Korrelatsiooniteooria käsitleb korrelatsioonanalüüsi ja sellega vahetult seotud regressioonanalüüsi meetodeid. Eristatakse korrelatiivseid seoseid kahe nähtuse vahel ehk paariskorrelatsiooni ning korrelatiivseid seoseid mitme nähtuse vahel ehk mitmest korrelatsiooni. Mitmese korrelatsiooni puhul on võimalik hinnata resultaatnähtuse seost iga faktornähtusega eraldi ja ka koos. Vastavalt sellele eristatakse ka üld- ja osakorrelatsiooni. Kahe nähtuse (ehk õigemini neid iseloomustavate muutujate) vahelisi korrelatiivseid seoseid uurides iseloomustatakse neid kolmest põhilisest küljest, kõneldes vastavalt: 1. seose rangusest ehk tugevusest; 2. seose kujust ja 3. seose suunast. 43. Fechner’i hälbimissuundade kooskõlakordaja Fechneri korrelatsioonikordaja/Fechneri hälbimissuundade kooskõla kordaja Fechner võttis kasutusele lihtsa seose näitarvu, mis iseloomustab seose rangust ja suunda:
Nt: Ülesanne 12. Vaadake eelmises analüüsis PISA tulemuste, demokraatiindeksi ning GDP omavahelisi korrelatsioone. Kui suured nad on? Kas nad on statistiliselt olulised? Kuivõrd PISA tulemusi võib ennustada vaimne võimekus, mis siinses andmefailis on IQ ehk riigi keskmine intelligentsuskoefitsient, saame IQ skoori kontrolli alla võtta, et vaadata, kui suured on PISA, demokraatiaindeksi ning GDP omavahelised korrelatsioonid. Teostame osakorrelatsiooni-analüüsi. 9. PRAKTIKUM: 1) LINEAARNE (PAARIS)REGRESSIOON Regressioon on korrelatiivne protseduur, mis võimaldab tulemuse väärtusi korrelatsiooni alusel mingi teise muutujaga ennustada (Elmes, Kantowitz, & Roediger, 2013: lk 1351). Korrelatsioon ja regressioon on olemuselt üsna sarnased mõisted; arvuliselt on tegelikult Pearsoni r, mis väljendab kahe muutuja (nt X ja Y) vahelist
Lineaarse korrelatsioonikordaja väärtus võrdub ruutjuurega determinatsioonikordajast. Determinatsioonikordaja näitab argumendi X võimet kirjeldada uuritava suuruse Y hajuvust. x korrelatsioonikoefitsientide statistilise olulisuse kontroll (Studenti t-kriteerium, Fisheri F-kriteerium, korrelatsioonikoefitsiendi kriitilise väärtuse leidmine) ja usaldusintervallide arvutamine x osakorrelatsiooni uurimine (teguri puhasmõju) x multikollineaarsuse kontroll ja vähendamise võimalused (mudeli sõltumatute liikmete vahel on kollineaarne seos palk ja sissetulek) x ajanihke (viitaja) mõju selgitamine (teguri mõju avaldub hiljem) x regressioonimudelisse lülitatavate tegurite valimine. 5. Resultaatnäitaja regressioonimudeliks sobiva funktsioonitüübi valimine, mudeli parameetrite leidmine ja
annaabi.ee 
