Konkordanz-Korrelation (Lins CCC)

Dieser Rechner für den Konkordanz-Korrelationskoeffizienten ermittelt Lins CCC zwischen zwei Zahlenlisten gleicher Länge. Anders als Pearsons r, das nur lineare Assoziation bewertet, fragt der CCC, ob die Punkte nahe der Geraden y gleich x liegen: Präzision und Genauigkeit gemeinsam. Sie erhalten die gepaarte Stichprobengröße n, den Koeffizienten CCC, Pearsons r wenn beide Reihen streuen, die Mittelwerte von x und y, Varianzen und Kovarianz mit Divisor 1/n, Lins Bias-Korrekturfaktor und die Mittelwertdifferenz. Klassische Prüfungen: identische Reihen eins bis fünf auf beiden Achsen mit perfekter Konkordanz CCC gleich eins; und ein perfekt korreliertes, aber skaliertes oder verschobenes y, das r nahe eins hält, während CCC unter eins fällt. Die Engine nutzt nur einen deterministischen Zwei-Pass-Algorithmus: kein Netz, keine Zufallsstichproben und keine datumsabhängigen Abkürzungen.

Was Lins CCC misst und was die Antwort enthält

Lins Konkordanz-Korrelationskoeffizient verbindet Präzision und Genauigkeit zu einer Zahl, die eine praktische Frage beantwortet: wie gut stimmen zwei gepaarte Messungen überein, wenn perfekte Übereinstimmung bedeutet, dass jedes Paar auf der Identitätsgeraden y gleich x liegt. Pearsons Produkt-Moment-Korrelation kann r gleich eins melden, wenn y eine skalierte oder verschobene Version von x ist, und dennoch verfehlen diese Paare systematisch die Identitätsgerade; der CCC bestraft diesen Lage- oder Skalen-Bias über das Quadrat der Mittelwertdifferenz und die Varianzterme im Nenner.

Nach den Mittelwerten von x und y bildet die Engine 1/n-Varianz- und Kovarianzmomente und liefert CCC als das Doppelte der Kovarianz über die Summe der beiden Varianzen plus das Quadrat der Mittelwertdifferenz. Ein Wert nahe plus eins bedeutet, dass die Reihen gemeinsam laufen und nahe der Identitätsgeraden liegen; nahe null oder negativ ist die Abweichung groß relativ zur gemeinsamen Streuung. Abgelehnt werden fehlende x- oder y-Felder, leere Listen, weniger als zwei Paare, nicht-endliche Einträge wie Infinity oder NaN, nicht-numerische Token, ungleiche Längen und Arrays länger als das veröffentlichte Maximum.

Die Regel gleicher Länge ist beabsichtigt: ungleiche Listen würden Paarungen erfinden, die nicht in den Daten stecken. Wenn Sie nur Pearsons r ohne Übereinstimmungsstrafe brauchen, nutzen Sie das dedizierte Korrelationswerkzeug; diese Seite beantwortet nur Lins CCC für zwei numerische Reihen mit exakter, cachebarer Gleitkomma-Ausgabe, geeignet für Tabellen, Unit-Tests und Assay-Validierungspipelines, die bei jedem Lauf denselben CCC liefern müssen.

Wo Konkordanzkorrelation in Labor, Studium und Produktarbeit passt

Studierende begegnen dem CCC, wenn eine Biostatistik-Einheit Korrelation und Übereinstimmung gegenüberstellt, wenn ein Methodenlabor zwei Assays oder zwei Instrumente an denselben Proben vergleicht, oder wenn ein sauberer Check gegen einen Rechner nötig ist, der nur Pearsons r druckt und systematischen Bias versteckt. Lehrkräfte können Antwortschlüssel für bescheidene gepaarte Reihen vorab erzeugen, ohne undurchsichtigen Apps zu vertrauen, die Paare bei fehlenden Zellen verwerfen oder still zwischen Momentkonventionen n und n minus eins wechseln.

Entwickler rufen denselben Vertrag aus Skripten auf, um deterministische Testvektoren zu säen, Sensorfusions-Pipelines zu validieren, die Messungen nahe der Identitätsgeraden verlangen, oder Datenqualitätsgates zu erfüllen, die Paare markieren, deren CCC einbricht, wenn ein Kanal einen Skalenfaktor erhält. Analysten nutzen CCC neben Bland–Altman-Diagrammen und Residualzusammenfassungen: ein hohes Pearsons r bei bescheidenem CCC ist das klassische Signal starker Assoziation, aber unzureichender Übereinstimmung. Produkt- und Operationsteams beobachten Konkordanz zwischen zwei Latenzsonden, zwei Preis-Engines oder zwei Empfehlungs-Scores, um stille Drift zu fangen, die ein reines Korrelations-Dashboard übersehen würde.

Kombinieren Sie ihn mit dem Pearson-Korrelationswerkzeug, wenn Sie nur lineare Assoziation brauchen, und mit linearer Regression, wenn Sie Steigung und Achsenabschnitt statt eines Übereinstimmungs-Scores zur Identitätsgeraden benötigen.