CCA (Canonical correlation analysis) 典型相关分析

首先，要明确CCA方法是一种多元统计分析方法，在大多数情况下是用来反映两组（不是两个）变量之间的整体相关性。方法是将两组变量通过线性组合分别合成为$\vec{U}$和$\vec{V}$。(在我的研究领域，就是不同天得到数据的第一主成分的相关性)。

为什么要进行线性组合呢？又如何进行线性组合呢？这就是CCA需要做的事情。

首先，CCA的英文名是Canonical correlation analysis，翻译过来就是典型相关分析，而非典型就是经典相关分析，包括自相关、互相关等，其中都与cov协方差矩阵有关。

设有两组变量$X=[x_1,x_2,...,x_m]，Y=[y_1,y_2,...,y_n]$，在求得的协方差矩阵中就有m*n个值，所以相关分析麻烦。（请注意，相关系数是对两个变量之间线性关系的计算，如同$X=[x_1]，Y=[y_1]$，最后是1个值）

而典型相关分析则不是这样，它从总体上把握了两组变量之间的相关程度。

我们用两个综合变量$\vec{U}$和$\vec{V}$来分别表示两组变量。他们分别是$X$和$Y$的线性组合（当然有很多种组合方式，即很多组$\vec{U}$、$\vec{V}$）：
$$\vec{U}=w_1\ast x_1+w_2\ast x_2...+w_m\ast x_m=\vec{w}\ast \vec{X}$$
$$\vec{V}=p_1\ast x_1+p_2\ast x_2...+p_m\ast x_m=\vec{p}\ast \vec{Y}$$
CCA的作用就是要寻找使$\vec{U}$和$\vec{V}$的相关系数最大的系数$\vec{w}和\vec{p}$，即CCA的实质就是用典型变量（原变量的线性组合）来代表原变量，用它们之间的相关性来反映原变量的相关性。

更为详细的解释和实际应用参见： http://t.cn/AiuiFwdr