วิธีสร้าง Correlation Matrix ด้วย AI: 5 การตรวจสอบง่ายๆ ในปี 2026

เมทริกซ์สหสัมพันธ์จะเปรียบเทียบทุกคอลัมน์ที่เป็นตัวเลขเข้าด้วยกัน และรายงานว่าแต่ละคู่มีความเคลื่อนไหวไปในทิศทางเดียวกันอย่างใกล้ชิดเพียงใด คู่มือนี้จะอธิบายว่าเมทริกซ์นี้คืออะไรและจะสร้างขึ้นมาด้วยตัวเองได้อย่างไร จากนั้นจะแนะนำ 3 ขั้นตอนในการสร้างเมทริกซ์จากไฟล์ที่ส่งออก และสุดท้ายคือการตรวจสอบ 5 ประการที่จะช่วยแยกแยะระหว่างเมทริกซ์ที่มีประโยชน์กับตารางตัวเลขที่อาจทำให้เข้าใจผิด

เมทริกซ์สหสัมพันธ์บอกอะไรแก่คุณบ้าง

เอกสารประกอบของ Microsoft สำหรับ Analysis ToolPak ได้นิยามสิ่งนี้ไว้เป็นอย่างดี โดยเครื่องมือ Correlation "จะแสดงตารางผลลัพธ์ ซึ่งก็คือเมทริกซ์สหสัมพันธ์" ตารางดังกล่าว "จะแสดงค่าของ CORREL (หรือ PEARSON) ที่ใช้กับตัวแปรวัดผลแต่ละคู่ที่เป็นไปได้ทั้งหมด"

นอกจากนี้ยังระบุถึงช่วงเวลาที่คุณควรใช้งานเครื่องมือนี้ โดยเครื่องมือดังกล่าว "จะมีประโยชน์อย่างยิ่งเมื่อมีตัวแปรวัดผลมากกว่าสองตัวแปรสำหรับแต่ละกลุ่มตัวอย่าง N ราย" หากมีเพียงสองคอลัมน์ คุณก็แค่คำนวณตัวเลขเพียงค่าเดียว แต่ถ้ามีถึงสิบสองคอลัมน์ คุณย่อมต้องการตารางข้อมูล

ตัวสัมประสิทธิ์เองก็ได้รับการอธิบายไว้อย่างเรียบง่ายว่า เป็น "การวัดระดับที่ตัวแปรวัดผลสองตัวแปร 'แปรผันร่วมกัน'" คุณสมบัติที่มีประโยชน์คือการปรับสเกล ซึ่งแตกต่างจากความแปรปรวนร่วมเกี่ยว (covariance) ตรงที่มัน "ถูกปรับสเกลเพื่อให้ค่าของมันเป็นอิสระจากหน่วยวัด" ที่ใช้กับตัวแปรเหล่านั้น

นี่คือเหตุผลที่ทำให้เมทริกซ์นี้อ่านง่าย รายได้ในหน่วยดอลลาร์และจำนวนการเข้าชมในหน่วยครั้งจะสร้างค่าสัมประสิทธิ์บนสเกลเดียวกัน ทำให้สามารถเปรียบเทียบช่องข้อมูลแต่ละช่องระหว่างกันได้

วิธีการอ่านค่าก็มีระบุไว้ในเอกสารเช่นกัน โดยค่าสัมประสิทธิ์ที่ "เข้าใกล้ +1 หรือ -1" จะบ่งชี้ถึง "สหสัมพันธ์เชิงบวก (+1) หรือเชิงลบ (-1) ระหว่างชุดข้อมูล" ส่วนค่าที่ "เข้าใกล้ 0 จะบ่งชี้ว่าไม่มีสหสัมพันธ์หรือมีสหสัมพันธ์ที่อ่อนมาก" สำหรับแนวคิดนี้ในเวอร์ชันคู่เดียว สามารถอ่านคำอธิบายเพิ่มเติมได้ที่ คำอธิบายเกี่ยวกับค่าสัมประสิทธิ์สหสัมพันธ์

