‌

اولین بار این پدیده را فرانسیس گالتون را مطرح کرد. او واژه رگرسیون را در مطالعه‌ی تأثیر وراثت در قد به کار برد. براساس یافته‌های او فرزندان والدین کوتاه قد، کوتاه قد هستند اما نه به اندازه‌ی والدینشان و به همین ترتیب فرزندان والدین بلند قد، قد بلند هستند؛ اما نه به اندازه‌ی والدین خود. در واقع قد فرزندان به سوی میانگین کلی جامعه گرایش دارد. گالتون این پدیده را رگرسیون به سمت میانگین نامیده است.

اصل ماجرا

اگر همبستگی بین متغیرها برای پیش‌بینی کامل نباشد؛ رگرسیون اتفاقی جالب است. به این دلیل که در چنین شرایطی نمره‌های پیش‌بینی شده به میانگین نمونه‌مان نزدیک‌تر است تا به نمره‌های پیش‌بینی‌کننده. چنانچه تعدادی آزمودنی را که نمره‌های آن‌ها در متغیری که از طریق آن پیش‌بینی صورت می‌گیرد؛ مساوی باشد انتخاب کنیم؛ متوجه خواهیم شد که نمره‌ی پیش‌بینی‌شده‌ی این آزمودنی‌ها به میانگین متغیری که قصد پیش‌بینی آن را داریم نزدیک‌تر است تا به متغیری که از طریق آن پیش‌بینی صورت می‌گیرد. مثلاً چنانچه دانش‌آموزانی را انتخاب کنیم که بهره‌ی هوشی‌شان بالاتر از ۱۴۰ است متوجه خواهیم شد که نمره‌ی بیشتر آن‌ها در آزمون پیشرفت تحصیلی بالاتر از میانگین است و فقط نمره‌ی تعداد محدودی از آن‌ها در آزمون پیشرفت تحصیلی با نمره‌‌های بالاتر از میانگین فاصله دارد. به همین ترتیب چنانچه آزمودنی‌هایی را انتخاب کنیم که بهره‌ی هوشی آن‌ها کم است؛ نمره‌ی بیشترشان در آزمون پیشرفت تحصیلی به نزدیک‌تر به میانگین این آزمون است تا آزمون هوش.

بنابراین تاز مانی که دو متغیر به‌صورت کامل همبسته نباشند؛ این گرایش وجود دارد که نمره‌های گروهی از آن‌ها در اولین متغیر به دومین متغیر نزدیک باشد. این اثر در نمره‌ها تأثیر رگرسیون نامیده می‌شود و غالباً چون رگرسیون به به طرف میانگین دومین متغیر است؛ آن را رگرسیون در اطراف متغیر می‌نامند. نمره‌ی پیش‌بینی شده به میانگین نزدیک‌تر است تا نمره‌هایی که از طریق آن‌ها پیش‌بینی صورت می‌پذیرد.

میزان همبستگی بین دو متغیر حدود یا مقدار رگرسیون را تعیین می‌کند. اگر نمره‌ی همبستگی کامل باشد جهت هر نمره‌ی پیش‌بینی شده با جهت هر نمره در متغیری که بر اساس آن پیش‌بینی صورت می‌پذیرد؛ همسان یا همتراز است و پدیده‌ی رگرسیون یا اتفاق نمی‌افتد یا وجود ندارد. رگرسیون زمانی اتفاق می‌افتد که همبستگی بین دو متغیر کامل نباشد.

اگر همبستگی بین متغیرها بالا باشد و نه کامل، گرایش کمی وجود دارد که میانگین نمره‌های گروه انتخاب شده در اولین متغیر به طرف میانگین نمره‌های دومین متغیر کشیده شود. اما اگر همبستگی پایین باشد گرایش خیلی زیادی وجود دارد که میانگین نمره‌ها در اولین متغیر به طرف میانگین نمره‌های دومین متغیر کشیده شود. حالت سومی هم وجود دارد که همبستگی صفر باشد که در آن صورت رگرسیون در اطراف میانگین به‌صورت کامل اتفاق می‌افتد یا به عباریت قدرت پیش‌بینی وجود ندارد و بهترین پیش‌بینی میانگین y هاست.

