Questions tagged «spearman-rho»

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 

在哪种情况下，一个应该比另一个更喜欢？ 我发现有人出于教学原因声称对肯德尔有优势，还有其他原因吗？

69 correlation  nonparametric  spearman-rho  kendall-tau 

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 

我想找到连续变量（因变量）和分类变量（标称：性别，自变量）之间的相关性。连续数据不是正态分布。在此之前，我已经使用Spearman的进行了计算。但是，有人告诉我这是不对的。ρρ\rho 在互联网上搜索时，我发现箱线图可以提供有关它们之间关联程度的想法；但是，我一直在寻找量化值，例如Pearson的乘积矩系数或Spearman的。您能帮我怎么做吗？或者，告知哪种方法合适？ρρ\rho 双峰系数会是正确的选择吗？

41 correlation  categorical-data  descriptive-statistics  biostatistics  spearman-rho 

在我的工作中，我们正在比较某些数据集的预测排名与真实排名。直到最近，我们一直单独使用Kendall-Tau。一个从事类似项目的小组建议我们尝试改用Goodman-Kruskal Gamma，他们更喜欢它。我想知道不同等级相关算法之间的区别是什么。 我找到的最好的答案就是该答案，它声称使用Spearman代替了通常的线性相关，并且Kendall-Tau不太直接，更类似于Goodman-Kruskal Gamma。我正在使用的数据似乎没有任何明显的线性相关性，并且数据严重偏斜且非正态。 而且，对于我们的数据，Spearman通常报告的关联性高于Kendall-Tau，我想知道关于数据的具体含义。我不是统计学家，所以抱歉，我正在阅读的某些论文对我而言像是行话。

31 spearman-rho  kendall-tau  goodman-kruskal-gamma 

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 

两个变量之间的皮尔逊系数非常高（r = .65）。但是，当我对变量值进行排名并运行Spearman的相关性时，系数值要低得多（r = .30）。 这是什么解释？

22 correlation  spearman-rho 

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）> 0δ（X，ÿ）=FX，ÿ（X，ÿ）-FX（X）Fÿ（ÿ）>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 

我计划进行一次仿真研究，在其中比较几种具有不同分布（偏斜，离群值等）的鲁棒相关技术的性能。对于稳健，我的意思是对a）偏斜分布，b）离群值和c）重尾稳健的理想情况。 除了将Pearson相关性作为基准外，我还想包括以下更可靠的措施： 斯皮尔曼的ρρ\rho 折弯百分比（Wilcox，1994，[1]） 最小体积椭圆形，最小协方差行列式（cov.mve/ cov.mcd与cor=TRUE选项） 温莎相关 当然，还有更多选择（特别是如果您还包括强大的回归技术），但是我想将自己局限于使用最多/很有希望的方法。 现在，我有三个问题（可以只回答一个问题）： 我可以/应该包括其他健壮的相关方法吗？ 您的领域实际上 使用了 哪些强大的相关技术？（谈到心理研究：除了Spearman的，我从未在技术论文之外见过任何健壮的关联技术。自举技术越来越受欢迎，但到目前为止，其他健壮的统计数据或多或少不存在）。ρρ\rho 您是否已经知道多种相关技术的系统比较？ 也可以随意评论上面给出的方法列表。 [1] Wilcox，RR（1994）。百分比弯曲相关系数。心理疗法，59，601-616。

18 r  correlation  robust  spearman-rho  winsorizing 

我正在使用具有一个固定效果（条件）和两个随机效果（由于主题设计和配对而导致的参与者）的混合效果模型分析数据集。该模型是使用lme4包生成的exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp)。 接下来，我针对没有固定效果（条件）的模型对该模型进行了似然比检验，结果有显着差异。我的数据集中有3个条件，因此我想进行多重比较，但不确定使用哪种方法。我在CrossValidated和其他论坛上发现了许多类似的问题，但我仍然很困惑。 据我所见，人们建议使用 1.该lsmeans包- lsmeans(exp.model,pairwise~condition)这给了我下面的输出： condition lsmean SE df lower.CL upper.CL Condition1 0.6538060 0.03272705 47.98 0.5880030 0.7196089 Condition2 0.7027413 0.03272705 47.98 0.6369384 0.7685443 Condition3 0.7580522 0.03272705 47.98 0.6922493 0.8238552 Confidence level used: 0.95 $contrasts contrast estimate SE df t.ratio p.value Condition1 - Condition2 -0.04893538 0.03813262 62.07 -1.283 0.4099 Condition1 - …

16 r  repeated-measures  multiple-comparisons  post-hoc  lsmeans  bayesian  posterior  marginal  integral  anova  time-series  regularization  machine-learning  pca  computational-statistics  references  inference  regression  cross-validation  python  random-forest  chi-squared  spearman-rho  r  machine-learning  confidence-interval  bagging  clustering  feature-selection  model-selection  bic  hypothesis-testing  kurtosis  r  regression  residuals  terminology 

典型相关分析（CCA）旨在最大化两个数据集的线性组合的通常Pearson乘积矩相关（即线性相关系数）。 现在，考虑该相关系数仅测量线性关联这一事实-这就是为什么我们也使用Spearman- 或Kendall- τ（秩）相关系数来测量之间的任意单调（不一定是线性）联系的原因。变量。ρρ\rhoττ\tau 因此，我想到了以下几点：CCA的一个局限性在于，由于其目标函数，它仅试图捕获所形成的线性组合之间的线性关联。通过最大化Spearman- 而不是Pearson- r在某种意义上扩展CCA是否可行？ρρ\rhorrr 这样的程序会导致任何统计学上可解释和有意义的事情吗？（例如，对等级执行CCA有意义吗？？）我想知道当我们处理非常规数据时是否有帮助...

15 multivariate-analysis  data-transformation  spearman-rho  kendall-tau  canonical-correlation 

从维基百科中，通过将变量XiXiX_i和YiYiY_i转换为排名变量和，然后计算排名变量之间的皮尔逊相关性，来计算Spearman的排名相关性：xixix_iyiyiy_i 但是，本文继续指出，如果变量和之间没有联系，则上式等于XiXiX_iYiYiY_i 其中di=yi−xidi=yi−xid_i = y_i - x_i，在行列的差异。 有人可以证明这一点吗？我无权访问维基百科文章所引用的教科书。

14 correlation  proof  spearman-rho 

我想估算以下两者之间的相关性： 一个序数变量：要求受试者以1-5的等级（从非常恶心到非常美味）对6种类型的水果进行偏好评分。平均而言，受试者仅使用该等级的3分。 连续变量：要求相同的对象快速识别这些水果，从而得出6个水果的平均准确度。 Spearman rho是分析这些数据的最佳方法和/或我可以考虑其他好的方法吗？

14 correlation  ordinal-data  spearman-rho  continuous-data