สิ่งที่คุณต้องเตรียมก่อนเริ่มต้น

• ไฟล์ส่งออกที่มีหนึ่งแถวต่อหนึ่งกลุ่มตัวอย่าง เช่น ลูกค้า, ร้านค้า, สัปดาห์, หรือแคมเปญ
• คอลัมน์ที่เป็นตัวเลขอย่างน้อย 3 คอลัมน์ หากน้อยกว่านั้น การสร้างเมทริกซ์จะเสียเวลามากกว่าได้ประโยชน์
• ความเข้าใจที่ชัดเจนว่า "กลุ่มตัวอย่าง" คืออะไร แถวต่างๆ จะต้องเป็นสิ่งประเภทเดียวกัน มิฉะนั้นค่าสัมประสิทธิ์จะไม่มีความหมายใดๆ
• การบันทึกว่าคอลัมน์ใดบ้างที่คำนวณมาจากคอลัมน์อื่น เนื่องจากรายได้และรายได้ต่อคำสั่งซื้อจะมีความสัมพันธ์กันโดยโครงสร้างอยู่แล้ว
• การตัดสินใจว่าจะจัดการกับช่องว่างอย่างไร โดยต้องกำหนดก่อนที่จะเริ่มดำเนินการใดๆ

รายการสุดท้ายนี้จะเปลี่ยนผลลัพธ์ที่ได้ ไม่ใช่แค่การนำเสนอ ซึ่งจะเป็นหัวข้อในการตรวจสอบประการที่ 2 ด้านล่าง

วิธีการทำด้วยตัวเอง

ทางเลือกที่ 1: ใช้เครื่องมือ Correlation ของ Analysis ToolPak

นี่เป็นวิธีที่สั้นที่สุดและจะสร้างเมทริกซ์ให้โดยตรง Microsoft อธิบายหน้าที่ของ Add-in นี้ว่าช่วยลดขั้นตอนการทำงาน โดยคุณเพียงแค่ "ระบุข้อมูลและพารามิเตอร์สำหรับการวิเคราะห์แต่ละครั้ง" จากนั้นเครื่องมือจะใช้ "ฟังก์ชันมาโครเพื่อคำนวณและแสดงผลลัพธ์ในตารางผลลัพธ์"

มีข้อจำกัดสองประการที่ควรทราบล่วงหน้า ประการแรก ผลลัพธ์ที่ได้จะเป็นบล็อกตัวเลขแบบคงที่ ดังนั้นมันจะไม่ อัปเดตเมื่อข้อมูลเปลี่ยนแปลง และประการที่สอง ตามเอกสารประกอบระบุว่า "ฟังก์ชันการวิเคราะห์ข้อมูลสามารถใช้ได้กับเวิร์กชีตครั้งละหนึ่งแผ่นเท่านั้น"

ทางเลือกที่ 2: เขียนตารางสูตร CORREL

ใส่ชื่อคอลัมน์ของคุณที่ด้านข้างและด้านบน จากนั้นใส่สูตร CORREL ในแต่ละช่องเพื่อเปรียบเทียบระหว่างสองช่วงข้อมูล

ข้อดีคือสูตรจะคำนวณใหม่โดยอัตโนมัติ ข้อเสียคือเรื่องของขนาด เมทริกซ์ขนาด 12 คอลัมน์หมายถึงช่องข้อมูล 144 ช่องที่มีการอ้างอิงแบบผสมทั้งแบบสัมบูรณ์และแบบสัมพัทธ์ หากลากสูตรผิดเพียงครั้งเดียวก็อาจทำให้จับคู่ผิดช่องได้โดยไม่มีข้อผิดพลาดใดๆ แสดงขึ้นมา

ทางเลือกที่ 3: คำนวณภายนอกสเปรดชีต

ไลบรารีทางสถิติต่างๆ สามารถส่งคืนค่าเมทริกซ์สหสัมพันธ์ได้ด้วยโค้ดเพียงบรรทัดเดียว และยังจัดการกับข้อมูลที่สูญหายได้อย่างชัดเจนอีกด้วย

