关闭

统计相关系数(1)——Pearson(皮尔逊)相关系数及MATLAB实现

标签: matlab数据
499人阅读 评论(0) 收藏 举报
分类:

统计相关系数简介

 

 

由于使用的统计相关系数比较频繁,所以这里就利用几篇文章简单介绍一下这些系数。

 

相关系数:考察两个事物(在数据里我们称之为变量)之间的相关程度。

 

如果有两个变量:X、Y,最终计算出的相关系数的含义可以有如下理解:

(1)、当相关系数为0时,X和Y两变量无关系。

(2)、当X的值增大(减小),Y值增大(减小),两个变量为正相关,相关系数在0.00与1.00之间。

(3)、当X的值增大(减小),Y值减小(增大),两个变量为负相关,相关系数在-1.00与0.00之间。

 

相关系数的绝对值越大,相关性越强,相关系数越接近于1或-1,相关度越强,相关系数越接近于0,相关度越弱。

通常情况下通过以下取值范围判断变量的相关强度:
相关系数     0.8-1.0     极强相关
                 0.6-0.8     强相关
                 0.4-0.6     中等程度相关
                 0.2-0.4     弱相关
                 0.0-0.2     极弱相关或无相关

 

 

Pearson(皮尔逊)相关系数

 

 

1、简介

 

皮尔逊相关也称为积差相关(或积矩相关)是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。

假设有两个变量X、Y,那么两变量间的皮尔逊相关系数可通过以下公式计算:

公式一:

皮尔逊相关系数计算公式

公式二:

皮尔逊相关系数计算公式

公式三:

皮尔逊相关系数计算公式

公式四:

皮尔逊相关系数计算公式

以上列出的四个公式等价,其中E是数学期望,cov表示协方差,N表示变量取值的个数。

 

 

2、适用范围

 

当两个变量的标准差都不为零时,相关系数才有定义,皮尔逊相关系数适用于:

(1)、两个变量之间是线性关系,都是连续数据。

(2)、两个变量的总体是正态分布,或接近正态的单峰分布。

(3)、两个变量的观测值是成对的,每对观测值之间相互独立。

 

 

3、Matlab实现

 

皮尔逊相关系数的Matlab实现(依据公式四实现):

  1. function coeff = myPearson(X , Y)  
  2. % 本函数实现了皮尔逊相关系数的计算操作  
  3. %  
  4. % 输入:  
  5. %   X:输入的数值序列  
  6. %   Y:输入的数值序列  
  7. %  
  8. % 输出:  
  9. %   coeff:两个输入数值序列X,Y的相关系数  
  10. %  
  11.   
  12.   
  13. if length(X) ~= length(Y)  
  14.     error('两个数值数列的维数不相等');  
  15.     return;  
  16. end  
  17.   
  18. fenzi = sum(X .* Y) - (sum(X) * sum(Y)) / length(X);  
  19. fenmu = sqrt((sum(X .^2) - sum(X)^2 / length(X)) * (sum(Y .^2) - sum(Y)^2 / length(X)));  
  20. coeff = fenzi / fenmu;  
  21.   
  22. end %函数myPearson结束  

 

也可以使用Matlab中已有的函数计算皮尔逊相关系数:

  1. coeff = corr(X , Y);  

 

 

4、参考内容

 

http://zh.wikipedia.org/zh-cn/%E7%9B%B8%E5%85%B3

0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:30015次
    • 积分:432
    • 等级:
    • 排名:千里之外
    • 原创:9篇
    • 转载:34篇
    • 译文:0篇
    • 评论:1条
    文章分类
    最新评论