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