第9章 相关和回归非参数统计,西南财大.doc

相关和回归 Spearman相关检验 在给定一列数对，(，之后，要检验他们所代表的二元变量X和Y是否相关。 首先将X和Y的观测值分别排序，分别得各自得秩统计量 ，(， 计算R和S的相关系数，我们知道 令 Spearman的相关系数为 例：下面是10个国家和地区1997年的国际化程度和国际竞争力的资料。 国家或地区 国际化程度排名 国际竞争力排名 美国 1 1 9 0 新加坡 2 2 8 0 香港 3 3 7 0 卢森堡 4 9 5 1 英国 5 12 3 2 荷兰 6 4 4 0 爱尔兰 7 11 3 0 德国 8 14 2 0 比利时 9 23 0 1 法国 10 21 0 0 Correlations(a) VAR00001 VAR00002 Spearmans rho VAR00001 Correlation Coefficient 1.000 .927(**) Sig. (2-tailed) . .000 VAR00002 Correlation Coefficient .927(**) 1.000 Sig. (2-tailed) .000 . Kendallτ检验 Kendallτ检验是从另一个角度来看相关,其检验的假设为： 定义(Kendallτ相关系数) 令 称为Kendallτ相关系数。 是X与Y协同的对数，或得+1的对数。是X与Y不协同的对数，或得-1的对数。 。 从定义可以看出，当二变量是相关的，则K的绝对值大，反之当K的绝对值接近1，则x与Y是相互无关的。值界于-1～1之间。 当样本容量足够大时，。 VAR00001 VAR00002 Kendalls tau_b VAR00001 Correlation Coefficient 1.000 .822(**) Sig. (2-tailed) . .001 VAR00002 Correlation Coefficient .822(**) 1.000 Sig. (2-tailed) .001 . ** Correlation is significant at the 0.01 level (2-tailed). 多元变量协同系数检验 在实际生活中，经常需要按照某些特别的性质来多次(m次)对n个个体进行评估或排序，比如m个裁判者对于n种品牌酒类的排队，m个选民对n个候选人的评价，m个咨询机构对一系列(n个)企业的评估以及体操裁判员对运动员的打分等等。人们往往想知道，这m个结果是否多少一致。如果很不一致，则这个评估多少有些随机，没有多大意义。令零假设为从：“这些评估(对于不同个体)是不相关的或者是随机的”而备择假设为H1：“它们(对各个个体虔正相关的或者是多少一致的。”这里完全有理由用前面的Friedman方法来检验。Kendall一开始也是这样做的，后来，Kendall和Slith(1939)提出了协同系数(Coefficient of concordance)，协同系数可以看成为二元变量的Kendall τ在多元情况的推 广，Kendall协同系数定义为 这里S是个体的总秩与平均秩的偏差的平方和，每个评估者(共m个)对于所有参加排序的个体有一个从1到n的排列(秩)，而每个个体有m个打分(秩)，记Ri为第i个个体的秩的和，(i=l，…，n)，则 因为总的秩为m(l＋…＋n)mn(n＋1)／2，平均秩为m(n＋l)／2， Kendall协同系数W还可以写成下面的形式： 上面右边的表达式计算起来较方便，W的取值范围是从0到1，对W和S都有表可查，当n大时，可以利用大样本性质：在零假设下，对固定的m，当n→∞时， W的值大(显著)，意味着各个个体在评估中有明显不同，这样所产生的评估结果是有道理的；而如果W不显著，意味着评估者对于诸位个体的意见很不一致，则没有理由认为能够产生一个共同的评估结果。 下面以 4个独立的环境研究单位对 10个城市空气等级排序的结果为例。在DPS下编辑定义数据的格式如表： 4个研究单位对 10个城市空气等级排序结果 评估 机构 被评估的10个城市(A~J)的排名 A B C D E F J H I J A 9 2 4 10 7 6 8 5 3 1 B 10 1 3 8 7 5 9 6 4 2 C 8 4 2 10 9 7 5 6 3 1 D 9 1 2 10 6 7 4 8 5 3 计算结果为W=0.8530，卡方值等于30.709。在零假设下，利用χ2近似的p值为0.0003，因此，可以对大于或等于该值的水平拒绝零假设，也就是说，这个评估是有道理的。 Theil回归和最小中位数二乘回归 在