典型相关分析.ppt

一元统计的分布与多元统计分布关系 典型相关分析 一、什么是典型相关分析及基本思想 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。如果能够采用类似于主成分的思想，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。 例 家庭特征与家庭消费之间的关系 为了了解家庭的特征与其消费模式之间的关系。调查了70个家庭的下面两组变量： 分析两组变量之间的关系。 u2和v2与u1和v1相互独立，但u2和v2相关。如此继续下去，直至进行到r步，r?min(p,q)，可以得到r组变量。 二、典型相关的数学描述 （一）想法 考虑两组变量的向量 如果我们记两组变量的第一对线性组合为： （二）典型相关系数和典型变量的求法 在剩余的相关中再求出第二对典型变量和他们的典型相关系数。设第二对典型变量为： 例 家庭特征与家庭消费之间的关系 为了了解家庭的特征与其消费模式之间的关系。调查了70个家庭的下面两组变量： 分析两组变量之间的关系。 三、典型变量的性质 1、同一组的典型变量之间互不相关 2、不同组的典型变量之间相关性 不同组内典型变量之间的相关系数为： 两个反映消费的指标与第一对典型变量中u1的相关系数分别为0.9866和0.8872，可以看出u1可以作为消费特性的指标，第一对典型变量中v1与Y2之间的相关系数为0.9822，可见典型变量v1主要代表了了家庭收入， u1和 v1的相关系数为0.6879，这就说明家庭的消费与一个家庭的收入之间其关系是很密切的；第二对典型变量中u2与x2的相关系数为0.4614，可以看出u2可以作为文化消费特性的指标，第二对典型变量中v2与Y1和Y3之间的分别相关系数为0.8464和0.3013，可见典型变量v2主要代表了家庭成员的年龄特征和教育程度， u2和 v2的相关系数为0.1869，说明文化消费与年龄和受教育程度之间的有关。 4、各组原始变量被典型变量所解释的方差 X组原始变量被ui解释的方差比例 五、样本典型相关系数 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组和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、计算特征根和特征向量 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。 六、典型相关系数的检验 　　典型相关分析是否恰当，应该取决于两组原变量之间是否相关，如果两组变量之间毫无相关性而言，则不应该作典型相关分析。用样本来估计总体的典型相关系数是否有误，需要进行检验。 　 　　　检验的统计量： 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。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和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。 （二）部分总体典型相关系数为零的检验 H0:P2＝…＝Pr＝0 Hl:P2，P3，Pr至少有一个不为零。若原假设H0被接受，则认为只有第一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： H0:P3＝…＝Pr＝0 H1:P3，…，Pr至少有一个不为零。 如此进行下去.直至对某个k， H0:P(k十1)＝…＝PM＝0 H1:P(k+1),…，Pm至少有一个不为零。 检验的统计量 职业满意度典型相关分析 某调