首先给出几个定义:
期望: 反应了函数f(x)在某个分布P(x)下的平均表现, 记为: $E_{x \sim P}[f(x)]=\int{p(x)f(x)dx}$
协方差: 反应两个变量之间线性相关的强度,记为$Cov(f(x),g(x))= E[(f(x)-E[f(x)])(g(x)-E(g(x)))]$
关于协方差的特性:
- 若协方差绝对值很大, 则变量值得变化很大, 且相距各自均值很远
- 若协方差为正, 则两变量x,y都倾向于取较大值, 若协方差为负, 则一个倾向于取较大值,另一个倾向取较小值
相关系数$\rho_{xy}$: 将每个变量归一化, 之衡量变量间的相关性, 不关注变量尺度大小, 公式如下:
$$\rho_{xy} = \frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$$
协方差
通俗地讲, 协方差可以理解为:两个变量在变化过程中是同方向变化?还是反方向变化?同向或反向程度如何?
你变大,同时我也变大,说明两个变量是同向变化的,这时协方差就是正的。
你变大,同时我变小,说明两个变量是反向变化的,这时协方差就是负的。
从数值来看,协方差的数值越大,两个变量同向程度也就越大。反之亦然。
协方差公式化简一下: $Cov(X,Y) = E[(X-\mu _x)(Y-\mu _y)]$
如果有X,Y两个变量,每个时刻的“X值与其均值之差”乘以“Y值与其均值之差”得到一个乘积,再对这每时刻的乘积求和并求出均值(其实是求“期望”,但就不引申太多新概念了,简单认为就是求均值了.
下面举个例子来说明吧:
比如有两个变量X,Y,观察t1-t7(7个时刻)他们的变化情况。
简单做了个图:分别用红点和绿点表示X、Y,横轴是时间。可以看到X,Y均围绕各自的均值运动,并且很明显是同向变化的。
这时,我们发现每一时刻$X-\mu _{x}$的值与$Y-\mu _{y}$的值的“正负号”一定相同(如下图:比如t1时刻,他们同为正,t2时刻他们同为负):
所以,像上图那样,当他们同向变化时,$X-\mu _{x}$与$Y-\mu _{y}$的乘积为正。这样,当你把t1-t7时刻$X-\mu _{x}$与$Y-\mu _{y}$的乘积加在一起,求平均后也就是正数了。
如果反向运动呢?
很明显,$X-\mu _{x}$的值与$Y-\mu _{y}$的值的“正负号”一定相反,于是$X-\mu _{x}$与$Y-\mu _{y}$的乘积就是负值了。这样当你把t1-t7时刻$X-\mu _{x}$与$Y-\mu _{y}$的乘积加在一起,求平均的时候也就是负数了。
当然上面说的是两种特殊情况,很多时候X,Y的运动是不规律的,比如:
这时,很可能某一时刻$X-\mu _{x}$的值与$Y-\mu _{y}$的值乘积为正,另外一个时刻$X-\mu _{x}$的值与$Y-\mu _{y}$的值乘积为负。
这时,很可能某一时刻$X-\mu _{x}$的值与$Y-\mu _{y}$的值乘积为正,另外一个时刻$X-\mu _{x}$的值与$Y-\mu _{y}$的值乘积为负。
所以,t1-t7时刻中,$X-\mu _{x}$与$Y-\mu _{y}$的乘积为正的越多,说明同向变化的次数越多,也即同向程度越高。反之亦然。
总结一下,如果协方差为正,说明X,Y同向变化,协方差越大说明同向程度越高;如果协方差为负,说明X,Y反向运动,协方差越小说明反向程度越高。
那如果X,Y同向变化,但X大于均值,Y小于均值,那$X-\mu _{x}$与$Y-\mu _{y}$的乘积为负值啊?这不是矛盾了吗?
这种情况是有可能出现的,比如:
可以看到,t1时刻,$X-\mu _{x}$与$Y-\mu _{y}$的符号相反,他们的乘积为负值。
但是,总体看,这两个变量的协方差仍然是正的,因为你还要计算t2,t3……t7时刻$X-\mu _{x}$与$Y-\mu _{y}$的乘积,然后再把这7个时刻的乘积求和做均值,才是最后X,Y的协方差。1个负、6个正,显然最后协方差很大可能性是正的。
所以t1时刻$X-\mu _{x}$与$Y-\mu _{y}$的乘积为负值,并不能说明他们反向运动,要结合整体的情况来判断。
那么你可能又要问了,既然都是同向变化,那t1时刻$X-\mu _{x}$与$Y-\mu _{y}$的乘积为负值、其他时刻乘积为正的这种情况,与,t1-t7时刻$X-\mu _{x}$与$Y-\mu _{y}$的乘积均为正值的情况,到底有什么差异呢?这点其实前面也解释过了,差异就是:第一种情况的同向程度不如第二种情况的同向程度大(第一种情况6正1负,第二种情况7正,所以第一种情况的协方差小于第二种情况的协方差,第一种情况X,Y变化的同向程度要小于第二种情况)。
另外,如果你还钻牛角尖,说如果t1,t2,t3……t7时刻X,Y都在增大,而且X都比均值大,Y都比均值小,这种情况协方差不就是负的了?7个负值求平均肯定是负值啊?但是X,Y都是增大的,都是同向变化的,这不就矛盾了?
这个更好解释了:这种情况不可能出现!
