典型相关分析及R应用
目录
什么是典型相关分析
典型相关分析基本架构
简单相关分析
多变量相关分析
典型相关分析
典型相关分析的基本原理
R实现
20名中年人的生理指标和训练指标
广州省能源消费量与经济增长之间的典型相关分析
什么是典型相关分析
用于探讨一组解释变量-亦即预测变量与一组反应变量间的关系即是典型相关分析-canonical correlation analysis,比如在体育训练中，考察运动员身体的各项指标与训练成绩之间的关系，典型相关分析可以说是复相关分析的延伸。
典型相关分析基本架构
简单相关分析
多变量相关分析
典型相关分析
典型相关分析的基本原理
假设有两组变量，采用类似主成分分析的做法，在每一组变量中选择若干个有代表性的综合指标-变量的线性组合，通过研究两组的综合指标之间的关系来反映两组变量之间的相关关系，基本原理如下：首先在魅族变量中找出变量的线性组合，使其具有最大相关性，然后再每组变量中找出第二对线性组合，使其分别与第一对线性组合不相关，而第二对线性组合本身具有最大的相关性，如此继续下去，直到两组变量之间的相关性被提取完毕。
R实现
20名中年人的生理指标和训练指标
x1 x2 x3 y1 y2 y3
191 36 50 5 162 60
189 37 52 2 110 60
193 38 58 12 101 101
162 35 62 12 105 37
189 35 46 13 155 58
182 36 56 4 101 42
211 38 56 8 101 38
167 34 60 6 125 40
176 31 74 15 200 40
154 33 56 17 251 250
169 34 50 17 120 38
166 33 52 13 210 115
154 34 64 14 215 105
247 46 50 1 50 50
193 36 46 6 70 31
202 37 62 12 210 120
176 37 54 4 60 25
157 32 52 11 230 80
156 33 54 15 225 73
138 33 68 2 110 43
计算相关系数矩阵
> X=read.table("clipboard",header=T)#读取例11.1数据
> (R=cor(X))x1 x2 x3 y1 y2 y3
x1 1.0000000 0.8702435 -0.36576203 -0.3896937 -0.4930836 -0.22629556
x2 0.8702435 1.0000000 -0.35289213 -0.5522321 -0.6455980 -0.19149937
x3 -0.3657620 -0.3528921 1.00000000 0.1506480 0.2250381 0.03493306
y1 -0.3896937 -0.5522321 0.15064802 1.0000000 0.6957274 0.49576018
y2 -0.4930836 -0.6455980 0.22503808 0.6957274 1.0000000 0.66920608
y3 -0.2262956 -0.1914994 0.03493306 0.4957602 0.6692061 1.00000000
> 求特征值和典型相关系数
> R11=R[1:3,1:3]
> R12=R[1:3,4:6]
> R21=R[4:6,1:3]
> R22=R[4:6,4:6]
> A=solve(R11)%*%R12%*%solve(R22)%*%R21
> ev=eigen(A)$values# 特征值
> ev
[1] 0.632992335 0.040222726 0.005266446
> sqrt(ev)#典型相关系数
[1] 0.79560815 0.20055604 0.07257029
> 典型相关系数检验，确定典型变量
> xy=scale(X)#数据标准化
> ca=cancor(xy[,1:3],xy[,4:6])#典型相关分析
> ca$cor#典型相关系数
[1] 0.79560815 0.20055604 0.07257029
> ca$xcoef#第一组变量的典型载荷[,1] [,2] [,3]
x1 -0.17788841 -0.43230348 0.04381432
x2 0.36232695 0.27085764 -0.11608883
x3 -0.01356309 -0.05301954 -0.24106633
> ca$ycoef#第二组变量的典型载荷[,1] [,2] [,3]
y1 -0.08018009 -0.08615561 0.29745900
y2 -0.24180670 0.02833066 -0.28373986
y3 0.16435956 0.24367781 0.09608099
> 检验
> library(mvstats)
> cancor.test(xy[,1:3],xy[,4:6],plot=T)#典型相关分析及检验作图$`cor`
[1] 0.79560815 0.20055604 0.07257029$xcoef[,1] [,2] [,3]
x1 -0.17788841 -0.43230348 0.04381432
x2 0.36232695 0.27085764 -0.11608883
x3 -0.01356309 -0.05301954 -0.24106633$ycoef[,1] [,2] [,3]
y1 -0.08018009 -0.08615561 0.29745900
y2 -0.24180670 0.02833066 -0.28373986
y3 0.16435956 0.24367781 0.09608099$xcenterx1 x2 x3
-5.551115e-18 -1.942890e-17 1.821460e-17 $ycentery1 y2 y3
-2.775558e-17 3.330669e-17 3.365364e-17 cancor test: r Q P
[1,] 0.79560815 16.2549575 0.06174456
[2,] 0.20055604 0.6718487 0.95475464
[3,] 0.07257029 0.0712849 0.78947507
>
广州省能源消费量与经济增长之间的典型相关分析
年份 x1 x2 x3 x4 y1 y2 y3 y4 y5 y6
1984 867.7 483.52 662.35 30 145.25 154.33 33.22 125.93 5576.6 818.37
1985 955.2 531.74 700.16 30.03 171.87 185.81 44.01 175.69 5656.6 954.12