นี่เป็นวิธีที่น่าเชื่อถือที่สุดแต่แชร์ต่อได้ยากที่สุด เพื่อนร่วมงานที่ต้องการทราบว่าทำไมสองคอลัมน์นี้ถึงมีความสัมพันธ์กันจะไม่สามารถเปิดสคริปต์ของคุณดูได้ และเมทริกซ์ที่ส่งไปก็จะเป็นเพียงรูปภาพที่นำมาวางเท่านั้น

จุดที่ทำให้วิธีการทำด้วยตัวเองล่าช้า

การคำนวณทางคณิตศาสตร์นั้นเกิดขึ้นในทันที แต่สิ่งที่ต้องใช้เวลาคือกระบวนการอื่นๆ ทั้งหมดโดยรอบ

ต้นทุนแรกคือการเลือกคอลัมน์ ไฟล์ส่งออกดิบจะมีคอลัมน์ ID, คอลัมน์วันที่ที่จัดเก็บเป็นตัวเลข และแฟล็กสถานะที่เข้ารหัสเป็น 0 และ 1 ซึ่งทั้งหมดนี้เป็นตัวเลข จึงทำให้ทั้งหมดถูกนำไปใส่ในเมทริกซ์ สหสัมพันธ์ระหว่าง ID ลูกค้ากับรายได้จึงกลายเป็นข้อมูลรบกวนที่ยังคงแสดงผลอยู่ในช่องข้อมูล

ต้นทุนที่สองคือการอ่านข้อมูล เมทริกซ์ที่มี 12 ตัวแปรจะมีคู่ที่แตกต่างกันถึง 66 คู่ที่อยู่เหนือแนวทแยง การกวาดสายตาดูตัวเลข 66 ตัวเพื่อหาคู่ที่น่าสนใจคือขั้นตอนที่ผู้คนมักจะข้ามไป ซึ่งเป็นเหตุผลว่าทำไมเมทริกซ์จึงถูกสร้างขึ้นมาแล้วถูกปล่อยทิ้งไว้โดยไม่มีใครสนใจ

ต้นทุนที่สามคือการทำซ้ำ ไม่มีใครสร้างเมทริกซ์สหสัมพันธ์เพียงอันเดียว พวกเขามักจะสร้างแยกตามกลุ่มประชากร (cohort) ตามภูมิภาค หรือตามไตรมาส และขั้นตอนการเลือกคอลัมน์ก็ต้องเริ่มต้นใหม่ทุกครั้ง

วิธีสร้างเมทริกซ์สหสัมพันธ์ด้วย Powerdrill Bloom

ขั้นตอนที่ 1: อัปโหลดไฟล์ส่งออกที่มีหนึ่งแถวต่อหนึ่งกลุ่มตัวอย่าง

ลากไฟล์ไปวางใน Powerdrill Bloom โดยไม่ต้องเลือกคอลัมน์ล่วงหน้า แผนบริการฟรีครอบคลุมการอัปโหลดไฟล์ Excel, CSV, PDF และเอกสารต่างๆ ดังนั้นคุณจึงสามารถใส่ไฟล์ส่งออกดิบเข้าไปได้โดยไม่ต้องใช้แผนบริการแบบชำระเงิน

ปล่อยคอลัมน์ ID และวันที่ไว้ตามเดิม การยกเว้นคอลัมน์เหล่านี้เป็นส่วนหนึ่งของคำสั่ง และการระบุความต้องการออกไปตรงๆ นั้นน่าเชื่อถือกว่าการลบคอลัมน์ออกเองแล้วลืมว่าลบคอลัมน์ใดไปบ้าง

ขั้นตอนที่ 2: ระบุชื่อคอลัมน์ที่ต้องการรวม และวิธีจัดการกับช่องว่าง

สั่งการด้วยภาษาธรรมชาติ ระบุรายชื่อคอลัมน์ที่เป็นการวัดผลจริง และระบุชื่อคอลัมน์ที่ต้องการยกเว้น จากนั้นระบุว่าควรลบแถวที่มีค่าสูญหายออกไป หรือควรจัดการเป็นรายคู่

ระบุด้วยว่าคอลัมน์ใดบ้างที่คำนวณมาจากคอลัมน์อื่น เมทริกซ์ที่แจ้งเตือนความสัมพันธ์ทางคณิตศาสตร์ที่เห็นได้ชัดเจนว่าเป็น "การค้นพบใหม่" จะทำให้ผู้อ่านเสียเวลาไปโดยเปล่าประโยชน์ในนาทีแรก

