知识库 > 数学方法 > 多元统计分析 > 相关分析

相关系数    

  • 散点图是相关分析的强有力的工具，通过相关关系可以直观的看到他们是否有某种联系。在确定变量具有某种联系后，我们就可以统一的使用计算相关系数来衡量相关关系的大小程度。常使用的相关系数有Pearson相关系数，Spearman秩相关系数，Kendall相关系数. Pearson相关系数实际上反映的是变量之间的线性相关程度的大小。
    Pearson：
    若,都服从正态分布，则

    由此可以对X和Y进行Pearson相关性检验，若，则认为X和Y的观测值之间存在显著地线性相关性。

    定义：Corr(A:Array,type:Integer,tail:String):Array;
    说明：计算相关系数矩阵及其检验P值
    参数：
    A：样本数据观测矩阵，二维数字数组
    type：1：pearson相关；2：Kendall等级相关；3：Spearman秩相关
    tail：假设检验的三种类型，字符串，取值为both、left和right，缺省是只输出相关系数



    定义：Corrcoef (x:Array):Array;
    说明：计算简单相关系数矩阵及其检验P值，以及简单相关系数置信区间的上下界（显著性水平为0.05）
    参数：
    A：样本数据观测矩阵，二维数字数组
    返回结果：
    Ret["r"]：样本数据观测矩阵的简单相关系数矩阵
    Ret["p"]：检验相关系数是否显著的P值，二维数组
    Ret["rlo"]：简单相关系数置信区间的下界，二维数组
    Ret["rup"]：简单相关系数置信区间的上界，二维数组



    A:=rand(3,4);
    ret := corr(A,1);

    返回的是pearson相关系数矩阵

    ret := corr(A,1,'both');

    输出pearson相关系数矩阵ret[0]及其检验p值ret[1]

    ret := corrcoef(A);

    返回简单相关系数分析