وقتی یک گروه به دلیل عملکرد مشابه در اولین متغیر انتخاب شده باشند؛ نمره‌های اعضای گروه در متغیر دوم دارای میانگینی مساوی با گروهی خواهد بود که دارای عملکرد یا اندازه‌های مختلف هستند.

فراموش نکنید که رگرسیون به طرف میانگین با همبستگی بین متغیرها رابطه معکوس دارد. هرچه، همبستگی بالاتر (کامل‌تر) باشد؛ رگرسیون به طرف میانگین کمتر است.

انواع رگرسیون کدام اند؟

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

رگرسیون خطی ساده (Simple Linear Regression)

زمانی از این آزمون استفاده می‌شود که پژوهشگر می‌خواهد تأثیر یک متغیر مستقل بر روی یک متغیر وابسته را مورد سنجش قرار دهد. به این آزمون، رگرسیون دو متغیره هم گفته می‌شود. پژوهشگر باید توجه داشته باشد؛ زمانی می‌توان از آزمون رگرسیون (ساده و چندگانه) استفاده کرد که اولاً مقیاس گردآوری داده‌ها فاصله‌ای یا نسبی باشد و دوماً ارتباط میان دو متغیر به لحاظ آماری معنادار باشد که البته نرم افزار SPSS قبل از بررسی تأثیر این رابطه را بررسی می‌کند. که در عنوان بعدی آن را به‌صورت کامل شرح می‌دهیم.

رگرسیون چند متغیره (Multiple Regression)

زمانی که تعداد متغیرهای مستقل دو و یا بیشتر باشد، دیگر رگرسیون خطی ساده نمی‌تواند نتایج دقیقی از تأثیر این متغیرها به‌ ما بدهد. در چنین شرایطی از رگرسیون چند متغیره استفاده می‌شود. رگرسیون چند متغیره به نام رگرسیون چندگانه نیز شهرت دارد. متغیرهای مستقل به ۵ روش متفاوت وارد مدل رگرسیونی می‌شوند و هر یک از این روش‌ها کاربرد متفاوتی خواهند داشت. روش هم‌زمان، روش گام به گام، روش حذفی، روش پس‌رونده و روش پیش‌رونده. این روش در مقالات بعدی به تفصیل شرح داده می‌شوند.

رگرسیون لجستیک (Logestic Regression) دو وجهی و چند وجهی:

اما گاهی اوقات اتفاق می‌افتد که متغیر وابسته تحقیق در مقیاس فاصله‌ای یا نسبی نبوده و مقیاس آن به‌صورت اسمی است. یکی از سؤالات شرکت‌کنندگان در دوره‌های کاربردی SPSS آکادمی تحلیل آماری شرکت می‌کنند این است که در چنین حالتی با توجه به اینکه پیش‌فرض اساسی تحلیل رگرسیون مقیاس فاصله‌ای /نسبی متغیر وابسته است چه باید کرد. رگرسیون لجستیک پیش‌بینی کننده متغیر وابسته دووجهی و یا چندوجهی اسمی خواهد بود. البته با توجه به بحث‌های گسترده در دوره‌های آکادمی تحلیل آماری بهتر است در این شرایط به جای استفاده از مدل‌های رگرسیون لجستیک در نرم‌افزارهایی مثل SPSS از نرم‌افزارهای با تخمین‌های مخصوص به این شرایط مثل mplus استفاده می‌کنیم.

رگرسیون تخمین منحنی (Curve Estimation) :

رگرسیون برآورد یا تخمین منحنی از خانواده تحلیل رگرسیون غیرخطی است. این نوع رگرسیون زمانی مورد استفاده قرار می‌گیرد که رابطه بین متغیر وابسته و متغیرهای مستقل به‌صورت غیرخطی است و بنابراین، نمی‌توانیم از رگرسیون‌های خطی استفاده کنیم.