因为,你的均值算错了……
X,Y的值应该均匀的分布在均值两侧才对,不可能都比均值大,或都比均值小。
所以,实际它的图应该是下面这样的:
发现没有,又变成$X-\mu _{x}$与$Y-\mu _{y}$的符号相同的情况了~有没有种被大自然打败的感觉~
好了,现在,对于协方差应该有点感觉了吧?
相关系数
对于相关系数,我们从它的公式入手。一般情况下,相关系数的公式为:
$$\rho = \frac{Cov(X,Y}{\sigma_X\sigma_Y}$$
相关系数也可以看成协方差:一种剔除了两个变量量纲影响、标准化后的特殊协方差。
既然是一种特殊的协方差,那它:
- 也可以反映两个变量变化时是同向还是反向,如果同向变化就为正,反向变化就为负。
- 由于它是标准化后的协方差,因此更重要的特性来了:它消除了两个变量变化幅度的影响,而只是单纯反应两个变量每单位变化时的相似程度。
比较抽象,下面还是举个例子来说明:
首先,还是承接上文中的变量X、Y变化的示意图(X为红点,Y为绿点),来看两种情况:
很容易就可以看出以上两种情况X,Y都是同向变化的,而这个“同向变化”,有个非常显著特征:
X、Y同向变化的过程,具有极高的相似度!无论第一还是第二种情况下,都是:t1时刻X、Y都大于均值,t2时刻X、Y都变小且小于均值,t3时刻X、Y继续变小且小于均值,t4时刻X、Y变大但仍小于均值,t5时刻X、Y变大且大于均值……
可是,计算一下他们的协方差,
协方差差出了一万倍,只能从两个协方差都是正数判断出两种情况下X、Y都是同向变化,但是,一点也看不出两种情况下X、Y的变化都具有相似性这一特点。
这是为什么呢?
因为以上两种情况下,在X、Y两个变量同向变化时,X变化的幅度不同,这样,两种情况的协方差更多的被变量的变化幅度所影响了。
所以,为了能准确的研究两个变量在变化过程中的相似程度,我们就要把变化幅度对协方差的影响,从协方差中剔除掉。于是,相关系数就横空出世了,就有了最开始相关系数的公式:
$$\rho = \frac{Cov(X,Y}{\sigma_X\sigma_Y}$$
那么为什么要通过除以标准差的方式来剔除变化幅度的影响呢?咱们简单从标准差公式看一下:
$$\sigma_X=\sqrt{E((X-\mu_x)^2)}$$
从公式可以看出,标准差计算方法为,每一时刻变量值与变量均值之差再平方,求得一个数值,再将每一时刻这个数值相加后求平均,再开方。
“变量值与变量均值之差”X-mu _{x}是什么呢?就是偏离均值的幅度:
那为何要对它做平方呢?因为有时候变量值与均值是反向偏离的(见下图),$X-\mu _{x}$是个负数,平方后,就可以把负号消除了。
这样在后面求平均时,每一项数值才不会被正负抵消掉,最后求出的平均值才能更好的体现出每次变化偏离均值的情况。
当然,最后求出平均值后并没有结束,因为刚才为了消除负号,把$X-\mu _{x}$进行了平方,那最后肯定要把求出的均值开方,将这个偏离均值的幅度还原回原来的量级。于是就有了下面标准差的公式:
$$\sigma_X=\sqrt{E((X-\mu_x)^2)}$$
所以标准差描述了变量在整体变化过程中偏离均值的幅度。协方差除以标准差,也就是把协方差中变量变化幅度对协方差的影响剔除掉,这样协方差也就标准化了,它反应的就是两个变量每单位变化时的情况。这也就是相关系数的公式含义了。
同时,你可以反过来想象一下:既然相关系数是协方差除以标准差,那么,当X或Y的波动幅度变大的时候,它们的协方差会变大,标准差也会变大,这样相关系数的分子分母都变大,其实变大的趋势会被抵消掉,变小时也亦然。于是,很明显的,相关系数不像协方差一样可以在 $+\infty 到-\infty $ 间变化,它只能在+1到-1之间变化(相关系数的取值范围在+1到-1之间变化可以通过施瓦茨不等式来证明.
总结一下,对于两个变量X、Y:
- 当他们的相关系数为1时,说明两个变量变化时的正向相似度最大,即,你变大一倍,我也变大一倍;你变小一倍,我也变小一倍。也即是完全正相关(以X、Y为横纵坐标轴,可以画出一条斜率为正数的直线,所以X、Y是线性关系的)
- 随着他们相关系数减小,两个变量变化时的相似度也变小,当相关系数为0时,两个变量的变化过程没有任何相似度,也即两个变量无关。
- 当相关系数继续变小,小于0时,两个变量开始出现反向的相似度,随着相关系数继续变小,反向相似度会逐渐变大。
- 当相关系数为-1时,说明两个变量变化的反向相似度最大,即,你变大一倍,我变小一倍;你变小一倍,我变大一倍。也即是完全负相关(以X、Y为横纵坐标轴,可以画出一条斜率为负数的直线,所以X、Y也是线性关系的)。
有了上面的背景,我们再回到最初的变量X、Y的例子中,可以先看一下第一种情况的相关系数:
说明第一种情况下,X的变化与Y的变化具有很高的相似度,而且已经接近完全正相关了,X、Y几乎就是线性变化的。
那第二种情况呢?
说明第二种情况下,虽然X的变化幅度比第一种情况X的变化幅度小了10000倍,但是丝毫没有改变“X的变化与Y的变化具有很高的相似度”这一结论。同时,由于第一种、第二种情况的相关系数是相等的,因此在这两种情况下,X、Y的变化过程有着同样的相似度。