Pearson（皮尔逊）相关系数及MATLAB实现.pdfVIP

Pearson（⽪尔逊）相关系数及MATLAB实现

由于使⽤的统计相关系数⽐较频繁，所以这⾥就利⽤⼏⽂章简单介绍⼀下这些系数。

相关系数：考察两个事物（在数据⾥我们称之为变量）之间的相关程度。

如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解：

(1)、当相关系数为0时，X和Y两变量⽆关系。

(2)、当X的值增⼤（减⼩），Y值增⼤（减⼩），两个变量为正相关，相关系数在0.00与1.00之间。

(3)、当X的值增⼤（减⼩），Y值减⼩（增⼤），两个变量为负相关，相关系数在-1.00与0.00之间。

相关系数的绝对值越⼤，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。

通常情况下通过以下取值范围判断变量的相关强度：

相关系数0.8-1.0极强相关

0.6-0.8强相关

0.4-0.6中等程度相关

0.2-0.4弱相关

0.0-0.2极弱相关或⽆相关

Pearson（⽪尔逊）相关系数

1、简介

⽪尔逊相关也称为积差相关（或积矩相关）是英国统计学家⽪尔逊于20世纪提出的⼀种计算直线相关的⽅法。

假设有两个变量X、Y，那么两变量间的⽪尔逊相关系数可通过以下公式计算：

公式⼀：

⽪尔逊相关系数计算公式

公式⼆：

⽪尔逊相关系数计算公式

公式三：

⽪尔逊相关系数计算公式

公式四：

⽪尔逊相关系数计算公式

以上列出的四个公式等价，其中E是数学期望，cov表⽰协⽅差，N表⽰变量取值的个数。

2、适⽤范围

当两个变量的标准差都不为零时，相关系数才有定义，⽪尔逊相关系数适⽤于：

(1)、两个变量之间是线性关系，都是连续数据。

(2)、两个变量的总体是正态分布，或接近正态的单峰分布。

(3)、两个变量的观测值是成对的，每对观测值之间相互独⽴。

3、Matlab实现

⽪尔逊相关系数的Matlab实现（依据公式四实现）：

[cpp]

1.functioncoeff=myPearson(X,Y)

2.%本函数实现了⽪尔逊相关系数的计算操作

3.%

4.%输⼊：

5.%X：输⼊的数值序列

6.%Y：输⼊的数值序列

7.%

8.%输出：

9.%coeff：两个输⼊数值序列X，Y的相关系数

10.%

11.

12.

13.iflength(X)~=length(Y)

14.error(两个数值数列的维数不相等);

15.return;

16.end

17.

18.fenzi=sum(X.*Y)-(sum(X)*sum(Y))/length(X);

19.fenmu=sqrt((sum(X.^2)-sum(X)^2/length(X))*(sum(Y.^2)-sum(Y)^2/length(X)));

20.coeff=fenzi/fenmu;

21.

22.end%函数myPearson结束

也可以使⽤Matlab中已有的函数计算⽪尔逊相关系数：

[cpp]

1.coeff=corr(X,Y);

4、参考内容