数模学习（五）---相关系数

最新推荐文章于 2024-06-07 10:18:16 发布

Warmchay

最新推荐文章于 2024-06-07 10:18:16 发布

阅读量5.1k

点赞数 1

分类专栏：数学模型文章标签：线性代数

本文链接：https://blog.csdn.net/Shea111/article/details/107205240

版权

Abstract

这节将介绍两种最为常用的相关系数：皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数。它们可以用来衡量两个变量之间的相关性的大小，而根据数据满足的不同条件，我们需要选择不同的相关系数进行计算和分析（建模论文中最容易雍错的方法）。
在这里，我们需要引入总体和样本这两个概念

总体： 所要考察对象的全部个体叫做总体—在观察总体数据的时候，我们总是期望找到一些总体的特征（如均值方差等）
样本： 从总体中所抽取的一部分个体则叫做总体的一个样本
而我们通常对总体和样本进行数据处理的目的是–计算这些抽取的样本的统计量来估计总体的统计量：
例如使用样本均值、样本标准差来估计总体的均值（平均水平）和总体的标准差（偏离程度）。

举个栗子：

10年一次的人口普查得到的数据就是总体数据
数模比赛找同学填问卷就是样本数据

一皮尔逊Pearson相关系数

1.1 Intro

概率论中数理统计部分提到过：
对于两组数据： $X:{X_{1},X_{2},...,X_{n}}$ 和 $Y:{Y_{1},Y_{2},...,Y_{n}}$ 是总体数据
$\frac{\sum\limits_{i=1}^{n}X_{i}}{n},E(Y) = \frac{\sum\limits_{i=1}^{n}Y_{i}}{n} \\ 总体协方差为：Cov(X,Y) = \frac{\sum\limits_{i=1}^{n}(X_{i}-E(X))(Y_{i}-E(Y))}{n}$

理解协方差： 如果 $X 、 Y$ 变化方向相同，即当 $X$ 大于（小于）其均值时， $Y$ 也大于（小于）其均值，在这两种情况下，乘积为正。如果 $X 、 Y$ 的变化方向一直保持相同，则协方差为正；同理，如果 $X 、 Y$ 变化方向一直相反，则协方差为负；如果 $X 、 Y$ 变化方向之间相互无规律，即分子中有的项为正，有的项为负，那么累加后正负抵消
注意： 协方差的大小和两个变量的量纲有关，因此不适合作比较

1.2 计算总体Pearson相关系数

${\color{red}总体Pearson相关系数：\rho_{XY}=\frac{Cov(X,Y)}{\sigma_{X}\sigma_{Y}}=} \frac{\sum\limits_{i=1}^{n} \frac{(X_{i}-E(X))}{\sigma_{X}}\frac{(Y_{i} - E(Y))}{\sigma_{Y}} }{n} \\ \sigma_{X}是X的标准差，\sigma_{X} = \sqrt{ \frac{\sum\limits_{i=1}^{n}(X_{i}-E(X))^2}{n} }, \sigma_{Y} = \sqrt{ \frac{\sum\limits_{i=1}^{n}(Y_{i}-E(Y))^2}{n} } \\ {\color{red}可以证明，\vert \rho_{XY}\vert\leq 1,且当Y = aX +b时，\rho_{XY}= \left\{ \begin{aligned} 1&,&a>0 \\ -1&,&a<0 \end{aligned} \right. }$

最低0.47元/天解锁文章

Warmchay

关注

1
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
数模学习（五）---相关系数

Abstract这节将介绍两种最为常用的相关系数：皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数。它们可以用来衡量两个变量之间的相关性的大小，而根据数据满足的不同条件，我们需要选择不同的相关系数进行计算和分析（建模论文中最容易雍错的方法）。在这里，我们需要引入总体和样本这两个概念总体：所要考察对象的全部个体叫做总体—在观察总体数据的时候，我们总是期望找到一些总体的特征（如均值方差等）样本：从总体中所抽取的一部分个体则叫做总体的一个样本而我们通常对总体和样本进行数据处理的目
复制链接

扫一扫