Questions tagged «pearson-r»

我怎么知道何时在Spearman的和Pearson的之间进行选择？我的变量包括满意度，并且使用分数总和来解释分数。但是，这些分数也可以排名。ρρ\rhorrr

119 correlation  pearson-r  spearman-rho 

我在统计咨询工作中经常听到这个问题，以为我会在这里发布。我有一个答案，发布在下面，但我很想听听其他人怎么说。 问题：如果您有两个非正态分布的变量，是否应使用Spearman的rho进行相关？

113 correlation  normality-assumption  pearson-r  spearman-rho 

无论您计算pearson（x，y）还是pearson（y，x），x和y的Pearson相关系数都相同。这表明在给定x的情况下对y进行线性回归或在给定y的情况下对x进行线性回归应该是相同的，但我认为情况并非如此。 当关系不对称时，有人可以阐明这个问题吗？它与皮尔逊相关系数（我一直认为这是总结最佳拟合线）之间有什么关系？

97 regression  correlation  linear-model  pearson-r 

我有2个时间序列（均平滑），我想对其进行互相关以了解它们之间的相关性。 我打算使用皮尔逊相关系数。这样合适吗 我的第二个问题是，我可以选择自己喜欢的两个时间序列。即，我可以选择我要我们的数据点数。这会影响输出的相关系数吗？我需要考虑这个吗？ 出于说明目的 option(i) [1, 4, 7, 10] & [6, 9, 6, 9, 6] option(ii) [1,2,3,4,5,6,7,8,9,10] & [6,7,8,9,8,7,6,7,8,9,8,7,6]

47 time-series  correlation  pearson-r  smoothing 

有两个布尔向量，仅包含0和1。如果我计算皮尔森或斯皮尔曼相关性，它们是有意义的还是合理的？

42 correlation  binary-data  pearson-r  spearman-rho 

也许这个问题很幼稚，但是： 如果线性回归与Pearson相关系数密切相关，那么是否有任何与Kendall和Spearman相关系数紧密相关的回归技术？

27 regression  correlation  pearson-r  spearman-rho  kendall-tau 

是否有可能在R中的皮尔逊相关中找到p值？ 为了找到皮尔逊相关性，我通常这样做 col1 = c(1,2,3,4) col2 = c(1,4,3,5) cor(col1,col2) # [1] 0.8315218 但是我如何找到这个的p值呢？

26 r  correlation  p-value  pearson-r 

关于皮尔逊相关系数总体值的两种估计量，我的头脑有些困惑。 A. Fisher（1915）表明，对于二元正态总体，经验是的负偏差估计量，尽管该偏差实际上仅对于小样本量（）才是相当可观的。样本在某种意义上低估了，因为它比更接近于。（除非后者为或，否则是无偏的。）已经提出了几种几乎无偏的估计量，最好的估计可能是Olkin和Pratt（1958）r[RrÑ &lt; 30 [R ρ 0 ρ 0 ± 1 - [Rρρ\rhon&lt;30ñ&lt;30n<30r[Rrρρ\rho000ρρ\rho000±1±1个\pm 1r[Rrρρ\rho更正的：r[Rr runbiased=r[1+1−r22(n−3)][R无偏见的=[R[1个+1个-[R22（ñ-3）]r_\text{unbiased} = r \left [1+\frac{1-r^2}{2(n-3)} \right ] B.据说在回归中观察到高估了相应的总体R平方。或者，通过简单的回归，就是高估了。基于这一事实，我见过很多文章说，是正相关偏向于，这意味着绝对值：是从更远的比（？是说法正确）。文本说这与通过样本值高估标准偏差参数是同样的问题。有许多公式可以“调整”观察到的使其更接近人口参数Wherry's（1931）- [R 2 ρ 2 - [RR2[R2R^2r2[R2r^2ρ2ρ2\rho^2r[Rr[R 0 ρ - [R 2ρρ\rhor[Rr000ρρ\rhoR2[R2R^2 R2adj[R调整2R_\text{adj}^2是最著名的（但不是最好的）。调整后的的根称为收缩：r2adj[R调整2r_\text{adj}^2 r[Rr rshrunk=±1−(1−r2)n−1n−2−−−−−−−−−−−−−−√[R压缩=±1个-（1个-[R2）ñ-1个ñ-2r_\text{shrunk} = \pm\sqrt{1-(1-r^2)\frac{n-1}{n-2}} 当前是两个不同的估计量。非常不同的：第一个膨胀，第二放气。如何调和他们？在哪里使用/报告，在另一个地方？ρρ\rhor[Rrr[Rr 特别是，“收缩”的估计量也（几乎）是无偏的，就像“无偏”的估计一样，但仅在不同的上下文中-在回归的非对称上下文中，这是真的吗？因为，在OLS回归中，我们认为一侧（预测变量）的值是固定的，因此每个样本之间都没有随机误差吗？（要补充一点，回归不需要双变量正态性。）