رگرسیون ترتیبی (ordinal regression):

در برخی از پژوهش‌ها و به ‌خصوص پژوهش‌های پیمایشی، ممکن است که متغیر وابسته یک متغیر ترتیبی باشد. یعنی شرط اول اجرای رگرسیون‌های چندگانه که همان فاصله‌ای یا نسبی بودن متغیر است را نداشته باشد. یعنی ما می‌توانیم که به طبقات این متغیر رتبه دهیم اما هرگز نمی‌توانیم فاصله‌ی بین رتبه‌ها را مشخص نماییم؛ مثلاً متغیر شادی به جای اینکه توسط یکسری شاخص و سؤال در پرسشنامه سنجیده شده باشد که در آخر بتوان این سؤالات را به سمت یک متغیر کمی پیوسته حرکت داد؛ جواب‌ها می‌تواند شامل یک طیف سه گزینه‌ای زیاد، متوسط و کم جهت سنجش باشد. در این شرایط نیز به جای استفاده از مدل‌های رگرسیون ترتیبی در نرم‌افزارهای مثل SPSS از نرم‌افزارهایی با تخمین‌های مخصوص به این شرایط مثل mplus استفاده می‌کنیم.

رگرسیون پروبیت (Probit Regression) :

زمانی که خروجی یا متغیر وابسته دارای دو بعد باشد از این نوع رگرسیون استفاده خواهد شد. این نوع رگرسیون با عنوان مدل‌های پروبیتنیز شناخته شده است. برای مثال، زمانی که بخواهیم متغیرهای مؤثر بر شرکت افراد در برنامه‌های فرهنگی یک سرای محله را بررسی کنیم؛ این نوع رگرسیون مناسب‌تر خواهد بود. این رگرسیون مشابه رگرسیون‌های لجستیک است.

توضیح مشروح و مفصل انواع رگرسیون را می‌توانید در مقالات بعدی ما بخوانید.

رگرسیون خطی یا خط رگرسیون

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

وقتی که نمره‌های استاندارد پیش‌بینی شده را در دستگاه محور مختصات ترسیم می‌کنیم؛ روی یک خط مستقیم قرار می‌گیرند. دلیل این امر آن است که برای محاسبه و پیش‌بینی نمره‌ها آن‌ها را در مقدار ثابت ضریب همبستگی ضرب می‌کنیم. این خط به دست آمده خط رگرسیون است که با توجه به تعریف آن چنانچه فاصله‌ی هر نمره را از محور y کم و سپس آن را مجذور کنیم از طریق مجموع مجذورهای محاسبه شده متوجه خواهیم شد که این مجموع کوچک‌تر از مجموع مجذور هر خط دیگری تا محور y است. این مفهوم گاهی اوقات برای تعریف خط رگرسیون به کار برده می‌شود. به همین دلیل است که گاهی اوقات خط رگرسیون، خط حداقل مجذورها تعریف می‌شود. در واقع این خط، خطی است که خطاهای پیش‌بینی را به حداقل می‌رساند.

بهترین پیش‌بینی

وقتی که نمره‌ی Y را از طریق نمره‌ی x پیش‌بینی می‌کنیم؛ نمره‌های پیش‌بینی شده روی یک خط قرار می‌گیرند که به آن خط برازش می‌گویند؛ اما نمره‌های اصلی متغیر Y بر روی این خط قرار نمی‌گیرند؛ زیرا نمره‌های پیش‌بینی شده با نمره‌های اصلی Y مساوی نیستند و بین آن‌ها اختلاف وجود دارد.

اختلاف بین نمره‌ی اصلی و نمره‌ی پیش‌بینی شده خطای پیش‌بینی نامیده می‌شود که می‌تواند مثبت یا منفی باشد.

رگرسیون خطی یکی از چند روشی است که به وسیله‌ی آن می‌توان دست به پیش‌بینی زد. اما در این پیش‌بینی نیز به طبع درصدی از خطا وجود دارد. مقاله‌های بعدی در شرح بیشتر رگرسیون و انواع روش‌های آن است که به فراخور داده‌هایتان می‌تواند دقیق‌تر و با خطای کمتری باشد.

هم بستگی ارزهای دیجیتال با یکدیگر | هم بستگی بیت کوین با اتریوم | هم بستگی بیت کوین با طلا

هم بستگی ارزهای دیجیتال ، امروزه ارزهای دیجیتال به پدیده ای جهانی تبدیل شدند و یکی از داغ ترین موضوعات پیرامون سرمایه گذاران و بازارهای مالی است . افزایش شدید ارزش برخی از ارزهای رمزنگاری باعث بررسی عمیق تر این بازار شده است . یکی از موضوعات مورد بررسی هم بستگی یا همان correlation است . هم بستگی در بازار های مالی به معنای اندازه گیری آماری رابطه دو دارایی مختلف است ، برای مثال بررسی هم بستگی ارزدیجیتال بیت کوین و طلا یکی از مواردی یک همبستگی مثبت کامل چیست؟ است که در سال گذشته بسیار پیرامون آن بحث شد . در دنیای ارزهای دیجیتال آمار ها نشان داده اند که حتی رمزارز های مختلف هم می توانند با هم ، هم بستگی داشته باشند . دانستن این موضوع به تحلیل گران کمک می کند که رفتار بازار را پیش بینی کنند و تصمیم گیری را برای آن ها ساده تر کند .

