热门标签 | HotTags
当前位置:  开发笔记 > 程序员 > 正文

数学建模斯皮尔曼相关系数

斯皮尔曼相关系数相关系数的选择斯皮尔曼spearman相关系数定义斯皮尔曼相关系数与P值Matlab小样本情况(n≤30n\le30n≤30)大样本情况


斯皮尔曼相关系数

      • 相关系数的选择
      • 斯皮尔曼spearman相关系数定义
      • 斯皮尔曼相关系数与P值
          • Matlab
            • 小样本情况(n≤30n\le30n30)
            • 大样本情况(n>30n>30n>30) --- 用检验值计算
            • 大样本情况(n>30n>30n>30) --- 直接给出相关系数和P值
          • SPSS
      • 显著性标记


相关系数的选择

在这里插入图片描述


斯皮尔曼spearman相关系数定义

在这里插入图片描述


斯皮尔曼相关系数与P值


Matlab

小样本情况(n≤30n\le30n30)

  • 样本相关系数 rv 必须大于等于表中的临界值,才能得出显著的结论。
    ∴\therefore 求得的相关系数rv<对应表中的临界值&#xff0c;则接受原假设求得的相关系数 rv <对应表中的临界值&#xff0c;则接受原假设rv<&#xff0c;
    在这里插入图片描述

大样本情况&#xff08;n>30n>30n>30&#xff09; — 用检验值计算

  • 求检验值rs∗n−1r_s*\sqrt{n-1}rsn1


    rs∗n−1∼N(0,1)r_s*\sqrt{n-1}\sim N(0,1)rsn1

    N(0,1)
    rs:r_s:rs:斯皮尔曼等级相关系数 — 使用函数 或者 用定义求
    n:n:n:样本个数

  • 求P值

1-normcdf(检验值) % 单侧检验

(1-normcdf(检验值))*2 %双侧检验

大样本情况&#xff08;n>30n>30n>30&#xff09; — 直接给出相关系数和P值

  1. 使用函数

[R,P] &#61; corr(x,y,&#39;type&#39;,&#39;Spearman&#39;)

  • x,y 必须为列向量
  • R为相关系数 P为对应的P值

[R,P] &#61; corr(X,&#39;type&#39;,&#39;Spearman&#39;)

  • 计算X矩阵各列之间的斯皮尔曼相关系数
  • 返回一个矩阵

  1. 直接使用定义计算

∵\because 在matlab函数中&#xff0c;没有使用 ‘有数值相同&#xff0c;则将他们所在的位置取算数平均’ 规则
∴\therefore 注意&#xff1a;使用定义 与 直接使用matlab函数得到的结果不同


SPSS

分析 -> 相关 -> 双变量
在这里插入图片描述


显著性标记

1. 自行标记&#xff1a;


拒绝无法拒绝
P<0.01说明在99%置信水平上拒绝原假设P<0.01 说明在99\%置信水平上拒绝原假设P<0.0199%P>0.01说明在99%置信水平上无法拒绝原假设P>0.01 说明在99\%置信水平上无法拒绝原假设P>0.0199%
P<0.05说明在95%置信水平上拒绝原假设P<0.05 说明在95\%置信水平上拒绝原假设P<0.0595%P>0.05说明在95%置信水平上无法拒绝原假设P>0.05 说明在95\%置信水平上无法拒绝原假设P>0.0595%
P<0.10说明在90%置信水平上拒绝原假设P<0.10 说明在90\%置信水平上拒绝原假设P<0.1090%P>0.10说明在90%置信水平上无法拒绝原假设P>0.10 说明在90\%置信水平上无法拒绝原假设P>0.1090%

  • 对相关系数表进行标记
    P<0.01P<0.01P<0.01 标注∗∗∗***
    P<0.05andP>0.01P<0.05 and P>0.01P<0.05andP>0.01 标注∗∗**
    P<0.10andP>0.05P<0.10 and P>0.05P<0.10andP>0.05 标注∗*