22 correlation  pearson-r  unbiased-estimator  estimators  point-estimation 

采访中有人问我这个问题。 假设我们有一个形式为的相关矩阵 ⎡⎣⎢1个0.60.80.61个γ0.8γ1个⎤⎦⎥[10.60.80.61γ0.8γ1]\begin{bmatrix}1&0.6&0.8\\0.6&1&\gamma\\0.8&\gamma&1\end{bmatrix} 给定该相关矩阵，要求我查找gamma的值。 我以为我可以对特征值做些什么，因为它们都应该大于或等于0（矩阵应该是正半定数）-但我认为这种方法不会产生答案。我想念一个把戏。 您能否提供解决该问题的提示？

20 pearson-r  correlation-matrix 

假设是具有有限第二矩的连续随机变量。Spearman秩相关系数ρ_s的总体版本可以定义为概率积分变换F_X（X）和F_Y（Y）的皮尔逊积矩系数ρ ，其中F_X，F_Y是X和Y的cdf 。ρ小号˚F X（X ）˚F Ý（Ý ）˚F X，˚F ÿ X ÿX,YX,YX,Yρsρsρ_sFX(X)FX(X)F_X(X)FY(Y)FY(Y)F_Y(Y)FX,FYFX,FYF_X,F_YXXXYÿY ρs（X，Y）= ρ（F（X），˚F（是））ρs(X,Y)=ρ(F(X),F(Y)）ρ_s(X,Y)=ρ(F(X),F(Y))。 我想知道是否可以普遍得出这样的结论： ρ（X，Y）≠ 0 ↔ ρ（˚F（X），˚F（是））≠ 0ρ（X，ÿ）≠0↔ρ（F（X），F（ÿ））≠0ρ(X,Y)≠0↔ρ(F(X),F(Y))≠0？ 即，当且仅当秩之间具有线性相关性时，我们才具有线性相关性吗？ 更新：在评论中给出了两个例子，为什么 ρ （˚FX（X），˚Fÿ（是））= 0 → ρ （X，Y）= 0ρ（FX（X），Fÿ（ÿ））=0→ρ（X，ÿ）=0\rho(F_X(X),F_Y(Y))=0\rightarrow \rho(X,Y) = 0 即使XXX和ÿÿY具有相同的分布，通常也不是正确的。所以这个问题应该改写为 ρ（X，Y）= 0 → ρ （FX（X），˚Fÿ（是））ρ（X，ÿ）=0→ρ（FX（X），Fÿ（ÿ））\rho(X,Y) = 0 \rightarrow \rho(F_X(X),F_Y(Y))吗？ 如果XXX和ÿÿY具有相同的分布，那么这是否为真对我也很感兴趣。 （注意：如果XXX和ÿÿY与正象限相关，即δ（x，y）= FX，Y（x ，y）- ˚FX（x ）Fÿ（y）&gt; 0δ（X，ÿ）=FX，ÿ（X，ÿ）-FX（X）Fÿ（ÿ）&gt;0δ(x,y)=F_{X,Y}(x,y)−F_X(x)F_Y(y)>0则霍夫丁的协方差公式CØ v （X，Y）= …