ขั้นตอนที่ 3: สร้างเมทริกซ์ในรูปแบบตารางและแผนภาพความร้อน (heatmap)

ขอผลลัพธ์ที่คุณต้องการ ซึ่งก็คือเมทริกซ์ในรูปแบบตารางสัมประสิทธิ์ พร้อมด้วยแผนภาพความร้อนของตารางเดียวกัน และเพิ่มรายการคู่ที่น่าสนใจสั้นๆ พร้อมขนาดกลุ่มตัวอย่าง หน้าข้อมูลราคาจะอธิบายเกี่ยวกับการได้รับคำตอบที่อ้างอิงข้อมูลจริงพร้อมแผนภูมิ ตาราง และการส่งออกข้อมูล และหน้า advanced analytics ก็มี Heatmap อยู่ในรายการการแสดงข้อมูลด้วยภาพ (visualizations)

หากต้องการนำเมทริกซ์นี้ไปใช้ในรายงานการวิเคราะห์ แผนบริการ Pro จะขยายขีดความสามารถนี้ให้รองรับการส่งออกเป็นเอกสาร Office ที่สมบูรณ์ยิ่งขึ้น

การตรวจสอบ 5 ประการที่เมทริกซ์สหสัมพันธ์ทุกอันควรผ่าน

การตรวจสอบประการที่ 1: คอลัมน์ที่จับคู่กันมีความยาวเท่ากันหรือไม่?

นี่คือสาเหตุที่พบบ่อยที่สุดที่ทำให้ช่องข้อมูลเกิดข้อผิดพลาด เอกสารประกอบของ Microsoft สำหรับฟังก์ชันนี้ระบุไว้เฉพาะเจาะจงว่า "หาก array1 และ array2 มีจำนวนจุดข้อมูลไม่เท่ากัน CORREL จะส่งคืนข้อผิดพลาด #N/A"

ในตารางที่สร้างขึ้นเอง เหตุการณ์นี้จะเกิดขึ้นเมื่อช่วงข้อมูลหนึ่งถูกลากเลยไปอีกหนึ่งแถวเมื่อเทียบกับอีกช่วงข้อมูลหนึ่ง การแก้ไขนั้นง่ายมาก แต่การสังเกตเห็นต่างหากที่เป็นเรื่องยาก เพราะข้อผิดพลาด #N/A เพียงจุดเดียวในตารางที่มีช่องข้อมูลถึง 144 ช่องนั้นมองข้ามได้ง่ายมาก

การตรวจสอบประการที่ 2: ช่องว่างและข้อความหายไปในแบบที่คุณคิดไว้หรือไม่?

พฤติกรรมสองอย่างที่มีระบุไว้ในเอกสารนั้นดำเนินไปในทิศทางที่ต่างกัน และการเข้าใจทั้งสองอย่างจะช่วยป้องกันความผิดพลาดที่เกิดขึ้นจริงได้

ฟังก์ชันนี้จะละทิ้งค่าที่ไม่ใช่ตัวเลขเป็นรายคู่ ตามข้อมูลของ Microsoft "ข้อความ, ค่าตรรกะ หรือเซลล์ว่าง" ในอาร์กิวเมนต์จะถูกละเว้น แต่ "เซลล์ที่มีค่าเป็นศูนย์จะถูกรวมเข้าไว้ด้วย" นั่นคือช่องว่างจะถูกข้ามไป แต่ศูนย์จะถูกนำมาคำนวณ

เครื่องมือ Correlation ของ ToolPak จะมีความเข้มงวดมากกว่า เอกสารประกอบระบุว่า "ข้อมูลที่สูญหายสำหรับกลุ่มตัวอย่างใดๆ จะทำให้กลุ่มตัวอย่างนั้นถูกละเว้นจากการวิเคราะห์ทั้งหมด" เซลล์ว่างเพียงเซลล์เดียวจะทำให้ทั้งแถวถูกลบออกจากทุกคู่ในเมทริกซ์

ดังนั้น ข้อมูลชุดเดียวกันอาจสร้างเมทริกซ์ที่แตกต่างกันสองแบบ ขึ้นอยู่กับวิธีที่คุณเลือกใช้ หากคอลัมน์หนึ่งมีช่องว่างจำนวนมาก วิธีการใช้ ToolPak อาจคำนวณตารางข้อมูลโดยใช้กลุ่มตัวอย่างที่น้อยกว่ามากอย่างเงียบๆ

การตรวจสอบประการที่ 3: มีคอลัมน์ใดที่มีค่าคงที่หรือไม่?

