数学建模之相关性分析

数学建模之相关性分析

作者: 福州大学 我是一个温柔的刀客

2024/8/21

基于我们常用的相关分析方法,我们这里只介绍两种方法:Pearson相关系数和Spearman等级相关系数.

1.皮尔逊相关系数（Pearson’s correlation coefficient）：

皮尔逊相关系数（Pearson correlation coefficient）是一种度量两个变量之间线性相关程度的统计量。它被广泛应用于数据分析和科学研究中，用来衡量两个连续变量X和Y之间线性关系的强度和方向。

tips:在数学建模中,如果你觉得这两组数据极有可能是线性关系,那么不妨大胆的用皮尔逊!(比如23年国赛C题问题二:分析销售量与定价的关系)

皮尔逊相关系数的定义：

皮尔逊相关系数的性质：

举个例子:

---

2. 斯皮尔曼等级相关系数 (Spearman’s rank correlation coefficient):

斯皮尔曼相关系数（Spearman’s rank correlation coefficient），通常用符号 ρρ（rho）表示，是一种非参数统计方法，用于评估两个变量之间的单调相关性，而不仅仅是线性关系。斯皮尔曼相关系数基于变量的秩次（即排序位置）而不是原始数值，因此它对于异常值不太敏感，并且适用于不是严格线性的关系。

tips:在数学建模中,如果你觉得这两组数据极有可能是非线性关系,那么不妨大胆的用斯皮尔曼!(比如23年国赛C题问题一:分析各种蔬菜品类之类的)

斯皮尔曼相关系数的定义：

斯皮尔曼相关系数的性质：

举个例子:

什么是秩次: 秩次（Rank）是指在一个有序集合中某个元素的位置或顺序。在统计学和数据分析中，秩次常常被用来代替原始数值，尤其是在进行非参数统计测试时。秩次能够帮助我们理解数据的相对位置，而不考虑它们的实际数值大小。

是在进行非参数统计测试时。秩次能够帮助我们理解数据的相对位置，而不考虑它们的实际数值大小。