ضریب اسپیرمن در برابر تاوی کندال: بده‌بستان‌های ریاضی در همبستگی رتبه‌ای

کتاب‌های مرجع آمار و بسته‌های نرم‌افزاری، اغلب ضریب همبستگی رتبه‌ای اسپیرمن (Spearman) و ضریب همبستگی رتبه‌ای کندال (Kendall) را به عنوان ابزارهایی قابل‌تعویض معرفی می‌کنند. وقتی یک مجموعه داده نمی‌تواند پیش‌فرض نرمال بودن را برای همبستگی استاندارد پیرسون برآورده کند، پژوهشگران معمولاً یکی از این دو گزینه ناپارامتریک را انتخاب می‌کنند، با این فرض که هر دو استنتاج‌های یکسانی درباره روابط یکنوا (monotonic) به دست می‌دهند.[2][3]

اما شواهد ریاضی مستقیماً این فرضِ قابل‌تعویض بودن را رد می‌کند. اگرچه هر دو ضریب، ارتباط ترتیبی را ارزیابی کرده و مقادیری بین ۱- و ۱+ برمی‌گردانند، اما معماری زیربنایی آن‌ها ناهماهنگی‌های داده‌ها را به روش‌های کاملاً متفاوتی جریمه می‌کند. همان‌طور که در تعریف پایه‌ای آمده است: «همبستگی اسپیرمن بین دو متغیر، برابر با همبستگی پیرسون بین مقادیر رتبه‌ای آن دو متغیر است.» این یعنی مکانیزم اسپیرمن بر محاسبه مجذور تفاضل بین رتبه‌ها استوار است.[1][2]

تاوی کندال (Kendall's Tau) که در سال ۱۹۳۸ توسط موریس کندال توسعه یافت، رویکردی کاملاً متفاوت در پیش می‌گیرد. این روش به جای اندازه‌گیری فاصله، توافق‌های جفتی را می‌شمارد. تاوی کندال به عنوان «یک معیار ناپارامتریک برای روابط بین ستون‌های داده‌های رتبه‌بندی‌شده» تعریف می‌شود که بر فرمول (C - D) / (C + D) تکیه دارد؛ جایی که C تعداد جفت‌های هماهنگ (concordant) و D تعداد جفت‌های ناهماهنگ (discordant) است. همین تفاوت ساختاری است که نحوه واکنش هر ضریب به داده‌های نویزدار را دیکته می‌کند.[1][3]

از آنجا که فرمول اسپیرمن بر مجموع مجذور تفاضل رتبه‌ها ضرب در ۶ و تقسیم بر n(n² - 1) استوار است، یک داده پرتِ شدید که مشاهدات را ۵۰ رتبه جابه‌جا کند، جریمه ریاضی معادل ۲۵۰۰ به همراه خواهد داشت. اما تاوی کندال هر جفت را به صورت جداگانه ارزیابی می‌کند؛ همان داده پرت صرفاً به عنوان ۴۹ جفت ناهماهنگ نسبت به بقیه شمرده می‌شود و به این ترتیب، تأثیر آن بر آماره نهایی به شدت محدود می‌گردد.[2][3]

در سال ۲۰۱۰، تحلیلی توسط دو آمارشناس به نام‌های کریستوف کروکس (Christophe Croux) و کاترین دهون (Catherine Dehon) با بررسی توابع تأثیر هر دو معیار، این واگرایی را کمی‌سازی کرد. مطالعه آن‌ها نشان داد که اگرچه هر دو برآوردگر در مقایسه با پیرسون در مدل نرمال، کارایی آماری «بالای ۷۰ درصد برای تمام مقادیر ممکن همبستگی جامعه» را حفظ می‌کنند، اما تاوی کندال به طور یکنواخت از حساسیت کمتری نسبت به خطای فاحش (gross-error) برخوردار است.[4]

از نظر تاریخی، پیچیدگی محاسباتی بود که پژوهشگران را به سمت ضریب اسپیرمن سوق داد. الگوریتم کلاسیک برای تاوی کندال نیازمند مقایسه هر جفتِ ممکن از مشاهدات است که به یک بار محاسباتی O(n²) منجر می‌شود؛ مقیاسی که در مجموعه داده‌های عظیم عملکرد ضعیفی دارد. در مقابل، ضریب اسپیرمن با پیچیدگی بسیار سریع‌ترِ O(n log n) عمل می‌کند که آن را به انتخاب پیش‌فرض نرم‌افزارهای آماری اولیه تبدیل کرده بود.[2]

با این حال، پیشرفت‌های الگوریتمی مدرن تا حد زیادی این مزیت تاریخی را از بین برده‌اند. تا سال ۲۰۲۶، الگوریتم‌های مرتب‌سازی مبتنی بر درختِ بهینه‌شده و افزونه‌های اصلاح‌کننده رتبه‌های برابر، اجازه می‌دهند تاوی کندال در زمان O(n log n) محاسبه شود؛ پیشرفتی که استقرار آن را در مقیاس گراف‌های وب و سری‌های زمانی مالی با فرکانس بالا ممکن می‌سازد. با حذف جریمه محاسباتی، انتخاب بین این دو روش اکنون کاملاً به ویژگی‌های آماری آن‌ها بستگی دارد.

نحوه تفسیر این ضرایب نیز آن‌ها را از یکدیگر متمایز می‌کند. ضریب اسپیرمنِ ۰٫۶۰ فاقد یک ترجمه مستقیمِ احتمالی است؛ این عدد صرفاً یک روند یکنوای متوسط را نشان می‌دهد. اما تاوی کندالِ ۰٫۶۰ یک احتمال واقعی را ارائه می‌دهد: اگر دو مشاهده تصادفی را از یک مجموعه داده با ۱۰ هزار رکورد استخراج کنید، شانس اینکه آن‌ها در یک جهت حرکت کنند دقیقاً ۶۰ واحد درصد بیشتر از شانس حرکت آن‌ها در جهات مخالف است.[2][3]

این تفسیر مستقیم احتمالی، تاوی کندال را در زمینه‌هایی مانند یادگیری ماشین و مدیریت ریسک، جایی که پژوهشگران نیاز به کمی‌سازی دقیق احتمال توافق رتبه‌ها دارند، به‌ویژه ارزشمند می‌سازد. با وجود این مزیت ریاضی، ضریب اسپیرمن همچنان معیاری است که بیشتر آموزش داده می‌شود؛ موضوعی که عمدتاً به دلیل سهولت محاسباتی تاریخی آن و شباهت مفهومی‌اش با همبستگی پیرسون است.[2]

وجود رتبه‌های برابر (tied ranks) — جایی که چندین مشاهده دقیقاً مقدار یکسانی دارند — اغلب تصمیم نهایی بین این دو معیار را دیکته می‌کند. هنگام تحلیل یک مجموعه داده با ۵۰۰ مشاهده که ۱۵۰ مورد از آن‌ها مقدار کاملاً یکسانی دارند، ضریب اسپیرمن نیازمند تخصیص رتبه‌های کسری به تمام موارد برابر است. اما تاوی کندال انواع خاصی مانند Tau-B برای جداول مربعی و Tau-C برای جداول مستطیلی ارائه می‌دهد که مخرج کسر را به طور ذاتی تنظیم می‌کنند. وقتی یک مجموعه داده حاوی خوشه‌بندی سنگینی باشد، احتمال جفتیِ کندال بازتاب بسیار پایدارتری از ارتباط زیربنایی ارائه می‌دهد تا آنچه جریمه مجذور فاصله هرگز بتواند فراهم کند.[1][2]