هم بستگی چیست ؟

یکی از اساسی ترین تجزیه و تحلیل های آماری است که ارتباط بین دو متغیر را اندازه گیری می کند . به عنوان مثال اگر دو متغیر x و y داشته باشیم ، حالت های زیر ممکن است اتفاق بیافتد :

1. هم بستگی مثبت : اگر در یک زمان هر دو متغیر x و y افزایش یابند و این افزایش با سرعتی مشابه باشد ، آن را هم بستگی مثبت می نامیم .
2. هم بستگی منفی : اگر در یک زمان یکی از متغیر ها افزایش باشد و دیگری کاهش یابد ، آن را هم بستگی منفی می نامیم .
3. بدون هم بستگی : زمانی است که وقتی یکی از متغیرها افزایش یا کاهش می یابد ، دیگری تمایلی به افزایش یا کاهش ندارد .

شکل زیر به درک بهتر این موضوع کمک می کند :

هم بستگی معمولا با نماد r نمایش داده می شود و بین -1 و +1 قرار دارد . در این مقاله ما از ضریب همبستگی پیرسون استفاده خواهیم کرد .

ضریب هم بستگی پیرسون و نحوه محاسبه آن

در ضریب هم بستگی پیرسون ، رابطه خطی بین متغیر ها بررسی می شود . فرمول محاسبه این معیار با داشتن متغیرهای ( x1,x2,….,Xn ) و ( Y1,Y2,…,Yn) به شرح زیر است :

∗این فرمول برای تمام مقادیر x و y امکان پذیر است .

از عددی که در نهایت به دست آوردید ، می توانید نتایج زیر را بگیرید .

هم بستگی در دنیای ارزهای دیجیتال

در دنیای ارزهای دیجیتال نیز ، ممکن است بین ارزهای مختلف ، هم بستگی وجود داشته باشد ، البته نمی توان این موضوع را منکر شد که رهبر و فرمانروای اصلی این بازار ، بیت کوین است و بیشتر رفتار بیت کوین است که بازار را کنترل می کند . دانستن اطلاعات در رابطه با هم بستگی ارزهای دیجیتال به معامله گران کمک می کند که ارزهای مناسبی را برای سبد سرمایه گذاری خود انتخاب کنند . برای درک بهتر این موضوع ، 5 رمزارز مختلف که قدیمی تر هستند را در نظر گرفتیم . آن ها هم بستگی شدید و مثبتی را نشان می دهند . این موضوع برای کسی که سال های گذشته بازار را دنبال کرده است ، خبر خاصی نیست . اما نکته قابل توجه اینجا است که همیشه به این صورت نبوده است :

همان طور که در تصویر بالا واضح است ، هم بستگی بین این 5 ارز ، در دسته هم بستگی های مثبت شدید قرار دارد. این بدان معنا است که افزایش قیمت بیت کوین باعث افزایش قیمت اتریوم ، ریپل ، لایت کوین و مونرو شده است . این هم بستگی تنها محدود به بیت کوین نبوده است و تک تک ارزهای بررسی شده در جدول بالا نیز باهم هم بستگی دارند .

هم بستگی بیت کوین و اتریوم

بررسی ضریب هم بستگی بین بیت کوین و اتریوم از سال 2016 ، نمودار زیر را نشان می دهد .

در ابتدا ، بین این اتریوم و بیت کوین ، تقریبا هم بستگی ای وجود نداشت . در این بین مواقعی وجود داشت که حتی به نظر می رسید این دو کوین ، بدون ارتباط با هم حرکت می کنند . اما این روند به وضوح نشان می دهد که رابطه بین بیت کوین و اتریوم در حال رشد است و هم بستگی آن ها در حال رسیدن به اوج خود است .

