第6章_典型相关分析.pptVIP

典型冗余分析：表示各典型变量对原始变量组整体的变差解释程度。 来自出生指标的第一典型变量U1可解释 相应的出生变量组的58.4%的组内方差， 第二典型变量U2可以解释41.6%的组内方差。 来自受教育与生活水平指标的第一典型变量V1 可解释对立的出生变量组的19.54%的组内方差， 第二典型V2变量可以解释0%的组内方差。 来自受教育与生活水平指标的第一典型变量V1可解释相应的变量组的78.0%的组内方差，第二典型变量V2可以解释5.3%的组内方差。 可见第二典型变量的解释能力不够强。 由于 所以若M的特征根为? ，则(l-M)的特征根为(1-?)。根据矩阵行列式与特征根的关系，可得： 在原假设为真的情况下，检验的统计量 近似服从自由度为pq的?2分布。在给定的显著性水平?下，如果?2??2 (pq)，则拒绝原假设，认为至少第一对典型变量之间的相关性显著。 依此类推，再检验下一对典型变量之间的相关性。直至相关性不显著为止。对两组变量x与y进行典型相关分析，采用的也是一种降维技术。我们希望使用尽可能少的典型变量对数，为此需要对一些较小的典型相关系数是否为零进行假设检验。H0经检验被拒绝，则应进一步检验假设。 若原假设H0被接受，则认为只有第二对典型变量是有用的；若原假设H0被拒绝，则认为第二对典型变量也是有用的，并进一步检验假设。 （二）部分总体典型相关系数为零的检验 如此进行下去.直至对某个k 检验的统计量 近似服从自由度为(p-k)(q-k)的?2分布。在给定的显著性水平?下，如果?2??2 [(p-k)(q-k)]，则拒绝原假设，认为至少第k+1对典型变量之间的相关性显著。 第四节 典型相关分析的计算步骤 在实际应用中，总体的协方差矩阵常常是未知的，类似于其他的统计分析方法，需要从总体中抽出一个样本，根据样本对总体的协方差或相关系数矩阵进行估计，然后利用估计得到的协方差或相关系数矩阵进行分析。由于估计中抽样误差的存在，所以估计以后还需要进行有关的假设检验。 1、假设有X组与Y组变量，样本容量为n。假设( X1, Y1), ( X2, Y2),…, ( Xn, Yn)，观测值矩阵为： 2、计算特征根与特征向量 求M1和 M2的特征根 ，对应的特征向量 。则特征向量构成典型变量的系数，特征根为典型变量相关系数的平方。 第五节 邮电业与国民经济的典型相关分析 二、数据分析 我们将基于1995年到2007年我国国民经济数据(数据来自于中国统计年鉴)，利用Stata软件来做邮电业与国民经济之间的典型相关分析。数据具体见表1. 我们将采用如下指标来衡量 我国各年份的邮电业： 采用下面的指标来衡量 我国各年份的经济（单位都是万亿） . canon (x1-x4) (y1-y4) . canon (x1-x4) (y1-y4), test(1 2 3 4) 用似然比法检验典型相关系数与零的差别是否显著，检验r1时，其零假设为r1以及小于r1的所有典型相关系数都为零；检验时r2,其零假设为r2以及小于r2的所有典型相关系数都为零，依此类推。所求的似然比统计量近似服从Ｆ，其Ｐ值说明第1与第2典型相关系数分别具有非常显著和显著的意义。 . canon (x1-x4) (y1-y4), stdcoef 从标准化变量出发的典型系数 ,对分析结果进行整理。 样本资料是从1995到2007年，即样本数是13，第一组变量数p=4,第二组变量数q=4。从Stata分析结果看，4个典型相关系数分别为：r1=0.9984，r2=0.9512，r3=0.4436，r4=0.3556. 经似然比检验的结果，前两对典型变量在0.05显著水平下显著相关。 前两对标准化的典型变量的线性组合是： 对结果进行经济意义解释。 . estat loading . findit canred . canred 1 Canonical redundancy analysis for canonical correlation 1 Canonical correlation coefficient 0.9984 Squared canonical correlation coefficient 0.9968 own opposite Proportion of standardized variance variate variate of u variables with ... 0.629