典型相关分析橙色风暴.pptVIP

* * 数 学 建 模 华中农业大学数学建模基地系列课件 现实生活中两组变量间的相关关系的问题很多， 例如家庭的特征（如户主的年龄、家庭的年收入、户 主的受教育程度等）与消费模式（如每年去餐馆就餐 的频率、每年外出看电影的频率等）等等。为此， 1936年由Hulling提出了典型相关分析，揭示了两组 多元随机变量之间的关系。 典型相关分析 典型相关分析基本思想 通常情况下，为了研究两组变量 的相关关系，可以用最原始的方法，分别计算两组变量之间的全部相关系数，一共有pq个简单相关系数，这样又烦琐又不能抓住问题的本质。如果分别找出两组变量的各自的某个线性组合，讨论线性组合之间的相关关系，则更简捷。 首先分别在每组变量中找出第一对线性组合， 使其具有最大相关性， 然后再在每组变量中再找出第二对线性组合，使其分别与本组内的第一线性组合不相关，第二对本身具有次大的相关性，即u2和v2与u1和v1相互独立，但u2和v2相关， 如此下去，直至两组变量的相关性被提取完为止。 例：蔬菜产出水平主要体现在蔬菜总产量(Y1)、人均 蔬菜占有量(Y2)、蔬菜总产增长速度(Y3)三个方面， 并称作因变量组（简称“产出组”）。问题：因变量组 与自变量X1(市场经济综合因素)、X2(劳动力动力因 素) 、X3(气候因素)(简称“影响组”)的关系如何？ data ex; input y1-y3 x1-x3 @@; cards; /*数据省略*/ proc cancorr data=ex all;var y1-y3; with x1-x3; run; 程序运行结果如下： 结果表明：前两个典型相关系数较高，表明相应典型变量之间密切相关。 1.0000 0.0081 0.2390 0.232983 0.439231 3 0.9919 0.0649 1.9142 0.099059 0.810462 2 0.9270 0.9270 27.3309 0.010189 0.982193 1 累计方差比率 方差比率 特征值 标准误差 典型相关系数 序号 整理得到蔬菜产出水平与影响因素的三个自变量的 典型相关系数及特征值 0.1765 1 2.15 3 0.0282 4 3.60 2 0.0001 9 10.88 1 F检验的显著性概率 自由度 F计算值 序号 结果表明：只有前两对典型变量通过了统计量检验， 表明相应典型变量之间相关关系显著，能够用三个自 变量影响变量来解释产出变量。 冗余度分析的结果 * * *