pearson相关和spearman的区别.docVIP

pearson相关和spearman的区别 两个变量之间的皮尔逊积矩相关系数定义为这两个变量的协方差与二者标准差积的商，即 spearman 的区别 title=[转载]pearson相关和 spearman 的区别 height=58 width=316上式定义了总体相关系数，一般用希腊字母ρ（rho）表示。若用样本计算的协方差和标准差代替总体的协方差和标准差，则为样本相关系数，一般用r表示： spearman 的区别 title=[转载]pearson相关和 spearman 的区别 height=125 width=294另外一个与上式等效的定义相关系数的公式是通过标准化以后变量均值的积定义的。假设样本可以记为spearman 的区别 title=[转载]pearson相关和 spearman 的区别 height=38 width=67，则样本Pearson相关系数为 spearman 的区别 title=[转载]pearson相关和 spearman 的区别 height=100 width=316其中spearman 的区别 title=[转载]pearson相关和 spearman 的区别 height=73 width=157别为标准化变量，样本均值和样本标准差。 1总体的Pearson相关系数是通过原点矩来定义的，所以二元概率分布的总体协方差以及变量边缘总体反差必须是有意义且是非零的。一些概率分布例如柯西（Cauchy）分布的反差就是无意义的，因此在X或Y服从这种分布时，是没有意义的。对于二元正态分布的，Pearson相关系数可以精确地估计两样本之间的相关关系。对于非正态总体，样本相关系数依然是渐进无偏的，但是可能不是有效的估计。 2.受异常值影响大。 3.为了使用Pearson线性相关系数必须假设数据是成对地从正态分布中取得的，并且数据至少在逻辑范畴内必须是等间距的数据。如果这两条件不符合，一种可能就是采用Spearman秩相关系数来代替Pearson线性相关系数。1.连续数据，正态数据，线性数据用person相关系数是最恰当的，当然也可以用spearman相关系数。效率没前者高 2.上述任一条件不满足，就用spearman相关系数，不能用pearson相关系数。 3.两个定序测量数据之间也用spearman相关系数，不能用pearson相关系数。