两个相关系数都不为零就可以告诉您另一个相关系数,因为它们“加权”数据(尤其是极端数据)有很大不同。我只是要处理样本,但是可以使用双变量分布/ copulas构造类似的例子。
1. Spearman相关性0并不暗示Pearson相关性0:
正如问题中提到的,注释中有一些示例,但是基本结构是“构造一个Spearman相关性为0的情况,然后取一个极值点,使其更极端而无需更改Spearman相关性”
注释中的示例很好地涵盖了这一点,但是我将在这里使用一个更加“随机”的示例。因此,请考虑以下数据(以R计),该数据在构造上具有Spearman和Pearson相关系数均为0:
x=c(0.660527211673069, 0.853446087136149, -0.00673848667511427,
-0.730570343152498, 0.0519171047989013, 0.00190761493801791,
-0.72628058443299, 2.4453231076856, -0.918072410495674, -0.364060229489348,
-0.520696233492491, 0.659907250608776)
y=c(-0.0214697990371976, 0.255615059485107, 1.10561181413232, 0.572216886959267,
-0.929089680725018, 0.530329993414123, -0.219422799586819, -0.425186120279194,
-0.848952532832652, 0.859700836483046, -0.00836246690850083,
1.43806947831794)
cor(x,y);cor(x,y,method="sp")
[1] 1.523681e-18
[1] 0
现在,将y与[12]相加1000,然后从x [9]中减去0.6;Spearman相关性保持不变,但Pearson相关性现在为0.1841:
ya=y
ya[12]=ya[12]+1000
xa=x
xa[9]=xa[9]-.6
cor(xa,ya);cor(xa,ya,method="sp")
[1] 0.1841168
[1] 0
(如果您想对Pearson相关性有很强的意义,只需将整个样本重复几次。)
2. Pearson相关性0并不暗示Spearman相关性0:
这是两个皮尔逊相关性为零而斯皮尔曼相关性为非零的示例(同样,如果您想对这些斯皮尔曼相关性有很强的意义,只需复制整个样本几次)。
范例1:
x1=c(rep(-3.4566679074320789866,20),-2:5)
y1=x1*x1
cor(x1,y1);cor(x1,y1,method="spe")
[1] -8.007297e-17
[1] -0.3512699
范例2:
k=16.881943016134132
x2=c(-9:9,-k,k)
y2=c(-9:9,k,-k)
cor(x2,y2);cor(x2,y2,method="spe")
[1] -9.154471e-17
[1] 0.4805195
在最后一个示例中,可以通过在y = x上添加更多点,同时使左上角和右下角的两个点更极端以使Pearson相关性保持为0,来增强Spearman相关性。