第十章-典型相关分析.ppt

2021/9/12 * 三、从相关矩阵出发计算典型相关 有时,x和y的各分量的单位不全相同,我们希望在对各分量作标准化变换之后再作典型相关分析。 设 为 的相关矩阵,现来求x*和y*的典型相 关变量 。 2021/9/12 * 于是 因为 所以 式中 ,有 。同理 式中 ,有 。 2021/9/12 * 由此可见, 为x*和y*的第i对典型系数,其第i典型相关系数仍为ρi,在标准化变换下具有不变性,这一点与主成分分析有所不同。 由于 故x*和y*的第i对典型变量 是x和y的第i对典型变量ui=ai′x,vi=bi′y的中心化值,自然都具有零均值。 例10.2.1 设x,y有如下相关矩阵: 这里|α|＜1, | γ|＜1,可以保证 存在。 2021/9/12 * 由于11′有唯一的非零特征值1′1=2,故 有唯一非零特征值 在约束条件 下,相应于特征值 的特征向量为 。同理,在约束条件 下, 2021/9/12 * 相应于特征值 的特征向量为 。所以,第一对典型变量为 第一典型相关系数为 。由于|α|1, |γ|1,故ρ1|β|,表明第一典型相关系数大于两组原始变量之间的相关系数。 2021/9/12 * §10.3 样本典型相关 设数据矩阵为 则样本协方差矩阵为 S可用来作为Σ的估计。当np+q时, 可分别作为 的估计;它们的非零特征值 可用来估计 ; 2021/9/12 * 相应的特征向量 作为a1,a2,?,am的估计, 作为b1,b2,?,bm的估计。 的正平方根rj称为第i样本典型相关系数, 称为第i对样本典型相关变量, i=1,2,?,m。 中心化的m对典型变量为 将样本(xj,yj),j=1,2,?,n代入上式,有 分别称uji和vij为（第j个样品的）xj和yj的第i样本典型变量得分。由约束条件 可得ui的样本方差 2021/9/12 * 同理可得vi的样本方差 可画出第一对典型变量得分(uj1,vj1),j=1,2,?,n的散点图,该图能最大限度地呈现两组变量之间的相关性,也可用来检查是否有异常值出现。如需要,可再画出第二对或更多对的典型变量得分散点图。 样本典型变量对（在前述的约束条件下）使样本相关系数达到最大,而非使（总体）相关系数达到最大;同组的样本典型变量之间是样本不相关,而非（总体）不相关;样本典型变量的样本方差为1,而非（总体）方差为1。 2021/9/12 * 例10.3.1 某康复俱乐部对20名中年人测量了三个生理指标:体重(x1)、腰围(x2)、脉搏(x3)和三个训练指标:引体向上(y1)、起坐次数(y2)、跳跃次数(y3)。其数据列于表10.3.1。 表10.3.1 某康复俱乐部的生理指标和训练指标数据 编 号 x1 x2 x3 y1 y2 y3 1 191 36 50 5 162 60 2 189 37 52 2 110 60 3 193 38 58 12 101 101 4 162 35 62 12 105 37 5 189 35 46 13 155 58 6 182 36 56 4 101 42 7 211 38 56 8 101 38 2021/9/12 * 8 167 34 60 6 125 40 9 176 31 74 15 200 40 10 154 33 56 17 251 250 11 169 34 50 17 120 38 12 166 33 52 13 210 115 13 154 34 64 14 215 105 14 247 46 50 1 50 50 15 193 36 46 6 70 31 16 202 37 62 12 210 120 17 176 37 54 4 60 25 18 157 32 52 11 230 80 19 156 33 54 15 225 73 20 138 33 68 2 110 43 2021/9/12 * 的特征值分别为0.6330、0.0402和0.0053,于是 r1=0.796,r2=0.201,r3=0.073 相应的样本典型系数向量为 2021/9/12 * 因此,第一对样本典型变量为