相关系数

在概率论和统计学中，相关（Correlation），显示两个随机变量之间线性关系的强度和方向。在统计学中，相关的意义是用来衡量两个变量相对于其相互独立的距离。在这个广义的定义下，有许多根据数据特点而定义的用来衡量数据相关的系数。英国生物学家和统计学家弗朗西斯·高尔顿首先提出“相关”这一概念，英国数学家卡尔·皮尔逊在此基础上做出了进一步发展。对于不同测量尺度的变数，有不同的相关系数可用：其中，E是数学期望，cov表示协方差， σ X {displaystyle sigma _{X}} 和 σ Y {displaystyle sigma _{Y}} 是标准差。因为 μ X = E ( X ) {displaystyle mu _{X}=E(X)} ， σ X 2 = E ( X 2 ) − E 2 ( X ) {displaystyle sigma _{X}^{2}=E(X^{2})-E^{2}(X)} ，同样地，对于 Y {displaystyle Y} ，可以写成当两个变量的标准差都不为零，相关系数才有定义。从柯西-施瓦茨不等式可知，相关系数的绝对值不超过1。当两个变量的线性关系增强时，相关系数趋于1或-1。当一个变量增加而另一变量也增加时，相关系数大于0。当一个变量的增加而另一变量减少时，相关系数小于0。当两个变量独立时，相关系数为0，但反之并不成立。这是因为相关系数仅仅反映了两个变量之间是否线性相关。比如说，X是区间［－1，1］上的一个均匀分布的随机变量。Y = X2.那么Y是完全由X确定。因此Y和X不独立，但相关系数为0。或者说他们是不相关的。当Y和X服从联合正态分布时，其相互独立和不相关是等价的。当一个或两个变量带有测量误差时，他们的相关性就受到削弱，这时，“反衰减”性（disattenuation）是一个更准确的系数。对于居中的数据来说（何谓居中？也就是每个数据减去样本均值，居中后它们的平均值就为0），相关系数可以看作是两个随机变量中得到的样本集向量之间夹角的cosine函数。一些实际工作者更喜欢用非居中的相关系数（与皮尔逊系数不相兼容）。看下面的例子中有一个比较。例如，假设五个国家的国民生产总值分别是1、2、3、5、8（单位10亿美元），又假设这五个国家的贫困比例分别是11%、12%、13%、15%、18%。则我们现在有两个有序的包含5个元素的向量x、y：x =（1, 2, 3, 5, 8）、 y =（0.11, 0.12, 0.13, 0.15, 0.18） 使用一般的方法来计算向量间夹角（参考数量积），未居中的相关性系数如下：上面的数据实际上是故意选择了一个完美的线性关系：y = 0.10 + 0.01 x。因此皮尔逊相关系数应该就是1。把数据居中（x中数据减去E (x) = 3.8，y中数据减去E (y) = 0.138）后得到：x =（−2.8, −1.8, −0.8, 1.2, 4.2）、y =（−0.028, −0.018, −0.008, 0.012, 0.042），由此得到了预期结果：相关系数的计算过程可表示为：将每个变量都转化为标准单位，乘积的平均数即为相关系数。两个变量的关系可以直观地用散点图表示，当其紧密地群聚于一条直线的周围时，变量间存在强相关。一个散点图可以用五个统计量来概括。所有x值得平均数，所有x值的SD，所有y值得平均数，所有y值的SD，相关系数r.将第一个变量记为x ,第二个变量记为y ,相关系数为r，则可以通过以下公式：r = 的平均数