1986 1019.3 624.53 797.59 231.83 188.37 208.46 47.42 223.28 5740.7 1102.1
1987 1144.4 678.17 944.6 175.46 232.14 273.77 56.58 284.2 5832.1 1320.9
1988 1451.1 756.01 1017.6 165.54 306.5 386.35 73.82 388.7 5928.3 1583.1
1989 1575.2 893.28 1112.6 375.61 351.73 464.06 90.07 475.53 6025 2086.2
1990 1326 919.61 1313.7 474.8 384.59 523.42 92.45 558.58 6246.3 2303.2
1991 1459.2 1055.7 1515.5 517.89 416 675.55 107.12 694.63 6348.9 2752.2
1992 1535.9 1149.4 1817 1046.3 465.83 899.28 201.04 881.39 6463.2 3476.7
1993 1693.8 1173.9 2174.5 1779.9 559.67 1380.2 320.73 1171.3 6581.6 4632.4
1994 1749.5 1328.3 2630.8 1605.2 694.65 1847.6 394.37 1580 6692 6367.1
1995 1906.8 1476 2803.7 1575.5 868.99 2413.8 462.91 1988.2 6788.7 7438.7
1996 1804.4 1506.2 3072 2354.6 941.73 2788.8 480.53 2308.1 6896.8 8157.8
1997 1756.3 1472.6 3090.8 3064.6 986.82 3158.7 489.08 2680.9 7013.7 8561.7
1998 1681.3 1737.9 3273.8 2954.2 1004.9 3463.1 528.85 2922.2 7115.6 8839.7
1999 1541.8 1912.5 3454.3 2668.3 1021.3 3705.9 558.44 3178.7 7298.9 9125.9
2000 1552.7 2052.1 4122.4 2757.4 1000.1 4295 573.72 3793.4 7498.5 9761.6
2001 1554.3 2209.2 4506.3 3662.6 1004.4 4732.4 609.2 4301.8 7565.3 10415
2002 1574.9 2346.1 5343.9 4211.2 1032.8 5288.5 647.1 4801.3 7649.3 11137
> d.2=read.table("clipboard",header=T)#选取例11.2数据
> cancor.test(d.2[,1:4],d.2[5:10],plot=T)$`cor`
[1] 0.9990222 0.9549215 0.7372625 0.4267113$xcoef[,1] [,2] [,3] [,4]
x1 -0.01398338 0.2627242 -0.1633945 -0.05500050
x2 0.11886915 0.4359084 1.5136720 -0.02025096
x3 0.09035694 -0.7627282 -1.6045267 -0.96535666
x4 0.03687362 0.1724089 0.1985098 1.04168316$ycoef[,1] [,2] [,3] [,4] [,5] [,6]
y1 -0.05900682 1.7711541 1.05700423 1.5686538 -2.689797 -1.4397779
y2 -0.22982193 -5.0796599 3.72100577 1.5689112 12.636121 6.4680292
y3 0.05815256 1.2193116 0.09171477 0.9209067 -1.508867 -3.9679901
y4 0.32722774 4.4699954 -2.21299707 -0.2103381 -12.579865 -6.8854323
y5 0.08585993 -0.3786835 0.95433947 -0.8581875 2.151352 0.7645358
y6 0.05439361 -1.9202108 -3.59564677 -2.9345146 1.884370 4.9775014$xcenterx1 x2 x3 x4 3.418318e-16 -4.382459e-17 -8.034509e-17 -9.641410e-17 $ycentery1 y2 y3 y4 y5
-5.551115e-17 3.871172e-17 -9.641410e-17 7.888427e-17 3.494098e-16 y6 8.326673e-17 cancor test: r Q P
[1,] 0.9990222 120.647898 7.438494e-15
[2,] 0.9549215 39.264245 5.850938e-04
[3,] 0.7372625 10.345472 2.416105e-01
[4,] 0.4267113 1.909441 5.914135e-01
>
经检验在0.05水平上，有两个典型相关是显著的。于是可得前两对典型变量的线性组合：
-0.01398338x1 + 0.11886915x2 + 0.09035694x3 + 0.03687362x4 = V1
-0.05900682y1 + -0.22982193y2 + 0.05815256y3 + 0.32722774y4 + 0.08585993y5 + 0.05439361y6 = U1
…………
解释如下：
r1 = 0.9990222，说明u1与v1之间具有高度的相关关系，尤其是拥有绝对值较大的权系数，而各自的线性组合中变量大多为正数，说明能源消耗越高，经济增长越快。油品，电力，进口能源拥有较大载荷，说明油品，电力是能源消费量的重要指标，在能源消费中占主导地位，x4较x1较大，说明随着经济的发展，本地能源不足以满足经济发展需求，进口能源逐渐凸显其重要性。
典型相关分析及R应用相关推荐
- R语言 相关分析和典型相关分析
@R语言相关分析与典型相关分析 #相关分析与典型相关分析 #pearson相关系数 a=c(1,3,5,7,9);b=c(1,4,6,9,10) cor(a,b) #pearson相关系数 cor.t ...
