文档介绍：该【相关分析pearsonspearmankendall的区别 】是由【雨林书屋】上传分享，文档一共【2】页，该文档可以免费在线阅读，需要了解更多关于【相关分析pearsonspearmankendall的区别 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。Pearson,Spearman和Kendall三种相关解析方法的异同
Pearson(皮尔逊):
线性相关性(linearcorrelation):又简称简单相关(simplecorrelation),用来胸襟拥有线性关系的两个变量之间,相关关系的亲近程度及其相关方向,适用于双变量正态分布资料。线性相关系数,又称为简单相关系数,Pearson(皮尔逊)相关系数或相关系数。有时也称为积差相关系数(coefficient
ofproduct-momentcorrelation)。
适用条件:
样本容量大于等于30,这样才能保证计算的数据拥有代表性,计算出的积差相关系数可以有效说明两个变量的相关关系。
两个变量的所属整体都呈正态分布,最少是凑近正态的单峰分布。
两个变量都是由丈量所得的连续性数据。
两个变量间的相关是线性相关。
消除共变要素的影响。
计算连续变量或是等间距测度的变量间的相关解析。
Spearman等级相关系数(斯皮尔曼):
Spearman相关系数又称秩相关系数,是利用两变量的秩次大小作线性相关解析,对原始变量的分布不做要求,属于非参数统计方法,适用范围要广些。Spearman相关系数相当于Pearson相关系数的非参数形式,它依据数据的秩而不是数据的实质值计算,适用于有序数据和不满足正态分布假设的等间隔数据。Spearman相关系数的取值范围也在(-1,1)之间,绝对值越大相关性越强,取值符号也表示相关的方向。对于遵从Pearson相关系数的数据亦可计算Spearman相关系数,但统计效能要低一些。
适用条件:
只有两个变量,且都为序次变量(等级变量),或一列数据是序次变量数据,另一列数据是连续变量数据。
适用于描述称名数据温序次数据的相关状况。
两个连续变量察看的数据,最少有一列数据是由非丈量方法大概评估获取的。如使用作品解析法,议论者只好在必定标准基础上,依靠自己的经验进行大概评估。
从Spearman等级相关的使用条件可以看出,其不受样本大小、变量分布形态,数据能否拥有连续
性的条件限制,所以当数据不满足Pearson积差相关的使用条件时,可以使用Spearman等级相关。但Spearman等级相关需将连续性数据变换为序次数据,会遗漏数据原有信息,没有积差相关的正确
度高。所以,当数据吻合积差相关的使用条件时,不要使用等级相关进行计算。
word.
Kendall’stau-b等级相关系数(肯德尔):
Kendall相关系数是对两个有序变量或两个秩变量之间相关程度的胸襟统计量,所以也属于非参
数统计范围。与Spearman差别在于某一比较数据需要有序,在有序状况下计算速度比Spearman快。
用于反响分类变量相关性的指标,适用于两个分类变量均为有序分类的状况。
对相关的有序变量进行非参数相关检验。
计算Kendall秩相关系数,合适于定序变量或不满足正态分布假设的等间隔数据。
若不适适用了Kendall等级相关解析则可能得出相关系数偏小的结论。
Person相关Spearman相关Kendal’stau-b相关
word.