タグ付けされた質問 「correlation」

変数のペア間の線形関連の度合いの尺度。


1
多くのゼロ値を持つ時系列の分析
この問題は実際には火災検知に関するものですが、いくつかの放射性崩壊検知問題に非常に類似しています。観察されている現象は散発的であり、非常に多様です。したがって、時系列は、変数値によって中断されたゼロの長い文字列で構成されます。 目的は、イベント(ゼロのブレーク)をキャプチャするだけでなく、イベント自体の定量的な特性評価です。ただし、センサーは限られているため、「現実」がゼロ以外であってもゼロを記録する場合があります。このため、センサーを比較するときにはゼロを含める必要があります。 センサーBはセンサーAよりも感度が高い可能性がありますが、統計的に説明したいと思います。この分析では、「真実」はありませんが、センサーAとBから独立したセンサーCがあります。したがって、私の期待は、A / BとCのより良い一致が「真実」とのより良い一致を示すことです。(これは不安定に思えるかもしれませんが、あなたは私を信頼する必要があります-センサーに関する他の研究から知られていることに基づいて、私はここで確固たる地位にいます)。 問題は、「時系列のより良い一致」を定量化する方法です。相関関係は明らかな選択ですが、これらすべてのゼロ(除外することはできません)の影響を受け、もちろん最大値の影響は不均衡になります。RMSEも計算できますが、ゼロに近い場合のセンサーの動作に対して強く重み付けされます。 Q1:時系列分析でゼロと結合される非ゼロ値に対数スケーリングを適用する最良の方法は何ですか? Q2:このタイプの時系列分析に推奨できる「ベストプラクティス」は何ですか。ゼロ以外の値での動作が焦点ですが、ゼロの値が支配的であり、除外できません。

1
対数正規確率変数の達成可能な相関
およびの対数正規確率変数およびを考え。X 2ログ(X 1)〜N(0 、1 )ログ(X 2)〜N(0 、σ 2)X1X1X_1X2X2X_2log(X1)∼N(0,1)log⁡(X1)∼N(0,1)\log(X_1)\sim \mathcal{N}(0,1)log(X2)∼N(0,σ2)log⁡(X2)∼N(0,σ2)\log(X_2)\sim \mathcal{N}(0,\sigma^2) ρmaxρmax\rho_{\max} ρ (X 1、X 2)ρminρmin\rho_{\min}ρ(X1,X2)ρ(X1,X2)\rho (X_1,X_2) ρmax=ρ(exp(Z),exp(σZ))ρmax=ρ(exp⁡(Z),exp⁡(σZ))\rho_{\max}=\rho (\exp(Z),\exp(\sigma Z))および ρmin=ρ(exp(Z),exp(−σZ))ρmin=ρ(exp⁡(Z),exp⁡(−σZ))\rho_{\min}=\rho (\exp(Z),\exp(-\sigma Z))、 しかし、彼らは共単調性と反共等張性についていくつか言及しています。私は誰かがそれらがどのように関連しているかを理解するのを手伝ってくれることを望んでいました。(一般的な表現からこれを取得する方法は知っていますが、共単調性部分が何を言っているかを具体的に知りたいです。)


4
相関の非推移性:性別と脳の大きさの間、および脳の大きさとIQの間の相関関係、性別とIQの間の相関関係はない
ブログで次の説明を見つけましたが、相関関係の非推移性に関する詳細情報を取得したいと思います。 次の議論の余地のない事実があります。 平均して、男性と女性の間で脳容積に違いがあります IQと脳の大きさの間には相関関係があります。相関は0.33であるため、IQの変動の10%に相当します これらの前提1と2から、論理的には次のように思われる:平均して女性は男性よりも低いIQを持っている。しかし、それは誤りです!統計では、相関関係は推移的ではありません。証拠は、IQテストの結果を見るだけでよく、男性と女性のIQが平均して変わらないことを示しています。 この相関関係の非推移性をもう少し深く理解したいと思います。 IQと脳の大きさの相関関係が0.9だった場合(これは(1)ではないことを知っています)、男性よりも平均して女性のIQが低いと推測することはまだ誤解でしょうか? どうか、IQ(およびテストの限界)、性差別、女性のステレオタイプ、慢などについて話をするためにここにいるのではありません(2)。誤justの背後にある論理的な理由を理解したいだけです。 (1)ネアンデルタール人の頭脳はホモサピエンスよりも大きかったが、賢くはなかった。 (2)私は女性であり、全体として、自分自身や他の女性の方が男性よりも賢くないと考えています。IQテストは気にしません。知的能力。 フランス語の元のソース: les faits indiscutables suivantsについて: il ya unedifférencede volumecérébralen moyenne entre hommes et femmes QIとボリューム・セレブラル全体の相関関係。相関係数0.33以下、10%の変動係数に対応 1回目と2回目はsembledécoulerlogiquement que:les femmes ont en moyenne un QIinférieuraux hommes。 Mais c'est une erreur de raisonnement!統計上、相関関係は一時的なものではありません。La preuve、c'est que pour en avoir lecœurnet、il suffit de relever les …

