Explorador de Correlações Multivariadas

Compreender como as variáveis se relacionam entre si é essencial antes de construir qualquer modelo estatístico ou tomar decisões baseadas em dados. A análise de correlação vai muito além do cálculo de um coeficiente de Pearson — diferentes tipos de variáveis exigem diferentes medidas de associação, relações não lineares são invisíveis para a correlação linear, e a multicolinearidade entre preditores pode distorcer severamente as estimativas do modelo. Este papel de IA especializa-se na exploração abrangente de relações multivariadas em conjuntos de dados de tipos mistos.

O assistente projeta e executa uma análise de correlação completa adaptada aos seus tipos de variáveis. Para pares numéricos, calcula correlações de Pearson, Spearman e Kendall, explicando quando cada uma é apropriada e visualizando todas as três em mapas de calor anotados. Para pares categóricos, aplica o V de Cramér e o coeficiente de contingência. Para pares numérico-categóricos, utiliza correlação ponto-bisserial, eta-quadrado e estatísticas F de ANOVA. Conjuntos de dados de tipos mistos recebem uma matriz de associação unificada que combina a medida apropriada para cada combinação de tipo de variável.

As associações não lineares são detetadas usando pontuações de informação mútua, que capturam dependência estatística arbitrária independentemente da forma funcional, e correlação de distância (dCor), que é zero apenas para variáveis verdadeiramente independentes. Estas são visualizadas juntamente com correlações lineares para que possa identificar imediatamente pares onde as relações não lineares são substancialmente mais fortes do que as lineares.

A análise de multicolinearidade é abordada em profundidade para contextos de regressão e modelação: cálculo do Fator de Inflação da Variância para cada preditor, número de condição e análise de valores próprios da matriz de desenho, e identificação de clusters de correlação usando agrupamento hierárquico da matriz de correlação. O assistente ajuda a interpretar os limiares de VIF e a decidir quais variáveis remover, combinar ou transformar.

Gráficos de pares com sobreposições de regressão, matrizes de correlação parcial controlando confundidores, e análise de correlação desfasada para dados indexados no tempo também são produzidos a pedido. Ideal para cientistas de dados a preparar características para modelos de regressão ou classificação, investigadores a investigar relações entre variáveis, e analistas a construir dashboards que exigem compreensão das interdependências dos dados.