هم بستگی بیت کوین و طلا

تا کنون هم بستگی زیادی بین حرکت طلا و بیت کوین مشاهده نشده است . در برخی برهه ها ، هم بستگی کمی مشاهده شده است اما به طور کلی نمی توان ادعا کرد که این دو دارایی ، هم بستگی زیادی با هم دارند .

هم بستگی بیت کوین و S & P 500

بدون توجه به سقوط اخیر ناشی از کرونا ، بدیهی است که حرکت بیت کوین ارتباط چندانی با بازار سهام آمریکا ندارد . حتی اگر بیت کوین و S & P 500 در مارس 2020 ، هم بستگی از خود نشان دادند اما این نسبت هنوز هم ضعیف است .

مزایای استفاده از ضریب هم بستگی

خرید یا سرمایه گذاری در ارزهای رمزنگاری شده به اندازه کافی می تواند خطرناک باشد ، بدون دانش وارد این بازار پر تلاطم شدن ، قطعا معامله گر را متحمل ضررهای زیادی خواهد کرد . برای مثال قیمت بیت کوین در مدت زمان کوتاهی تنها 191 درصد افزایش قیمت داشت ، اما بعد از آن 224 درصد کاهش قیمت داشت . البته عوامل زیادی در این امر تاثیر گذار بوده است ، به هر صورت اگر یک معامله گر در دسامبر 2017 ، اقدام به خرید بیت کوین می کرد ، متحمل ضررهای زیادمی شد . یک معامله گر قادر نخواهد بود جلوی ریزش بازار را بگیرد اما می تواند جلوی ضرر خود را بگیرد . در واقع می تواند با دانشی که دارد ، سرمایه خود را بیمه کند ، مثل اینکه شما نمی تواند جلوی حوادثی مثل سیل و زلزله را بگیرید اما می توانید خانه خود را بیمه کنید تا ضرر مالی کمتری به شما وارد شود . وقتی یک سرمایه گذار ، دو ارزی که هم بستگی مثبت را دارند در پرتفوی خود دارد ، قطعا وقتی یکی از آن ها کاهش قیمت داشته باشد ، دیگری هم با ریزش قیمت رو به رو خواهد شد و شخص ، متحمل ضررهای زیادی خواهد شد . اما اگر از دو ارز که هم بستگی ندارند یا هم بستگی منفی دارد ، استفاده کند ، حتی اگر یکی از ارزها هم ریزش قیمت داشته باشد ، تا حدی ضرر به حداقل می رسد .شاید استفاده از این روش در دنیای ارزهای دیجیتال خیلی کارایی نداشته باشد چرا که ارزها به اندازه کافی باهم واگرایی ندارند .

خطرات هم بستگی زیاد

یکی از مشکلات بزرگی که در دنیای ارزهای دیجیتال ، وجود دارد این است که رمزارزهای برتر معمولا با یکدیگر حرکت می کنند و رهبر اصلی آن ها بیت کوین است . لری چرماک تحلیلگر بازار معتقد است که وابستگی بیش از حد دارایی ها در متنوع سازی موثر پورتفولیو سرمایه گذار ، موانعی را ایجاد کرده است . پس تا بلوغ کامل این بازار و توکنیزه شدن اوراق بهادار ، تا حدی می تواند این مشکل را کاهش دهد .

اثبات هم بستگی در ارزهای دیجیتال کمی یک همبستگی مثبت کامل چیست؟ دشوار است

بازاز ارزهای دیجیتال یک بازار به شدت ناپایدار است و هنوز به بلوغ کامل نرسیده است . هیچ کس قادر نیست که ادعا کند یک رابطه کامل بین دو ارز دیجیتال وجود دارد چرا که ممکن است در روزهای مختلف تفاوت داشته باشد . ممکن است این هم بستگی زیادی که بین بیت کوین و سایر ارزهای دیجیتال دیده می شود صرفا به این علت باشد که بیت کوین به عنوان پادشاه و فرمانروا عمل کرده و و زمانی که به سمت بالا حرکت می کند ، سایز آلت کوین ها را نیز تحت تاثیر قرار می دهد . هم بستگی ابزاری مهم در دنیای ارزهای دیجیتال است اما نمی توان کاملا به آن اعتماد کرد چرا که هر لحظه ممکن است تغییر کند .