1
重回帰の予測変数間の高い相関関係に対処する方法
次のような記事で参照を見つけました。 Tabachnick&Fidell(1996)によれば、0.70を超える二変量相関を持つ独立変数は重回帰分析に含まれるべきではありません。 問題:重回帰設計で使用した3つ以上の変数は.80以上、VIFは約.2-.3、許容値〜4〜5です。それらのいずれも除外できません(重要な予測変数と結果)。.80で相関した2つの予測子の結果を回帰すると、それらは両方とも有意なままであり、それぞれが重要な分散を予測し、これらの同じ2つの変数は、含まれる10個の変数の中で最大の部分と半部分の相関係数を持ちます(5つのコントロール)。 質問:相関が高いにもかかわらず、私のモデルは有効ですか?参考文献は大歓迎です! 答えてくれてありがとう! ガイドラインとしてTabachnickとFidellを使用しませんでした。予測子間の高い共線性を扱う記事でこの参照を見つけました。 したがって、基本的に、モデル内の予測子の数に対してケースが少なすぎます(多くのカテゴリカル、ダミーのコード化制御変数-年齢、在職期間、性別など)-72ケースの13変数。条件インデックスは、すべてのコントロールが含まれる場合は〜29、コントロールが含まれない場合は〜23(5変数)です。 理論的には独自の意味を持つため、変数を削除したり、要因分析を使用してそれらを結合することはできません。より多くのデータを取得するには遅すぎます。SPSSで分析を行っているので、おそらく、リッジ回帰の構文を見つけるのが最善でしょう(ただし、これを以前に行ったことはなく、結果の解釈は私にとっては新しいものです)。 問題があれば、段階的回帰を行ったときに、同じ2つの相関の高い変数が結果の単一の重要な予測因子のままでした。 そして、これらの各変数の高い部分相関が、モデルに保持されている理由の説明として重要であるかどうかはまだわかりません(リッジ回帰が実行できない場合)。 「回帰診断:影響力のあるデータと共線性の原因を特定する/ David A. Belsley、Edwin Kuh、Roy E. Welsch、1980」は多重共線性を理解するのに役立ちますか?または、他の参照が役立つでしょうか?

5
実際に使用されている堅牢な相関法はどれですか?
いくつかのロバストな相関手法のパフォーマンスを異なる分布(スキュー、外れ値など)と比較するシミュレーション研究を行う予定です。で堅牢、私は)歪んだ分布、b)の外れ値、およびc)重い尾に対して堅牢であることの理想的なケースを意味します。 ベースラインとしてのピアソン相関に加えて、次のより堅牢な測定を含めることを考えていました。 スピアマンのρρ\rho パーセント曲げ相関(Wilcox、1994、[1]) 最小量は(共分散行列式、最小楕円体cov.mve/ cov.mcdとcor=TRUEオプション) おそらく、ウィンザー化された相関 もちろん、さらに多くのオプションがあります(特に堅牢な回帰手法も含める場合)が、ほとんど使用されている/ほとんど有望なアプローチに限定したいと思います。 現在、3つの質問があります(1つだけお気軽に回答してください)。 他に含めることができる/含めるべき堅牢な相関法はありますか? あなたの分野で実際に 使用されて いる堅牢な相関技術はどれですか?(心理学の研究について言えば、スピアマンの除いて、技術論文以外ではロバストな相関技術を見たことはありません。ブートストラップはますます一般的になっていますが、他のロバストな統計は多かれ少なかれ存在しません)。ρρ\rho すでに知っている複数の相関手法の体系的な比較はありますか? また、上記のメソッドのリストにコメントしてください。 [1]ウィルコックス、RR(1994)。曲げ相関係数のパーセンテージ。Psychometrika、59、601から616まで。

