典型相关分析的复相关系数.docxVIP

典型相关分析的复相关系数 1、 典型相关分析 典型相关分析是对主成分分析和因子分析的进一步发展。这是两个变量之间的依赖关系。将两组变量之间的关系转化为研究两个新变量之间的相关性，并抛弃原有变量的信息。这两个新变量由第一变量和第二变量的线性组合组成。两组变量的数量可以不同，两组变量的描述可以不同。因此, 典型相关分析在实际问题中应用是十分广泛的。 典型性相关分析与简单相关分析相比, 简单相关分析有时可能受某些因素的影响, 反映的是表面的而非本质的联系, 甚至有时是假象。所以, 典型性相关分析在相关分析中有其独特的作用。 现在要研究两组变量之间的相关性, 1936年, Hotelling提出了典型相关分析。基于复相关系数的定义方法, 这里自然考虑到两组变量的线性组合, 并研究它们之间的相关系数p (u, v) 。在所有的线性组合中, 找一对相关系数最大的线性组合, 用这个组合的单相关系数来表示两组变量的相关性, 叫做两组变量的典型相关系数, 而这两个线性组合叫做一对典型变量。 在两组多变量的情形下, 需要用若干对典型变量才能完全反映出它们之间的相关性。下一步, 再在两组变量的与u1, , v1不相关的线性组合中, 找一对相关系数最大的线性组合, 它就是第二对典型变量, 而且p (u2, v2) 就是第二个典型相关系数。这样下去, 可以得到若干对典型变量, 从而提取出两组变量间的全部信息。 典型相关分析的实质就是在两组随机变量中选取若干个有代表性的综合指标, 用这些指标的相关关系来表示原来的两组变量的相关关系。这在两组变量的相关性分析中, 可以起到合理的简化变量的作用;当典型相关系数足够大时, 可以像回归分析那样, 由-组变量的数值预测另一组变量的线性组合的数值。 2、 设计典型相关分析的基本假设 典型相关分析的步骤有: (1) 确定典型相关分析的目标; (2) 设计典型相关分析; (3) 检验典型相关分析的基本假设; (4) 估计典型模型, 评价模型拟合程度; (5) 解释典型变量; (6) 验证模型, 共六步。 2.1 典型相关分析 典型相关分析所适用的数据是两组变量。假定每组变量都能赋予一定的理论意义, 通常一组可以定义为自变量, 另一组可以定义为因变量.典型相关分析可以达到以下目标: (1) 确定两组变量相互独立, 或者相反, 确定两组变量间存在关系的大小。 (2) 为每组变量推导出一组权重, 使得每组变量的线性组合达到最大程度相关。最大化余下的相关关系的其他的线性函数是与前面的线性函数独立的。 (3) 解释自变量与因变量组中存在的相关关系, 通常是通过测量每个变量对典型函数的相对贡献来衡量。 2.2 测量误差分析 典型相关分析作为一种多元分析方法, 与其他的多元分析技术有共同的基本要求。其他方法 (尤其是多元回归、判别分析和方差分析) 所讨论的测量误差的影响、变量类型及变换也与典型相关分析有很大关系。 样本大小的影响和每个变量需要足够的观测都是典型相关分析经常遇到的。研究者容易使自变量组和因变量组包含很多的变量, 而没有认识到样本量的含义。小的样本不能很好地代表相关关系, 这样掩盖了有意义的相关关系。建议研究者至少保持每个变量10个观测, 以避免数据的“过度拟合”。 2.3 相关系数和典型相关的问题 线性假定影响典型相关分析的两个方面。首先, 任意两个变量间的相关系数是基于线性关系的。如果这个关系不是线性的, 一个或者两个变量需要变换。其次, 典型相关是变量间的相关。如果关系不是线性的, 典型相关分析将不能测量到这种关系。 2.4 从变量组变量的选取 每个典型函数都包括一对变量, 通常一个代表自变量, 另一个代表因变量。可从变量组中提取的典型变量 (函数) 的最大数目等于最小数据组中的变量数目。比如, 一个研究问题包含5个自变量和3个因变量、可提取的典型函数的最大数目是3。 2.4.1 典型变量的提取 典型相关函数的推导类似于没有旋转的因子分析的过程。典型相关分析集中说明两组变量间的最大相互关系。第一对典型变量在两组变量中有最大的相互关系。第二对典型变量得到第一对典型变量没有解释的两组变量间的最大相互关系。简言之, 随着典型变量的提取, 接下来的典型变量是基于剩余残差, 并且典型相关系数会越来越少。每对典型变量是正交的, 并且与其它变量是独立的。 2.4.2 共同方差的典型变量 一般来讲, 实际提取的典型函数都是典型相关系数在某个水平 (比如0.05) 上显著的函数。对显著的典型变量的解释是基于这样的假设, 即认为相关的函数中, 每组中的变量都对共同方差有较大贡献。海尔 (Hair, 1984) 等人推荐三个准则结合使用来解释典型函数。这三个准则是: (1) 函数的统计显著性水平; (2) 典型相关的大小; (3) 两个