کجا می توانم هم بستگی بین رمزارزهای مختلف را بررسی کنم ؟

یکی از سایت هایی که به طور اختصاصی به کاربران این امکان را می دهد که هم بستگی بین ارزهای دیجیتال مختلف را بررسی کنند ، سایت معتبر Cryptpwatch است . البته برای ورود به این سایت اول از همه باید فیلتر شکن خود را روشن کنید . بعد از اینکه وارد سایت شدید . با تصویر زیر روبه رو می شوید .

با کلیک روی قسمت correlation صفحه جدیدی برای شما باز می شود .

در این صفحه هم بستگی بین ارزهای مختلف نشان داده است . شما می توانید ارز مورد نظر خود را به این لیست اضافه کنید ، حتی این امکان به شما داده می شود که تایم فریم دلخواه خود را انتخاب کنید .

کلام آخرهم بستگی ارزهای دیجیتال

تجزیه و تحلیل هم بستگی ، اطلاعاتی در رابطه با انتخاب ارزهای مناسب برای سبد سرمایه گذاری ، در اختیار سرمایه گذاران می گذارد . یک معامله گر هیچ وقت ارزهایی که هم بستگی زیادی باهم دارند را برای پورتفو خود انتخاب نمی کند مگر اینکه تشخیص دهد حداقل یکی از این دو در بازار صعودی قرار دارد .

ممنون از اینکه تا پایان ” هم بستگی ارزهای دیجیتال ” همراه ما بودید.

آموزش همبستگی جفت ارز ها

در همین ابتدای مقاله میخواهیم از شما سوالی بپرسیم که آیا تا کنون به آموزش همبستگی جفت ارز ها در فارکس توجه کردید یا خیر ؟ بطور مثال تا بحال دو جفت ارز را مد نظر داشته اید که رفتاری بسیار شبیه به هم انجام دهند یا جفت ارز هایی که دقیقا مخالف هم عمل میکنند اگر در یک نمودار صعود قیمت را داشته باشیم در دیگری شاهده ریزش قیمت خواهیم بود.

اگر بعد از چند ماه از فعالیتتان در بازار های مالی هنوز متوجه این موضوع نشدید باید به شما بگوییم که بهتر است کمتر به اینستاگرام و بازی های آنلاین سر بزنید و باید وقت بیشتری برای مطالعه و یادگیری بازارهای مالی قرار دهید .

در این مقاله آموزشی صفر تا صد همبستگی بین جفت ارز ها را به شما خواهیم آموخت .

در بازارهای مالی همبستگی یک ابزار آماری میباشد که نشان میدهد دو جفت ارز چه مقدار با یکدیگر در ارتباط هستند .

همبستگی ارز به معامله گر نشان میدهد که دو جفت ارز در یک بازده زمانی هم جهت ، خلاف جهت یا کاملا تصادفی با یکدیگر در ارتباط هستند .

اگر میخواهید در یک جفت ارز پوزیشن باز کنید که هیچ ، اما اگر قصد دارید در چند جفت ارز در یک لحظه اقدام به معامله نمایید بسیار اهمیت دارد که بدانید دو جفت ارز چگونه با هم در ارتباط هستند ، مخصوصا اگر میخواهید متوجه شوید که رابطه دو جفت ارز چگونه بر میزان ریسک شما تاثیر میگذارد .

مبحث بسیار جالبی است و همچنین ابزار مناسبی برای تصمیمات دقیق تر شما به جهت ورود به پوزیشن های مختلف ، که البته سعی شده مثل همیشه مبحث ساده سازی شود تا دوستان تازه وارد به بازار های مالی نیز براحتی به درک مطلب برسند .

چگونگی میزان محاسبه همبستگی ارز ها

میزان قدرت و ضعیفی همبستگی در جفت ارز ها بین +1 و -1 محاسبه میشود .

زمانی که مشاهده میکنید همبستگی دو جفت ارز +1 میباشد یعنی در 100 درصد مواقع هم جهت حرکت میکنند .

و زمانی هم که -1 را مشاهده میکنید یعنی در 100 درصد مواقع دو جفت ارز مخالف هم حرکت میکنند .

اما اگر همبستگی 0 باشد یعنی دو جفت ارز هیچ ارتباطی با هم نداشته و همانند یا مخالف یکدیگر هیچ حرکتی ندارند و بعبارتی خنثی هستند .