在这里插入图片描述
2. SPSS&#xff1a;
分析 -> 相关 -> 双变量
在这里插入图片描述



参考资料&#xff1a;数学建模清风视频


推荐阅读
  • 本文详细介绍如何使用arm-eabi-gdb调试Android平台上的C/C++程序。通过具体步骤和实用技巧,帮助开发者更高效地进行调试工作。 ... [详细]
  • 本文基于刘洪波老师的《英文词根词缀精讲》,深入探讨了多个重要词根词缀的起源及其相关词汇,帮助读者更好地理解和记忆英语单词。 ... [详细]
  • 在Windows 7 64位系统中,使用DNW进行mini2440开发板的USB连接时遇到驱动不兼容问题。本文介绍了一种替代工具——SuperVivi-USB-Transfer-Tool,并详细说明其安装步骤和使用方法。 ... [详细]
  • 2022年单片机课程(机器人工程)教学反思
    本文对2022年单片机类课程的教学进行了全面反思,分析了教学过程中遇到的问题,并探讨了未来改进的方向。 ... [详细]
  • 尽管深度学习带来了广泛的应用前景,其训练通常需要强大的计算资源。然而,并非所有开发者都能负担得起高性能服务器或专用硬件。本文探讨了如何在有限的硬件条件下(如ARM CPU)高效运行深度神经网络,特别是通过选择合适的工具和框架来加速模型推理。 ... [详细]
  • 解析SQL查询结果的排序问题及其解决方案
    本文探讨了为什么某些SQL查询返回的数据集未能按预期顺序排列,并提供了详细的解决方案,帮助开发者理解并解决这一常见问题。 ... [详细]
  • 本文提供南昌大学《嵌入式系统》课程期末考试的真题及详细解答,涵盖填空题、指令测试题等内容,帮助学生更好地理解和掌握相关知识点。 ... [详细]
  • 本文详细介绍了C语言的起源、发展及其标准化过程,涵盖了从早期的BCPL和B语言到现代C语言的演变,并探讨了其在操作系统和跨平台编程中的重要地位。 ... [详细]
  • 利用决策树预测NBA比赛胜负的Python数据挖掘实践
    本文通过使用2013-14赛季NBA赛程与结果数据集以及2013年NBA排名数据,结合《Python数据挖掘入门与实践》一书中的方法,展示如何应用决策树算法进行比赛胜负预测。我们将详细讲解数据预处理、特征工程及模型评估等关键步骤。 ... [详细]
  • 在进行QT交叉编译时,可能会遇到与目标架构不匹配的宏定义问题。例如,当为ARM或MIPS架构编译时,需要确保使用正确的宏(如QT_ARCH_ARM或QT_ARCH_MIPS),而不是默认的QT_ARCH_I386。本文将详细介绍如何正确配置编译环境以避免此类错误。 ... [详细]
  • Coursera ML 机器学习
    2019独角兽企业重金招聘Python工程师标准线性回归算法计算过程CostFunction梯度下降算法多变量回归![选择特征](https:static.oschina.n ... [详细]
  • 嵌入式开发环境搭建与文件传输指南
    本文详细介绍了如何为嵌入式应用开发搭建必要的软硬件环境,并提供了通过串口和网线两种方式将文件传输到开发板的具体步骤。适合Linux开发初学者参考。 ... [详细]
  • 本文介绍 Java 中如何使用 Year 类的 atMonth 方法将年份和月份组合成 YearMonth 对象,并提供代码示例。 ... [详细]
  • yikesnews第11期:微软Office两个0day和一个提权0day
    点击阅读原文可点击链接根据法国大选被黑客干扰,发送了带漏洞的文档Trumps_Attack_on_Syria_English.docx而此漏洞与ESET&FireEy ... [详细]
  • vivo Y5s配备了联发科Helio P65八核处理器,这款处理器采用12纳米工艺制造,具备两颗高性能Cortex-A75核心和六颗高效能Cortex-A55核心。此外,它还集成了先进的图像处理单元和语音唤醒功能,为用户提供卓越的性能体验。 ... [详细]
author-avatar
帅哥不潮_460
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有