20 correlation  pearson-r  spearman-rho 

显然，皮尔逊的相关系数是参数性的，而斯皮尔曼的rho是非参数性的。 我很难理解这一点。据我了解，Pearson的计算公式为 而Spearman的计算方法相同，不同之处在于，我们将所有值替换为其等级。[RX ÿ= c o v （X，Y）σXσÿ[RXÿ=CØv（X，ÿ）σXσÿ r_{xy} = \frac{cov(X,Y)}{\sigma_x\sigma_y} 维基百科说 参数模型与非参数模型的区别在于，前者具有固定数量的参数，而后者随着训练数据量的增加而增加。 但是除了样本本身，我看不到任何参数。有人说参数测试假设服从正态分布，接着说皮尔逊确实假设服从正态分布数据，但是我看不出为什么皮尔逊会要求这样做。 所以我的问题是，在统计中，参数和非参数是什么意思？培生和斯皮尔曼如何融入其中？

19 nonparametric  pearson-r  parametric  spearman-rho 

我对三个变量的“相关性”是否有意义感兴趣，如果是什么，这将是什么？ 皮尔逊积矩相关系数 E{(X−μX)(Y−μY)}Var(X)Var(Y)−−−−−−−−−−−−√E{(X−μX)(Y−μY)}Var(X)Var(Y)\frac{\mathrm{E}\{(X-\mu_X)(Y-\mu_Y)\}}{\sqrt{\mathrm{Var}(X)\mathrm{Var}(Y)}} 现在是3个变量的问题：是 E{(X−μX)(Y−μY)(Z−μZ)}Var(X)Var(Y)Var(Z)−−−−−−−−−−−−−−−−−−√E{(X−μX)(Y−μY)(Z−μZ)}Var(X)Var(Y)Var(Z)\frac{\mathrm{E}\{(X-\mu_X)(Y-\mu_Y)(Z-\mu_Z)\}} {\sqrt{\mathrm{Var}(X)\mathrm{Var}(Y)\mathrm{Var}(Z)}} 有什么事吗 在R中似乎可以解释： &gt; a &lt;- rnorm(100); b &lt;- rnorm(100); c &lt;- rnorm(100) &gt; mean((a-mean(a)) * (b-mean(b)) * (c-mean(c))) / (sd(a) * sd(b) * sd(c)) [1] -0.3476942 给定固定的第三个变量的值，我们通常查看2个变量之间的相关性。有人可以澄清吗？

17 correlation  pearson-r 

问题的答案phi，Matthews和Pearson相关系数之间的关系？表明三种系数方法都是等效的。 我不是来自统计数据，所以这应该是一个简单的问题。 Matthews的论文（www.sciencedirect.com/science/article/pii/0005279575901099）描述了以下内容： "A correlation of: C = 1 indicates perfect agreement, C = 0 is expected for a prediction no better than random, and C = -1 indicates total disagreement between prediction and observation"`. 根据Wikipedia（http://en.wikipedia.org/wiki/Pearson_product-moment_correlation_coefficient），皮尔森相关性描述为： giving a value between +1 and −1 inclusive, where: 1 is total positive correlation, …

17 correlation  interpretation  pearson-r 

在对这个问题的最高答复中提出了这一主张。我认为“为什么”问题有足够的区别，因此有必要提出新的建议。谷歌搜索“详尽的关联度”并没有带来任何成功，我不确定该词组的含义。

16 correlation  normal-distribution  pearson-r  multivariate-normal 

谁能帮助我了解Pearson相关公式？样本 =变量和的标准分数的乘积平均值。rrrXXXYYY 我有点理解为什么他们需要对和进行标准化，但是如何理解z得分的乘积呢？ XXXYYY 该公式也称为“产品-时刻相关系数”，但是产品作用的原理是什么？我不确定是否已经明确说明了我的问题，但是我只想直观地记住该公式。

15 correlation  descriptive-statistics  pearson-r