คอลัมน์ที่มีค่าเดียวกันในทุกแถวจะไม่มีความแปรผันที่จะนำมาหาความสัมพันธ์ ผลลัพธ์ที่ระบุไว้ในเอกสารคือข้อผิดพลาด หาก "ค่า s (ส่วนเบี่ยงเบนมาตรฐาน) ของค่าเหล่านั้นเท่ากับศูนย์" แล้ว "CORREL จะส่งคืนข้อผิดพลาด #DIV/0!"

ปัญหานี้เกิดขึ้นบ่อยกว่าที่คิด แฟล็กสถานะที่เป็นจริง (true) เสมอในช่วงเวลาที่คุณส่งออกข้อมูล หรือค่าธรรมเนียมที่ไม่มีการเปลี่ยนแปลง ทั้งสองกรณีนี้จะแสดงพฤติกรรมในลักษณะดังกล่าว

การตรวจสอบประการที่ 4: คุณได้ดูที่รูปร่างของข้อมูล ไม่ใช่แค่ตัวเลขหรือไม่?

ค่าสัมประสิทธิ์จะวัดความสม่ำเสมอในการเคลื่อนที่ไปด้วยกันของสองคอลัมน์ในแนวเส้นตรง ความสัมพันธ์ในลักษณะที่เพิ่มขึ้นแล้วลดลงอาจมีค่าเข้าใกล้ศูนย์ ทั้งที่ความสัมพันธ์นั้นแข็งแกร่งและเห็นได้ชัดเจนเมื่อนำไปพล็อตเป็นกราฟ

ดังนั้น ช่องข้อมูลที่เข้าใกล้ศูนย์จึงไม่ใช่ข้อพิสูจน์ว่าข้อมูลเป็นอิสระต่อกัน แต่มันเป็นเพียงการระบุถึงความสัมพันธ์ในแนวเส้นตรงเท่านั้น ควรพล็อตคู่ข้อมูลสองหรือสามคู่ที่คุณสนใจก่อนที่จะสรุปผลใดๆ และตรวจสอบว่ามีแถวข้อมูลที่มีค่าสุดโต่ง (extreme values) เพียงไม่กี่แถวที่ดึงค่าสัมประสิทธิ์ให้สูงขึ้นหรือไม่ คู่มือ outlier guide จะครอบคลุมถึงขั้นตอนดังกล่าว

การตรวจสอบประการที่ 5: คุณได้คำนึงถึงจำนวนคู่ข้อมูลที่คุณดูแล้วหรือยัง?

เมทริกซ์ขนาด 10 คอลัมน์จะมีคู่ข้อมูลที่แตกต่างกัน 45 คู่ เมทริกซ์ขนาด 12 คอลัมน์จะมี 66 คู่ หากคุณกวาดสายตาดูคู่ข้อมูลจำนวนมากพอ ก็อาจมีบางคู่ที่ดูเหมือนมีความสัมพันธ์ที่แข็งแกร่งโดยไม่มีเหตุผลสมควร

นิสัยสองประการที่จะช่วยแก้ไขปัญหานี้ได้คือ ให้ตัดสินใจก่อนว่าคุณคาดหวังจะเห็นความสัมพันธ์ใดก่อนที่จะอ่านตารางข้อมูล และมองความสัมพันธ์ที่เหลือเป็นเพียงตัวเลือกที่น่าสนใจแทนที่จะเป็นข้อค้นพบจริง และให้บันทึกขนาดกลุ่มตัวอย่างไว้ข้างๆ ค่าสัมประสิทธิ์ใดๆ ที่คุณวางแผนจะนำไปอ้างอิง เพราะ ความนัยสำคัญทางสถิติ (statistical significance) ขึ้นอยู่กับสิ่งนี้