4
線形回帰の帰無仮説の変更
相関性の高いデータがいくつかあります。線形回帰を実行すると、勾配が1(= 0.93)に近い回帰直線が得られます。私がやりたいのは、この勾配が1.0と大きく異なるかどうかをテストすることです。私の期待はそうではないということです。言い換えると、線形回帰の帰無仮説をゼロの勾配から1の勾配に変更したいのです。これは賢明なアプローチですか?また、回答にRコードを含めて、このメソッド(または、より良い方法を提案する)を実装できることを本当に感謝しています。ありがとう。

4
線形相関の高い2つの予測変数のうちの1つを単純に削除できますか?
ピアソンの相関係数を使用すると、高度に相関するいくつかの変数があります(モデルにある2組の変数に対しておよび)。ρ=0.978ρ=0.978\rho = 0.978ρ=0.989ρ=0.989\rho = 0.989 理由一つの変数がで使用されているので、変数のいくつかは高度に相関しているがある計算別の変数。 例: B=V/3000B=V/3000B = V / 3000および E=V∗DE=V∗DE = V * D BBBと持っているEEEρ=0.989ρ=0.989\rho = 0.989 変数の1つを「捨てる」ことは可能ですか?

4
ACFおよびPACFの式
時系列データからACFとPACFをプロットするコードを作成したい。このように、minitab(下)からプロットを生成しました。 数式を検索しようとしましたが、まだよくわかりません。 式とその使用方法を教えてください。 上記のACFおよびPACFプロットの水平の赤い線は何ですか?式は何ですか? ありがとうございました、

2
マシューズ相関係数(MCC)の解釈方法
phi、Matthews、Pearsonの相関係数の関係の質問に対する答えは?3つの係数メソッドがすべて同等であることを示しています。 私は統計学者ではないので、簡単な質問です。 マシューズのペーパー(www.sciencedirect.com/science/article/pii/0005279575901099)では次のことを説明しています。 "A correlation of: C = 1 indicates perfect agreement, C = 0 is expected for a prediction no better than random, and C = -1 indicates total disagreement between prediction and observation"`. ウィキペディア(http://en.wikipedia.org/wiki/Pearson_product-moment_correlation_coefficient)によると、ピアソンの相関関係は次のように説明されています: giving a value between +1 and −1 inclusive, where: 1 is total positive correlation, …

1
変数とPCAコンポーネント(バイプロット/ローディングプロット上)との適切な関連付けの尺度は何ですか?
私はFactoMineR、測定値のデータセットを潜在変数に減らすために使用しています。 上記の変数のマップは私が解釈するのは明らかであるが、それは、変数マップを見て、変数と部品1の間の関連付けに来るとき、私は混乱しています、ddpとcov非常に近いマップ内のコンポーネントにある、とddpAbs少し遠いです離れて。しかし、これは相関関係が示すものではありません: $Dim.1 $Dim.1$quanti correlation p.value jittAbs 0.9388158 1.166116e-11 rpvi 0.9388158 1.166116e-11 sd 0.9359214 1.912641e-11 ddpAbs 0.9327135 3.224252e-11 rapAbs 0.9327135 3.224252e-11 ppq5 0.9319101 3.660014e-11 ppq5Abs 0.9247266 1.066303e-10 cov 0.9150209 3.865897e-10 npvi 0.8853941 9.005243e-09 ddp 0.8554260 1.002460e-07 rap 0.8554260 1.002460e-07 jitt 0.8181207 1.042053e-06 cov5_x 0.6596751 4.533596e-04 ps13_20 -0.4593369 2.394361e-02 ps5_12 -0.5237125 …


11
この独裁者ゲームの例で、相関関係から因果関係を推測できますか?
私はちょうど2つの変数が提示された試験を受けました。独裁者に100米ドルが与えられ、送金するか自分で預けるかを選択できる独裁者のゲームでは、年齢と参加者が預けることにした金額との間に正の相関がありました。 私は、相関関係から因果関係を推測できないため、これから因果関係を推測できないと考えています。私のクラスメートは、例えば参加者を3つの別々のグループに分けた場合、彼らがどのくらい維持し、どれだけ共有しているのかを見ることができ、したがって、その年齢がより多くを維持することになると結論付けることができるからです。誰が正しいのか?

3
出力と予測子の間に実質的な相関関係がない場合、どのようにして適切な線形回帰モデルを取得できますか?
一連の変数/機能を使用して、線形回帰モデルをトレーニングしました。モデルのパフォーマンスは良好です。しかし、予測変数と良好な相関関係を持つ変数は存在しないことに気付きました。どうして可能ですか?

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.