در ادامه از این آموزش همبستگی جفت ارز ها به شما جدول هایی را نشان میدهیم که میزان همبستگی جفت ارز EUR/USD نسبت به سایر جفت ارز ها را مشاهده میکنید . میزان و شدت همبستگی بین دو جفت ارز را اعداد بین +1 و _1 نشان میدهد ، بعبارتی اگر عدد اعشاری 0.80 را مشاهده کردید باید متوجه یک همبستگی مثبت کامل چیست؟ همبستگی در جهت روند را تشخیص دهید یا اگر عدد 0.80_ را مشاهده کردید باید تشخیص دهید که دو جفت ارز همبستگی قوی در خلاف جهت با یکدیگر دارند.

هنگامی که همزمان در دو جفت ارز معامله میکنید حتما از میزان ریسک خود آگاهی داشته باشید ، برخی از معامله گران فکر میکنند که اگر در دو جفت ارزی که همبستگی بالایی در یک جهت دارند پوزیشن باز کنند میتواند برایشان سود آور باشد ولی اگر نظر تیم آموزشی ما را بخواهید باید بگوییم که این افراد سخت در اشتباه هستند ، به جدول زیر توجه کنید که جفت ارز EUR/USD با GBP/USD همبستگی بالایی در یک جهت دارد ، عدد 0.94 را نشان میدهد و بنوعی میتوان گفت حرکات قیمتی که انجام میدهند بسیار شبیه به یکدیگر است .

نمودار هر دو جفت ارز را در زیر مشاهده میکنید که چقدر شبیه به یکدیگر ریزش پیدا کرده اند .

خب دوستان ما میتوانیم متوجه شویم که باز کردن یک لات در EUR/USD و GBP/USD همانند این است که در یکی از این جفت ارز ها حجم خود را دو برابر کنیم .

بصورت مثال اگر شما یک لات در EUR/USD و یک لات دیگر در جفت ارز GBP/USD معامله فروش باز کنید ، بنوعی 2 لات در EUR/USD معامله کرده اید به این دلیل که هر دو جفت ارز در یک سو و یک روند در حرکت هستند .

اینگونه شما ریسک خود را دو برابر کرده اید چرا که اگر قیمت در EUR/USD افزایش پیدا کند و STOP شما بخورد به احتمال زیاد در GBP/USD هم STOP زده خواهد شد و در هر دو معامله متضرر میشوید . ( این مثال برای معامله SELL بود )

همچنین شما نباید در GBP/USD خرید و در EUR/USD معامله فروش باز کنید چرا که اگر در GBP/USD شاهد افزایش قیمت باشیم باید احتمال بسیار زیاد رشد قیمت EUR/USD را هم بدهیم و بنظر شما اینگونه چه چیزی پیش خواهد آمد؟

نباید فکر کنید اینگونه سود و ضرر شما صفر میشود چرا که این فکری کاملا اشتباه است ، میزان نوسان پیپ در هر جفت ارز متفاوت است و نباید به دلیل همبستگی بالایی که دارند فکر کنید که هر دو جفت ارز در یک رنج پیپ خاصی حرکت میکنند.

نوسانات در جفت ارز ها بی ثبات هستند بطور مثال ممکن است در EUR/USD مقدار 150 پیپ رشد را شاهد باشیم در صورتی که در GBP/USD فقط 135 پیپ رشد مشاهده کردیم ، حال میتوانید با یک حساب سر انگشتی متوجه شوید که میزان سود و ضرر ما در جفت ارز ها با همبستگی بالا در یک جهت صفر نخواهد بود و ممکن است ضرر بیشتر و یا حتی سود بیشتر باشد .

بنابراین میشود نتیجه گیری کرد که فروش یک جفت ارز و خرید جفت ارزی دیگر که با یکدیگر همبستگی مثبت (در یک جهت) دارند امری ضرر بخش خواهد بود .

خب به سراغ یک مثال دیگر خواهیم رفت ، به جدول بالا که میزان همبستگی جفت ارز ها با یکدیگر را مشخص کردیم نگاهی بیندازید اینبار میخواهیم مثالی در مورد EUR/USD و USD/CHF بزنیم که همبستگی به شدت مخالفی با یک دیگر دارند و بنوعی شبیه به تام و جری هستند . میزان همبستگی آنها در یک هفته _1 بوده که از این عدد میتوان فهمید که به چه اندازه زیادی مخالف یک دیگر حرکت میکنند .

