Correlazione di concordanza (CCC di Lin)

Questo calcolatore del coefficiente di correlazione di concordanza ottiene il CCC di Lin tra due elenchi di numeri di uguale lunghezza. A differenza della r di Pearson, che valuta solo l’associazione lineare, il CCC chiede se i punti si collocano vicino alla retta y uguale a x: precisione e accuratezza insieme. Lei ottiene la numerosità campionaria appaiata n, il coefficiente CCC, la r di Pearson quando entrambe le serie variano, le medie di x e y, le varianze e la covarianza con divisore 1/n, il fattore di correzione del bias di Lin e la differenza delle medie. Controlli classici: serie identiche da uno a cinque su entrambi gli assi, concordanza perfetta CCC uguale a uno; e y perfettamente correlata ma scalata o traslata, che mantiene r vicino a uno mentre il CCC scende sotto uno. Il motore usa solo un algoritmo deterministico a due passate: nessuna rete, nessun campionamento casuale e nessun scorciatoia dipendente dalla data.

Cosa misura il CCC di Lin e cosa contiene la risposta

Il coefficiente di correlazione di concordanza di Lin unisce precisione e accuratezza in un solo numero che risponde a una domanda pratica: quanto concordano due misure appaiate se l’accordo perfetto significa che ogni coppia cade sulla retta identità y uguale a x.

La correlazione prodotto-momento di Pearson può riportare r uguale a uno quando y è una versione scalata o traslata di x, eppure quelle coppie si discostano sistematicamente dalla retta identità; il CCC penalizza quel bias di posizione o di scala tramite il quadrato della differenza delle medie e i termini di varianza al denominatore.

Note le medie di x e y, il motore forma i momenti di varianza e covarianza con 1/n e restituisce il CCC come il doppio della covarianza sulla somma delle due varianze più il quadrato della differenza delle medie. Un valore vicino a più uno indica che le serie si muovono insieme e restano vicino alla retta identità; vicino a zero o negativo, il disaccordo è grande rispetto alla dispersione congiunta.

Vengono rifiutati un campo x o y mancante, elenchi vuoti, meno di due coppie, ingressi non finiti come Infinity o NaN, token non numerici, lunghezze disuguali e array più lunghi del massimo pubblicato. La regola di uguale lunghezza è intenzionale: elenchi disuguali inventerebbero accoppiamenti assenti nei dati.

Se Le serve solo la r di Pearson senza la penalità di accordo, usi lo strumento di correlazione dedicato; questa pagina risponde solo al CCC di Lin per due serie numeriche con output in virgola mobile esatto e memorizzabile in cache, adatto a fogli di calcolo, test unitari e pipeline di validazione di saggi che devono ottenere lo stesso CCC a ogni esecuzione.

Dove la correlazione di concordanza si colloca in laboratorio, studio e prodotto

Gli studenti incontrano il CCC quando un’unità di biostatistica contrappone correlazione e accordo, quando un laboratorio di metodi confronta due saggi o due strumenti sugli stessi campioni, o quando serve un controllo pulito rispetto a una calcolatrice che stampa solo la r di Pearson e nasconde il bias sistematico. I docenti possono pre-generare chiavi di risposta per serie appaiate modeste senza affidarsi ad app opache che scartano coppie su celle mancanti o passano in silenzio tra convenzioni di momenti n e n meno uno.

Gli sviluppatori chiamano lo stesso contratto da script per seminare vettori di test deterministici, validare pipeline di fusione sensori che richiedono misure vicine alla retta identità, o soddisfare gate di qualità dei dati che segnalano coppie il cui CCC crolla quando un canale acquisisce un fattore di scala. Gli analisti usano il CCC accanto a grafici di Bland–Altman e riassunti residuali: una r di Pearson alta con un CCC modesto è il segnale classico di associazione forte ma accordo insufficiente.

I team di prodotto e operations monitorano la concordanza tra due sonde di latenza, due motori di prezzo o due score di raccomandazione per cogliere derive silenziose che una dashboard di sola correlazione perderebbe. Lo abbini allo strumento di correlazione di Pearson quando serve solo associazione lineare, e alla regressione lineare quando servono pendenza e intercetta invece di un punteggio di accordo con la retta identità.