# ทำฮีตแมปสหสัมพันธ์ที่พร้อมตีพิมพ์

> อัปโหลดตารางตัวแปร แล้ว Yila จะเลือกวิธีหาสหสัมพันธ์ที่เหมาะสม ปรับแก้ตามจำนวนการทดสอบ เรียงตัวแปรให้เห็นรูปแบบ และบันทึกรูปพร้อมเมทริกซ์ฉบับเต็มและสคริปต์

URL: https://yila.ai/th/playbooks/correlation-heatmap

## สิ่งที่คุณจะได้รับ

- **ฮีตแมป** (PNG + SVG): สเกลสีสองขั้วที่มีศูนย์อยู่กึ่งกลาง แสดงค่าสัมประสิทธิ์ในทุกช่อง ทำเครื่องหมายคู่ที่มีนัยสำคัญ และเรียงตัวแปรตามการจัดกลุ่ม
- **เมทริกซ์สหสัมพันธ์** (CSV): ค่าสัมประสิทธิ์ทุกค่าในรูปตาราง ที่นำไปอ้างอิงหรือใช้ทำรูปอื่นต่อได้
- **ค่า p ที่ปรับแก้แล้ว** (CSV): ค่า p ดิบและค่า p ที่ปรับแก้แล้วของทุกคู่ เรียงตามความแรงของสหสัมพันธ์ พร้อมระบุวิธีปรับแก้ที่ใช้
- **สคริปต์** (สคริปต์ Python): การวิเคราะห์ทั้งหมดเป็นภาษา Python (หรือ R หากต้องการ) จึงสร้างรูปใหม่จากข้อมูลชุดใหม่ได้

## ขั้นตอนการทำงาน

1. **อัปโหลดตารางและเลือกตัวแปร**: ส่งไฟล์ CSV หรือ Excel ให้ Yila แล้วบอกว่าจะใช้ตัวแปรใดบ้าง หรือให้ Yila ใช้ทุกคอลัมน์ที่เป็นตัวแปรต่อเนื่อง
2. **Yila ตรวจตัวแปรก่อน**: Yila ดูการแจกแจงและจำนวนค่าที่ขาดหาย เพื่อให้ตัวแปรที่เบ้หรือเป็นมาตราอันดับได้ใช้สหสัมพันธ์แบบอันดับ และไม่เผลอนำตัวแปรสองค่ามาปนด้วย
3. **รับรูป ตาราง และสคริปต์**: Yila สร้างภาพฮีตแมป ตรวจว่าตัวอักษรอ่านได้ชัด แล้วบันทึกพร้อมตารางทั้งสองและสคริปต์ หากต้องการแสดงเฉพาะสามเหลี่ยมล่าง เปลี่ยนชุดสี หรือใช้วิธีปรับแก้อื่น ขอได้ในบทสนทนาเดียวกัน

## เหมาะสำหรับ

- **สำรวจชุดข้อมูลใหม่**: เห็นได้ทันทีว่าค่าวัดใดเปลี่ยนแปลงไปด้วยกัน ก่อนวางแผนสร้างแบบจำลอง
- **ตรวจภาวะร่วมเส้นตรง (collinearity)**: หาตัวแปรทำนายที่สัมพันธ์กันมากเกินกว่าจะใส่ในสมการถดถอยเดียวกัน
- **รูปในเอกสารเสริม**: ภาพรวมสหสัมพันธ์ที่ชัดเจน ซึ่งผู้ทรงคุณวุฒิมักขอให้แนบมากับผลการศึกษาหลัก

## คำถามที่พบบ่อย

### ควรใช้ Pearson หรือ Spearman

Pearson วัดความสัมพันธ์เชิงเส้นและเหมาะกับตัวแปรที่แจกแจงใกล้เคียงปกติ ส่วน Spearman คำนวณจากอันดับ จึงปลอดภัยกว่าสำหรับข้อมูลที่เบ้ มีค่าผิดปกติ หรือเป็นมาตราอันดับ หากคุณไม่ได้เลือก Yila จะดูการแจกแจงแล้วอธิบายเหตุผลที่เลือก ค่าตรวจทางห้องปฏิบัติการทางคลินิกอย่างในตัวอย่างนี้มักเบ้ จึงใช้ Spearman

### ทำไมต้องปรับแก้การทดสอบหลายครั้ง

เมื่อมีตัวแปรมาก ก็ต้องทดสอบหลายคู่ และบางคู่จะดูมีนัยสำคัญเพียงเพราะความบังเอิญ การปรับแก้อัตราการค้นพบเท็จ (false discovery rate) เช่น Benjamini–Hochberg ช่วยควบคุมปัญหานี้ Yila ทำเครื่องหมายเฉพาะคู่ที่ยังมีนัยสำคัญหลังปรับแก้ และให้ค่า p ดิบมาด้วย

### การเรียงตามการจัดกลุ่มมีประโยชน์อย่างไร

ตัวแปรที่สัมพันธ์กันจะถูกวางไว้ติดกัน จึงเห็นกลุ่มค่าวัดที่เกี่ยวข้องกันเป็นบล็อก หากต้องการลำดับตายตัว ให้ระบุตัวแปรตามลำดับที่ต้องการ

### ใช้กับตัวแปรจำนวนมากได้ไหม

ได้ เมื่อมีตัวแปรหลายสิบตัว Yila จะไม่พิมพ์ค่าสัมประสิทธิ์ในช่อง หรือแสดงเฉพาะสามเหลี่ยมล่าง เพื่อให้รูปยังอ่านง่าย และเมทริกซ์ฉบับเต็มยังอยู่ในตารางเสมอ

### ใส่ตัวแปรเชิงกลุ่มได้ไหม

ฮีตแมปสหสัมพันธ์ออกแบบมาสำหรับตัวแปรเชิงตัวเลขและตัวแปรมาตราอันดับ ตัวแปรสองค่าใส่ได้หากคุณขอ โดยใช้สหสัมพันธ์แบบ point-biserial หรือแบบอันดับ ส่วนตัวแปรเชิงกลุ่มที่มีหลายระดับ Yila จะแนะนำวิธีสรุปผลแบบอื่น

### ใช้ R หรือ Python

ใช้ได้ทั้งสองภาษา ตัวอย่างนี้ใช้ Python ส่วนใน R นั้น Yila ใช้ corrplot หรือ ComplexHeatmap

### ข้อมูลในตัวอย่างมาจากไหน

มาจากชุดข้อมูลเปิด Heart Failure Clinical Records (Chicco และ Jurman, 2020) ซึ่งเผยแพร่ภายใต้สัญญาอนุญาต CC BY 4.0 บน UCI Machine Learning Repository ทั้งนี้ Yila ไม่เคยนำข้อมูลของผู้ใช้มาใช้เป็นตัวอย่าง

---

- [ทำฮีตแมปสหสัมพันธ์ที่พร้อมตีพิมพ์](https://yila.ai/th/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/th/llms.txt)
