【scau统计学】Python实验四求相关系数值，求一元线性回归方程中一次项系数的估计值

实验要求：

编写两个函数，第一个函数：求相关系数值的函数，第二个函数：求一元线性回归方程中一次项系数的估计值。

第一个函数:求相关系数，输入两个一维向量，输出相关系数值。

第二个函数:求一元线性回归方程中一次项系数的估计值，输入两个一维向量，输出一次项系数值。

测试数据：

x = [1, 2, 3, 4, 5]
y = [2, 3, 4, 5, 30]

运行结果：

解析和源代码：

第一个函数（相关系数）：

函数定义：这个函数接受两个参数x和y(一维向量)
1.长度检查,确保x和y的长度相同，否则抛出一个ValueError。
2.计算x,y均值。
3.计算分子：使用列表推导式来计算x和y的协方差。
4.计算分母（标准差的乘积）：分别计算x,y与各自均值之差的平方和，然后开方得到标准差。
5.使用协方差的分子和标准差乘积的分母来计算相关系数。

def calculate_correlation_coefficient(x, y):
    n = len(x)
    if n != len(y):
        raise ValueError("Vectors x and y must have the same length.")

    # 计算均值
    mean_x = sum(x) / n
    mean_y = sum(y) / n

    # 计算分子
    numerator = sum((x[i] - mean_x) * (y[i] - mean_y) for i in range(n))

    # 计算分母
    denominator_x = sum((x[i] - mean_x) ** 2 for i in range(n))
    denominator_y = sum((y[i] - mean_y) ** 2 for i in range(n))
    denominator = (denominator_x * denominator_y) ** 0.5

    # 计算相关系数
    correlation = numerator / denominator
    return correlation

第二个函数（一次项系数）：

1. 初始化：

   • 计算 x的长度，即数据点的数量。
   • 分别计算 x 和 y 的总和。

2. 计算交叉乘积和 x 的平方和：

   • 计算 x 和 y 对应元素乘积的总和，在线性回归中用于计算协方差。
   • 计算 x 中每个元素的平方的总和，在线性回归中用于计算 x 的方差。

3. 计算一次项系数 a：

   • 使用最小二乘法（Least Squares Method）的公式来估计 a。
   • 公式：

def linear_regression(x, y):
    n = len(x)
    sum_x = sum(x)
    sum_y = sum(y)
    sum_xy = sum(x[i] * y[i] for i in range(n))
    sum_x_squared = sum(x[i] ** 2 for i in range(n))

    # 计算一次项系数的估计值
    a = (n * sum_xy - sum_x * sum_y) / (n * sum_x_squared - sum_x ** 2)

    return a

合并起来全部代码：

此处加入了工具箱函数验证输出结果是否正确（与手搓代码是否一致）

import numpy as np


def calculate_correlation_coefficient(x, y):
    n = len(x)
    if n != len(y):
        raise ValueError("Vectors x and y must have the same length.")

    # 计算均值
    mean_x = sum(x) / n
    mean_y = sum(y) / n

    # 计算分子
    numerator = sum((x[i] - mean_x) * (y[i] - mean_y) for i in range(n))

    # 计算分母
    denominator_x = sum((x[i] - mean_x) ** 2 for i in range(n))
    denominator_y = sum((y[i] - mean_y) ** 2 for i in range(n))
    denominator = (denominator_x * denominator_y) ** 0.5

    # 计算相关系数
    correlation = numerator / denominator
    return correlation


# 示例
x = [1, 2, 3, 4, 5]
y = [2, 3, 4, 5, 30]
print('两个向量之间的相关系数为:',calculate_correlation_coefficient(x, y))  # 输出应接近1

# 验证
correlation = np.corrcoef(x, y)[0, 1]
print("验证", correlation)



def linear_regression(x, y):
    n = len(x)
    sum_x = sum(x)
    sum_y = sum(y)
    sum_xy = sum(x[i] * y[i] for i in range(n))
    sum_x_squared = sum(x[i] ** 2 for i in range(n))

    # 计算一次项系数的估计值
    a = (n * sum_xy - sum_x * sum_y) / (n * sum_x_squared - sum_x ** 2)
    return a

# 计算一次项系数的估计值
a_estimate = linear_regression(x, y)
print("一次项系数的估计值为:", a_estimate)
# 验证
slope_estimate = np.polyfit(x, y, 1)[0]
print('验证：', slope_estimate)