Pearson correlation皮尔逊相关性分析

这篇具有很好参考价值的文章主要介绍了Pearson correlation皮尔逊相关性分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

在参数检验的相关性分析方法主要是皮尔逊相关(Pearson correlation)。既然是参数检验方法,肯定是有一些前提条件。皮尔逊相关的前提是必须满足以下几个条件:

  • 变量是连续变量;
  • 比较的两个变量必须来源于同一个总体;
  • 没有异常值;
  • 两个变量都符合正态分布。

正态分布的呈现是倒“U”型曲线。在实际分析过程中,想要一份数据同时满足以上条件,确实是有一定难度的。毕竟我们是没法保证收上来的数据,一定恰好是符合正态分布的。

Pearson correlation皮尔逊相关性分析,回归,数据挖掘,人工智能,r语言,开发语言

皮尔逊相关系数的范围是位于[-1,1]之间。相关系数展示了方向性:

  • 如果相关系数接近1,说明两个变量之间呈较高的正相关性;
  • 如果相关系数接近-1,说明两个变量之间呈较高的负相关性;
  • 如果相关系数接近0,说明两个变量之间彼此独立,没有相关性。

皮尔逊相关的结果包括两个值,相关系数和P值。在相关性分析中,P值代表着两个变量是否显著相关。

一般而言,分析结果里,我们先看P值。如果P值小于0.05,那么两个变量呈显著的相关性。

然后再看相关系数的方向性,报告两个变量是显著的正相关或负相关。

SPSS操作详细步骤

第一步,选择“分析”——“相关”——“双变量”。

Pearson correlation皮尔逊相关性分析,回归,数据挖掘,人工智能,r语言,开发语言

第二步,在相关系数里,选择“皮尔逊”。显著性可以选“双侧”。

Pearson correlation皮尔逊相关性分析,回归,数据挖掘,人工智能,r语言,开发语言

 第三步,点击“选项”,可以勾选统计,计算平均数与标准差等,如下图所示。

Pearson correlation皮尔逊相关性分析,回归,数据挖掘,人工智能,r语言,开发语言

其他设置都可以默认。直接点“确定”,就能生成结果了。

如果想要保留SPSS语法文件,可以先点击“粘贴”,保存本次所有操作,如图5.4所示。下次还要执行同样的操作,直接全选以后,点击绿色小三角符号,就可以生成皮尔逊分析结果了。

Pearson correlation皮尔逊相关性分析,回归,数据挖掘,人工智能,r语言,开发语言

皮尔逊相关性分析结果显示,P值显著性为0.222,如红框中所示。P值大于0.05,说明示例的两个变量无显著相关性。相关性系数为0.265,离1比较远,也说明相关性不高。

Pearson correlation皮尔逊相关性分析,回归,数据挖掘,人工智能,r语言,开发语言

 以上就是皮尔逊相关性分析的内容。文章来源地址https://www.toymoban.com/news/detail-615377.html

到了这里,关于Pearson correlation皮尔逊相关性分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数学建模.皮尔逊相关系数

    一.前言 皮尔逊相关系数说白了就是一次函数中的斜率k,反应两个变量之间的关系,与斜率不同的地方在于其数值在1和-1之间,越接近于1,则说明两个变量之间是完全正向的线性关系;越接近于-1,说明两个变量之间是完全负向的线性关系。(本文是作者在学习清风的建模网课

    2024年02月01日
    浏览(51)
  • js计算皮尔逊相关系数

    代码如下; 调用:  效果:

    2024年01月25日
    浏览(41)
  • 相关系数(皮尔逊相关系数和斯皮尔曼相关系数)

     本文借鉴了数学建模清风老师的课件与思路,可以点击查看链接查看清风老师视频讲解:5.1 对数据进行描述性统计以及皮尔逊相关系数的计算方法_哔哩哔哩_bilibili 注:直接先看 ( 三、两个相关系数系数的比较 ) 部分!!! 目录 ​编辑 一、数据的描述性统计分析  二、

    2024年01月21日
    浏览(36)
  • 数学建模学习笔记-皮尔逊相关系数

    内容:皮尔逊相关系数 一.概念:是一个和线性线关的相关性系数 1.协方差概念: 协方差受到量纲的影响因此需要剔除 2.相关性的误区 根据这个结论,我们在计算该系数之前需要确定是否为线性函数 二.相关性的计算 1.Matlab:只含相关性不含假设检验:下面第三大点讲解假设

    2024年02月20日
    浏览(44)
  • 数学建模.皮尔逊相关系数假设检验

    一、步骤 查表找临界值 二、更好的方法 三、使用条件 作图可以使用spss 这个图对不对还不好说,因为还没进行正态分布的验证 四、正态分布验证 (1)JB检验 所以之前的数据的那个表是错的,因为不满足正态分布 (2)Shapiro-wilk检验 看最后一列,为p值,由此观之,不符合原

    2024年01月18日
    浏览(47)
  • 【数学建模】皮尔逊相关系数和假设检验

    为了说明两组数据之间的相关性,例如身高与50米跑步的成绩,我们引入相关系数,本文先介绍person相关系数以及在特定情况下的使用方法。 Person相关系数在 满足特定条件下 用来衡量两个变量之间的相关性。 在正式介绍person相关系数之前,我们先引入协方差的概念 协方差是

    2024年02月09日
    浏览(38)
  • [皮尔逊相关系数corrwith]使用案例:电影推荐系统

    协同过滤算法用于发现用户与物品之间的相关性,主要有两种:基于用户的和基于物品的。 基于用户: 用户1购买了物品A、B、C、D,并给了好评;而用户2也买了A、B、C,那么认为用户1和用户2是同类型用户,也可以把D推荐给用户2。 基于物品: 物品A和物品B都被用户1、2、

    2024年02月10日
    浏览(39)
  • 皮尔逊相关系数及代码实现(C语言+MATLAB)

    皮尔逊相关系数,常用于度量两个变量X和Y之间的相关性(线性相关)。本文通过介绍其 概念定义、数学公式 ,进而引出其 适用场合 ,并基于 MATLAB和C语言 对皮尔逊相关系数分别进行了 代码实现 。 在统计学中, 皮尔逊相关系数( Pearson correlation coefficient) ,又称皮尔逊积

    2024年02月06日
    浏览(42)
  • 使用Python计算皮尔逊相关系数,并用热力图展示

           由于是自我练习的笔记,所以这里先通过Pandas随机生成一部分时序数据,然后再调用corr()函数来计算皮尔逊相关系数,并把计算结果先展示输出出来,最后通过热力图的方式把计算结果展现出来。    下面是开发的具体过程: 1、首先导入需要的算法包 2、生成数据(

    2024年02月09日
    浏览(33)
  • 概率论:方差、标准差、协方差、皮尔逊相关系数、线性相关

    一个随机变量,的值的变化程度可以用方差计算:  ;其中 是期望。 另外一种等价表达式:      其中为均值,N为总体例数 我们举个例子: 服从均一分布,取值为0.1,0.2,0.3,0.4,0.5 ,每种值的概率是20%,可算出期望是0.3,那么方差就是: 标准差是方差的平方根,随机

    2024年02月09日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包