สิ่งที่วิธีนี้ช่วยประหยัดได้

งาน	ทำด้วยตัวเอง	จากไฟล์ส่งออกที่อัปโหลด
การยกเว้นคอลัมน์ ID, วันที่ และแฟล็ก	ต้องทำเอง และทำใหม่ทุกครั้งที่รัน	ระบุเพียงครั้งเดียวในคำสั่ง
การสร้างตารางข้อมูล	ใช้สูตร 144 สูตร หรือบล็อก ToolPak แบบคงที่	เป็นส่วนหนึ่งของคำถามที่คุณถาม
การใช้กฎจัดการข้อมูลที่สูญหายเพียงกฎเดียว	ขึ้นอยู่กับวิธีที่คุณเลือกใช้	ระบุไว้อย่างชัดเจน
การคัดเลือกคู่ข้อมูลที่น่าสนใจ	กวาดสายตาดูช่องข้อมูล 45 ถึง 66 ช่องด้วยตัวเอง	ส่งคืนมาพร้อมกับเมทริกซ์
การสร้างเวอร์ชันของไตรมาสถัดไป	ต้องเริ่มขั้นตอนการเลือกคอลัมน์ใหม่	ใช้คำสั่งเดิมกับไฟล์ใหม่

แนวทางปฏิบัติที่ดีที่สุด

รายงานค่าสัมประสิทธิ์พร้อมกับขนาดกลุ่มตัวอย่าง ช่องข้อมูลที่แสดงค่า 0.7 จากข้อมูล 11 แถว ไม่ได้มีความน่าเชื่อถือเท่ากับค่า 0.7 จากข้อมูล 11,000 แถว

ลบคู่ข้อมูลใดๆ ที่สร้างขึ้นมาจากอีกข้อมูลหนึ่งออกไปหนึ่งตัว คอลัมน์ที่คำนวณมาจะทำให้เมทริกซ์ขยายใหญ่ขึ้นด้วยความสัมพันธ์ที่คุณรู้อยู่แล้ว

แสดงเมทริกซ์ในรูปแบบแผนภาพความร้อนสำหรับการกวาดสายตา และแสดงเป็นตารางสำหรับการนำไปอ้างอิง แผนภาพความร้อนจะช่วยค้นหารูปแบบ ส่วนตารางจะให้ตัวเลขที่ผู้อื่นสามารถนำไปคัดลอกและวางลงในเอกสารได้

อย่าปล่อยให้เมทริกซ์เป็นตัวเลือกโมเดล การเลือกตัวแปรพยากรณ์จากความสัมพันธ์ที่แข็งแกร่งที่สุดคือสาเหตุที่ทำให้ตัวแปรที่มีความสัมพันธ์กันเอง (collinear variables) ถูกเลือกเข้ามาพร้อมกัน Regression analysis คือเครื่องมือที่เหมาะสมสำหรับคำถามนี้

เขียนรายการที่ยกเว้นไว้ข้างๆ เมทริกซ์ คำถามที่สองของผู้อ่านมักจะเป็นคำถามที่ว่ามีคอลัมน์ใดบ้างที่ถูกคัดออกไป

บทสรุป

เมทริกซ์สหสัมพันธ์นั้นคำนวณได้ง่ายและมักจะถูกตีความเกินจริงได้ง่าย Excel มีทั้งสองวิธีในการสร้าง และทั้งสองวิธีนี้มีแนวทางจัดการกับข้อมูลที่สูญหายแตกต่างกัน ซึ่งเป็นเรื่องที่มีระบุไว้ในเอกสารแต่ไม่ค่อยมีใครสังเกตเห็น

คุณค่าของมันอยู่ที่การตรวจสอบ 5 ประการมากกว่าตัวตารางข้อมูล ได้แก่ คู่ข้อมูลที่มีความยาวเท่ากัน, กฎการจัดการช่องว่างที่ชัดเจน, ไม่มีคอลัมน์ที่มีค่าคงที่, การพิจารณารูปร่างที่แท้จริงของข้อมูล และความซื่อสัตย์เกี่ยวกับจำนวนคู่ข้อมูลที่คุณได้กวาดสายตาดู

