线性相关性度量

1. 相关性度量

为了定量的描述线性相关性,统计学奠基人K. Pearson提出了Pearson相关系数、心理学家CE. Spearman提出了Spearman等级相关系数、统计学家M. Kendall提出了Kendall秩相关系数。这三种相关系数最具有代表性、应用也最广泛,它们既有联系又有不同,分别有不同的适用场景。

Pearson相关系数

Pearson相关系数 (Pearson correlation coefficient)用于度量两个变量X、Y的相关性(线性相关),定义如下:
\[ r = \frac{\sum_{i=1}^n (X_i - \overline{X}) (Y_i - \overline{Y})}{\sqrt{\sum_{i}(X_i - \overline{X})^2} \sqrt{\sum_{i}(Y_i - \overline{Y})^2}} \]
容易证明Pearson相关系数的取值范围为[-1, 1]。

  • 若为1意味着X和Y的数据点基本落在一条直线上,且Y随X的增加而增加,换言之X和Y可以由直线方程来描述(线性正相关);
  • 若为-1则表示X和Y线性负相关,Y随X的增加而减少;
  • 若为0,则说明二者没有线性关系。

下图给出了当Pearson相关系数为不同值时X和Y的散点图(以下三张图片均来自于Wikipedia):
399159-20170609114407075-1459352464.png

Pearson相关系数有一个重要的数学特性是,因两个变量的位置和尺度的变化并不会引起该系数的改变,即它该变化的不变量 (由符号确定)。也就是说,我们如果把X移动到a + bX和把Y移动到c + dY,其中a、b、c和d是常数,并不会改变两个变量的相关系数(该结论在总体和样本Pearson相关系数中都成立)。

Spearman相关系数

Spearman相关系数实际上就是将变量X和Y替换成其对应等级x, y的Pearson相关系数:
\[ \rho = \frac{\sum_{i=1} (x_i - \overline{x}) (y_i - \overline{y})}{\sqrt{\sum_{i}(x_i - \overline{x})^2} \sqrt{\sum_{i}(y_i - \overline{y})^2}} \]

相较于Pearson相关系数,Spearman相关系数更能描述两个变量之间的单调性的相关性,对于样本中的显著离群点更为不敏感。比如,下图中变量X和Y的Pearson相关系数、Spearman相关系数分别为0.88与1,显然Spearman相关系数更好地刻画了两个变量增长趋势的相关性。
399159-20170609114449965-1752160952.png

下图更好地表现出了Spearman相关系数的抗噪音性:
399159-20170609114501168-201912708.png

Kendall相关系数

Kendall相关系数是另一种等级相关统计量,其主要思想是根据两个变量序对的一致性 (concordance)来判断相关性的。一致性序对 (concordant pair)定义如下:如果变量对\((X_i, Y_i)\)\((X_j, Y_j)\)\(i \neq j\)满足当\(X_i < X_j\)\(Y_i < Y_j\),或者当\(X_i > X_j\)\(Y_i > Y_j\)。反之,则为非一致性序对。那么,Kendall相关系数的定义如下:
\[ \tau = \frac{P - Q}{n(n-1)/2} \]
其中,\(P\)为一致性序对的个数,\(Q\)为非一致性序对个数,则\(P + Q = n(n-1/2)\),因此上式可改写为
\[ \tau = \frac{4P}{n(n-1)/2} -1 \]
显然\(\tau\)的取值范围为[-1, 1],

  • 当等于1时,表示两个变量拥有一致的等级相关性;
  • 当等于-1时,表示两个变量拥有完全相反的等级相关性;
  • 当等于0时,两个变量相互独立。

下表给出了UV分别与PV、活跃用户数、新增内容用户数的三种相关性度量:

指标Pearson相关系数Spearman相关系数Kendall相关系数
PV0.856840.955130.84884
活跃用户数0.884620.941310.83403
新增内容用户数0.329880.382590.25761

可以发现:三种度量在这三对变量上没有明显的优劣;PV、活跃用户数都与UV成正向相关,且新增内容用户数与UV没有明显的相关性——这一点在变量的散点图中可以得到印证。

2. 参考资料

[1] 樊嵘, 孟大志, and 徐大舜. "统计相关性分析方法研究进展." 数学建模及其应用 3.1(2014).
[2] 王鹏, 数据相关性挖掘大讲堂:(一) 线性相关评价方法.

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值