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。