美赛 6：相关性模型、回归模型（十大模型篇） |
您所在的位置：网站首页 › 高级数据分析模型 › 美赛 6：相关性模型、回归模型（十大模型篇） |
美赛 6：相关性模型、回归模型（十大模型篇）
|
目录 三、相关性模型（SPSS） 1.皮尔逊相关系数 2.皮尔逊相关系数假设检验 3.数据正态分布检验 4.斯皮尔曼相关系数 四、回归模型（Stata） 1.多元线性回归分析 2.逐步回归分析 3.岭回归和Lasso回归 三、相关性模型（SPSS）相关性模型涉及到两种最为常用的相关系数：皮尔逊person相关系数和斯皮尔曼spearman等级相关系数。 它们可用来衡量两个变量之间的相关性大小，根据数值满足的不同条件，我们要选择不同的相关系数进行计算。 1.皮尔逊相关系数
这里的相关系数只是用来衡量两个变量线性相关程度的指标； 也就是说，你必须先确认这两个变量是线性相关的，然后这个相关系数才能告诉你这两个变量的相关程度如何。 总结： 1.如果两个变量本身就是线性的关系，那么皮尔逊相关系数绝对值大的就是相关性强，小的就是相关性弱； 2.在不确定两个变量是什么关系的情况下，即使算出皮尔逊相关系数，发现很大，也不能说明那两个变量线性相关，甚至不能说他们相关，一定要先画出散点图来看才行。
Matlab代码： %文件名如果有空格隔开，那么需要加引号 load 'physical fitness test.mat' % 每一列的最小值 MIN = min(Test); % 每一列的最大值 MAX = max(Test); % 每一列的均值 MEAN = mean(Test); % 每一列的中位数 MEDIAN = median(Test); % 每一列的偏度 SKEWNESS = skewness(Test); % 每一列的峰度 KURTOSIS = kurtosis(Test); % 每一列的标准差 STD = std(Test); RESULT = [MIN;MAX;MEAN;MEDIAN;SKEWNESS;KURTOSIS;STD]描述性统计（SPSS）
矩阵散点图（SPSS）
Matlab代码： R = corrcoef(Test)将得到的结果复制到Excel中进行作图。
Python代码： import numpy as np import matplotlib.pyplot as plt n=30 r=np.linspace(-0.999999,0.999999,10000) t=r*np.sqrt((n-2)/(1-np.square(r))) x=np.linspace(-50,50,10000) y=np.array([len(np.where(t |
【本文地址】
今日新闻 |
推荐新闻 |