应用统计学第九周作业(SPSS相关性分析,相关系数)

在这里插入图片描述

1.
book.10.1.sav

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
我选择皮尔逊相关系数,因为从散点图来看生产费用和产量近似可以看做一条直线,而衡量线性相关程度的pearson相关系数=0.920也印证了这一点。

book10.6.sav

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
我选择斯皮尔曼相关系数,因为从散点图来看不是很接近一条直线,而类似于一条指数函数的曲线,所以不应该是线性关系,同时斯皮尔曼相关系数和肯德尔相关系数都要高于皮尔逊相关系数,所以我选择相关系数最高的spearman相关系数。

2.

X = [ x 11 x 12 ⋯ x 1 p x 21 x 22 ⋯ x 2 p ⋮ ⋮ ⋮ x n 1 x n 2 ⋯ x n p ] X = \left[\begin{array}{cccc} x_{11} & x_{12} & \cdots & x_{1 p} \\ x_{21} & x_{22} & \cdots & x_{2 p} \\ \vdots & \vdots & & \vdots \\ x_{n 1} & x_{n 2} & \cdots & x_{n p} \end{array}\right] X=x11x21xn1x12x22xn2x1px2pxnp
X p × n ′ X n × p = ( X ′ X ) p × p X'_{p\times n}X_{n\times p} = (X'X)_{p\times p} Xp×nXn×p=(XX)p×p
g p × 1 g 1 × p ′ = ( g g ′ ) p × p g_{p\times 1}g' _{1\times p} = (gg')_{p\times p} gp×1g1×p=(gg)p×p

X ′ X = [ x 11 x 21 ⋯ x n 1 x 12 x 22 ⋯ x n 2 ⋮ ⋮ ⋮ x 1 p x 2 p ⋯ x n p ] [ x 11 x 12 ⋯ x 1 p x 21 x 22 ⋯ x 2 p ⋮ ⋮ ⋮ x n 1 x n 2 ⋯ x n p ] X'X = \left[\begin{array}{cccc} x_{11} & x_{21} & \cdots & x_{n 1} \\ x_{12} & x_{22} & \cdots & x_{n 2} \\ \vdots & \vdots & & \vdots \\ x_{1 p} & x_{2 p} & \cdots & x_{n p} \end{array}\right]\left[\begin{array}{cccc} x_{11} & x_{12} & \cdots & x_{1 p} \\ x_{21} & x_{22} & \cdots & x_{2 p} \\ \vdots & \vdots & & \vdots \\ x_{n 1} & x_{n 2} & \cdots & x_{n p} \end{array}\right] XX=x11x12x1px21x22x2pxn1xn2xnpx11x21xn1x12x22xn2x1px2pxnp

对于V矩阵对角线上的元素,因为
s j 2 = 1 n ∑ i = 1 n ( x i j − x ˉ j ) 2 = ∑ i = 1 n x i j 2 − n x ˉ j 2 n = ∑ i = 1 n x i j 2 n − x ˉ j 2 = 1 n X ′ X − g g ′ s_j^2= \frac{1}{n}\sum_{i=1}^{n}(x_{ij}-\bar x_j)^2 \\ = \frac{\sum_{i=1}^{n}x_{ij}^2-n\bar x_j^2}{n}\\ = \frac{\sum_{i=1}^{n}x_{ij}^2}{n}-\bar x_j^2\\ = \frac{1}{n}X'X-gg' sj2=n1i=1n(xijxˉj)2=ni=1nxij2nxˉj2=ni=1nxij2xˉj2=n1XXgg
对于非对角线上的元素
S i j = 1 n ∑ i = 1 n ( x i j − x ‾ j ) ( x i k − x ‾ k ) = 1 n ∑ i = 1 n ( x i j x i k − x ˉ j x i k − x ˉ k x i j + x ˉ j x ˉ k ) = 1 n ∑ i = 1 n x i j x i k − x ‾ j x ‾ k = 1 n X ′ X − g g ′ S_{ij}=\dfrac{1}{n}\sum ^{n}_{i=1}\left( x_{ij}-\overline{x}_{j}\right) \left( x_{ik}-\overline{x}_{k}\right)\\ =\frac{1}{n}\sum_{i=1}^n(x_{ij}x_{ik}-\bar x_jx_{ik}-\bar x_kx_{ij}+\bar x_j\bar x_k)\\ = \dfrac{1}{n}\sum ^{n}_{i=1}x_{ij}x_{ik}-\overline{x}_{j}\overline{x}_{k}\\ = \frac{1}{n}X'X-gg' Sij=n1i=1n(xijxj)(xikxk)=n1i=1n(xijxikxˉjxikxˉkxij+xˉjxˉk)=n1i=1nxijxikxjxk=n1XXgg

所以 V = 1 n X ′ X − g g ′ V = \frac{1}{n}X'X- gg' V=n1XXgg成立。

3.

pearson相关系数如果不做标准化处理,结果会受到量纲的影响,所以为了消除量纲的影响做了标准化处理,而这一处理刚好使得相关系数在-1到1之间,且绝对值越大,线性相关关系越强,绝对值越接近0,线性相关关系越弱。使我们判断变量之间的相关关系更加方便。

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

打赏作者

Cachel wood

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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