หากคุณมีไฟล์ส่งออกแต่ไม่อยากวุ่นวายกับตารางขนาด 144 ช่อง ลองใช้ Powerdrill Bloom กับไฟล์ดิบของคุณดูสิ วิธีการใช้ Excel AI assistant จะเหมาะอย่างยิ่งสำหรับข้อมูลที่อยู่ในเวิร์กบุ๊กอยู่แล้ว

คำถามที่พบบ่อย

เมทริกซ์สหสัมพันธ์คืออะไร?

มันคือตารางที่แสดงค่าสัมประสิทธิ์สหสัมพันธ์สำหรับตัวแปรตัวเลขทุกคู่ในชุดข้อมูล เอกสารประกอบของ Microsoft อธิบายผลลัพธ์ของ Analysis ToolPak ว่าเป็นเมทริกซ์สหสัมพันธ์ที่แสดงค่า CORREL หรือ PEARSON ที่ใช้กับแต่ละคู่ที่เป็นไปได้ทั้งหมด ซึ่งจะมีประโยชน์มากที่สุดเมื่อคุณมีตัวแปรวัดผลมากกว่าสองตัวแปรขึ้นไป

ฉันจะสร้างเมทริกซ์สหสัมพันธ์ใน Excel ได้อย่างไร?

มีสองวิธีด้วยกัน วิธีแรกคือ Analysis ToolPak มีเครื่องมือ Correlation ที่จะเขียนเมทริกซ์ลงในตารางผลลัพธ์ อีกวิธีหนึ่งคือการสร้างตารางสูตร CORREL ซึ่งจะคำนวณใหม่โดยอัตโนมัติแต่ต้องใช้ช่องข้อมูลจำนวนมากและต้องอ้างอิงสูตรอย่างระมัดระวัง

Excel จัดการกับค่าที่สูญหายในการหาความสัมพันธ์อย่างไร?

ขึ้นอยู่กับวิธีที่คุณเลือกใช้ ฟังก์ชัน CORREL จะละเว้นข้อความ, ค่าตรรกะ และเซลล์ว่าง แต่จะรวมค่าศูนย์เข้าไว้ด้วย ส่วนเครื่องมือ Correlation ของ ToolPak จะลบกลุ่มตัวอย่างใดๆ ที่มีข้อมูลสูญหายออกจากการวิเคราะห์ทั้งหมด

ค่าเท่าใดจึงจะถือว่ามีความสัมพันธ์ที่แข็งแกร่ง?

คำแนะนำของ Microsoft จะเน้นไปที่ทิศทางมากกว่าตัวเลขที่แน่นอน ค่าที่เข้าใกล้ +1 หรือ -1 จะบ่งชี้ถึงสหสัมพันธ์เชิงบวกหรือเชิงลบที่แข็งแกร่งกว่า ส่วนค่าที่เข้าใกล้ 0 จะบ่งชี้ว่าไม่มีสหสัมพันธ์หรือมีสหสัมพันธ์ที่อ่อน เกณฑ์ที่กำหนดไว้ตายตัวใดๆ จะขึ้นอยู่กับสาขาวิชาและขนาดกลุ่มตัวอย่างของคุณ

สหสัมพันธ์ที่สูงหมายความว่าตัวแปรหนึ่งเป็นสาเหตุของอีกตัวแปรหนึ่งใช่หรือไม่?

ไม่ใช่ ค่าสัมประสิทธิ์จะอธิบายเพียงความสม่ำเสมอในการเคลื่อนที่ไปด้วยกันของสองคอลัมน์เท่านั้น โดยไม่ได้บอกอะไรเกี่ยวกับทิศทางหรือกลไกความเป็นเหตุเป็นผล ปัจจัยที่สามที่ขับเคลื่อนทั้งสองตัวแปร หรือคอลัมน์ที่คำนวณมาจากอีกคอลัมน์หนึ่ง ก็สามารถสร้างค่าที่แสดงผลออกมาในลักษณะเดียวกันได้