多元统计报告.docVIP

典型相关分析 摘 要 ：本文首先介绍了典型相关的基本思想，然后分别介绍了典型相关的相关知识和典型相关分析的基本步骤，同时探讨了典型相关分析相关问题说明。 关键词 ：典型相关分析；基本思想；性质；基本步骤；显著性检验 引言 典型相关分析着眼与识别和量化两组随机变量之间的相关性，它是两个随机变量之间的相关性在两组变量之下的推广。我们知道，两个随机变量和的相关性可用它们之间的相关系数 (1) 来度量，但在许多实际问题中，需要研究两组随机变量之间的相关性。例如：工厂质量管理人员需要了解原料的主要质量指标,和产品的主要质量指标之间的相关性，以采取措施提高产品质量；在生物学中，常常需要了解某生物种群状况（用一组变量来描述）与其生活环境状况（用另一组变量来描述）之间的相关性这对于保护生态平衡具有指导意义；在流行病学研究中，需要了解某种传染病的传染情况（用一组变量来刻画）和自然环境及社会环境（用另一组变量来刻画）之间的相关性，以便制定有效的控防策略等等。总之，了解两组变量的相关性有其广泛的应用背景。虽然利用（1）式可以了解每对变量和之间的相关性，但不能全面反映两组变量间的整体相关性，尤其是当两组变量的维数均较大时，只孤立了解各对变量和之间的相关性，也不利于实际问题的全面分析和解决。 受主成分分析思想的启发，我们可以分别构造各组变量的适当线性组合，将两组变量的相关性转化为两个变量的相关性来考虑，具体说，设和为感兴趣的两组变量，令： 确定向量和使、最大可能地提取与之间的相关性，即使达到最大，我们称为一对典型变量，若只有一对典型变量还不足以提取两组变量的相关性，再考虑构造第二对，第三对等等，并使各对典型相关变量所提取的相关性凝结为少数几对典型变量间的相关性，通过对相关性较大的少数几对典型变量的研究来了解原来的两组变量相关性，从而容易抓住问题的本质。 二、典型相关分析的基本思想 在一元统计分析中，研究两个随机变量之间的线性相关关系，可用相关系数（称为简单相关系数）；研究一个随机变量与多个随机变量之间的线性相关关系，可用复相关系数（称为全相关系数）。1936年首先将它推广到研究多个随机变量与多个随机变量之间的相关关系的讨论中，提出了典型相关分析[1]。 典型相关分析的基本思想：首先在每组变量中找出变量的线性组合，使其具有最大相关性，然后再在每组变量中找出第二对线性组合，使其分别与第一对线性组合不相关，而第二对本身具有最大的相关性，去此下去，直到两组变量的相关性被提取完毕为止。有了这样线性组合的最大相关，则讨论两组变量之间的相关就转化为只研究这些线性组合的最大相关，从而减少研究变量的个数。典型相关分析从本质上可以看出作为多个独立变量与多个依赖变量之间的一种线性回归分析。 三、典型相关分析的相关知识 1.总体典型相关 ①典型相关和典型相关变量的定义 定义1 设，，维随机向量的均值向量为0，协方差阵为(不防设) 。如果存在和，使得： （1）和前面对典型相关变量都不相关； （2）=1，； （3）与的相关系数最大， 则称是的第对（组）典型相关变量，它们之间的相关系数称为第个典型相关系数（）。 ②典型变量的性质 性质1 设为的第对典型相关变量；令,,则 , 其中。 此性质说明互不相关；互不相关；且与（）也不相关；而。 性质2 原始变量与典型变量之间的相关性。 求出典型变量后，进一步来计算原始变量与典型变量之间的相关系数矩阵，也称为典型结构。 记为矩阵，为矩阵，设典型随机变量=,=, 维随机变量的协方差矩阵为，则 利用协方差进一步可以计算原始变量与典型变量之间的相关系数，若假定原始变量均为标准化变量，则通过以上计算所得的原始变量与典型变量的协方差阵就是相关系数矩阵。 性质3 设和分别为维和维随机向量，令其中为非退化矩阵，为维常向量，为非退化矩阵，为维常向量，则 （1）和的典型相关变量为和，其中，；而和是和的第对典型相关变量的系数。 （2），即线性变换不改变相关性。 2 样本典型相关[2] 设总体，在实际问题中，总体的均值向量和协方差阵通常是未知的，因而无法求得总体的典型相关变量和典型相关系数，首先需要根据感测得到的样本数据阵对进行估计。 已知总体的次观测数据为： 于是样本数据为 若假定，则协方差矩阵的最大似然估计为 其中，令，