برای درک بهتر هر جفت نمودار های این ارز ها را در زیر قرار داده ایم ، مشاهده میکنید دقیقا مخالف یکدیگر عمل کرده اند و در یکی صعود قیمت و در دیگر نزول قیمت اتفاق افتاده است.

باز کردن پوزیشن هایی مخالف در جفت ارز هایی که با یکدیگر همبستگی منفی دارند دقیقا همانند این است که در جفت ارز هایی که با یکدیگر همبستگی مثبت دارند پوزیشن باز کنید.

خرید USD/CHF و فروش EUR/USD مثل این هست که حجم یک معامله را دو برابر کنید.

بعنوان مثال اگر در USD/CHF حجم 1 لات خرید و در EUR/USD حجم 1 لات فروش باز کنید در اصل شما 2 لات در USD/CHF معامله کرده اید ، اگر قیمت در USD/CHF رشد کند به احتمال بسیار زیاد قیمت EUR/USD کاهش پیدا خواهد کرد بنابراین شما در دو معامله سود میکنید .

بسیار اهمیت دارد که شما متوجه باشید با اینکار ریسک خود را دو برابر افزایش میدهید ، حال فرض کنید قیمت در USD/CHF نزول پیدا میکند و قطعا در EUR/USD باید شاهد افزایش قیمت باشیم ، بنابراین به احتمال زیاد STOP LOSS هر جفت معامله شما زده خواهد شد .

شما خیلی راحت میتوانستید ریسک خود را کاهش دهید با اینکار که فقط تصمیم به خرید USD/CHF و یا فروش EUR/USD میگرفتید .

به عبارت ساده تر خریدن یا فروختن دو جفت ارزی که همبستگی قوی دارند در یک لحظه ، میتواند ریسک شما را دو برابر میکند و نتیجه ای معکوس برای شما خواهد داشت.

در زیر جدولی مشاهده میکنید که تفسیر شما برای میزان همبستگی بین جفت ارز ها را قوی تر میکند .

قطعا تا الان این سوال برایتان پیش آمده که از چه منبعی میزان همبستگی جفت ارز ها را مشاهده کنید ، به شما سایت مای افیکس بوک را یک همبستگی مثبت کامل چیست؟ یک همبستگی مثبت کامل چیست؟ یک همبستگی مثبت کامل چیست؟ معرفی میکنیم که با کلیک روی لینک زیر میتوانید وارد بخش correlation شوید و به جداول دسترسی داشته باشید ، البته این نکته را هم عرض کنیم که میزان همبستگی در این سایت بصورت درصدی هست ولی براحتی میتوانید متوجه موارد شوید.

این مورد را هم فراموش نکنید که این مبحث برای بازار فارکس میباشد و پیشنهاد میکنیم در باینری آپشن به دلیل تایم فریم کوتاه و ریسک بالا انجام ندهید.

میزان همبستگی ارزها تغییر میکند

باید مراقب باشید چرا که میزان همبستگی همیشه به یک میزان نیست و همیشه در حال تغییر است چرا که بازارهای جهانی مدام در حال نوسان و تغییر هستند .

به جدول زیر توجه کنید که میزان همبستگی USD/JPY نسبت به سایر جفت ارزهای دیگر تعیین شده ، میزان همبستگی که در تایم فریم یک هفته ای مشاهده میکنید با یک ماه دیگر ممکن است بسیار متفاوت باشد.

لذا همیشه دقت فرمایید که در چه تایمی همبستگی ها را مشاهده میکنید ، دوستانی که فلزات مانند طلا در فارکس معامله میکنند قطعا اهمیت بسیار بالای همبستگی دلار به طلا را میدانند و به این درک رسیده اند که یکی از معیار های مهم برای تحلیل طلا ، بررسی شاخص دلار و اخبار فاندامنتالی مختص به آن میباشد ،اگر هر گونه سوالی از این آموزش همبستگی جفت ارز ها داشتید میتوانید در قسمت کامنت ها قرار دهید تا بچه های تیم پاسخگوی شما باشند.