- R语言实现主成分分析与典型相关分析
<数据分析方法>–梅长林 各章原理及R语言实现 数据描述性分析 回归分析 方差分析 4. 主成分分析与典型相关分析 判别分析 聚类分析 Bayes统计分析 4.1主成分分析 4.1.1总体 ...
- R语言典型相关分析：NBA球员身体素质与统计数据关联性
昨天万众瞩目的2017NBA总决赛G1,想必各位JRs们都看了吧?不是骑士不尽力,奈何对面有高达,比赛结果是书包杜和打卡库双星闪耀先下一城.恰好前两天的数模课上的是多元统计,于是便复习了下主成分分析与 ...
- r语言实现互相关分析和典型相关分析
互相关分析 互相关与自相关不同,互相关是指两个时间序列在任意两个不同时刻的相关程度. 假设有时间序列 xt 和 yt ,则 xt 在时刻 t 和 yt 在时刻 t+n 的相关即为n阶互相关. 公式: ...
- 典型相关分析(cca)原理_CCA典型关联分析原理与Python案例
文章来源于"脑机接口社区" CCA典型关联分析原理与Python案例mp.weixin.qq.com Rose今天分享一下CCA的相关原理以及Python应用,CCA在EEG等脑 ...
- spss典型相关分析_R语言实战 多元统计分析Day10— —典型相关分析
R语言实战多元统计分析Day10-- 典型相关分析 01 前言 典型相关分析是用于分析两组随机变量之间的相关性程度的一种统计方法,它能够有效的揭示两组随机变量之间的相互线性依赖关系,这种方法是由Hot ...
- 典型相关分析（Matlab实现函数）
先附上自己认为写的比较好的一篇博客. https://www.cnblogs.com/duye/p/9384821.html 同时要指出自己博文的问题:对于Matlab中canoncorr中的stat ...
- 典型相关分析如何分析两组变量的关系
前言 我们在分析两组变量之间的相关性时,比如X=[X1,X2,...,Xm]X=[X_1,X_2,...,X_m]和Y=[Y1,Y2,...,Yn]Y=[Y_1,Y_2,...,Y_n],最原始的方法 ...
- 典型相关分析 python_CCA典型关联分析原理与Python案例
点击上面"脑机接口社区"关注我们 更多技术干货第一时间送达 Hello,大家好! Rose今天分享一下CCA的相关原理以及Python应用,CCA在EEG等脑电数据的特征提取中使用 ...
最新文章
- MATLAB遍历子文件夹及其下文件
- 数据分析学习03-pandas
- Codeforces Round #682 (Div. 2)D Powerful Ksenia ///思维
- 【MyBatis框架】配置文件-resultMap总结
- pro android学习笔记,【转】Pro Android学习笔记（一）：Android 平台 2013.6.4
- 高并发下如何缩短响应时间？
- 2021年各省高考试成绩查询,2021年各省高考成绩查询时间 什么时候出分
- 普元EOS 工作流引擎相关数据表介绍
- 计算机旅游网站毕业论文,旅游网站任务书
- Java入门基础第2天《java jdk下载与安装教程》
- Excel常用函数——count
- word单页（或中间几页）横向显示
- php7关闭缓存、禁用缓存
- 一键u盘装win7系统教程图解
- 怎样共享苹果Mac上的 Wi-Fi 密码？
- 2.4G SOC芯片CI2451/CI2454应用于遥控玩具汽车的应用方案
- Python+PyQt5实现灭霸响指
- 网络安全学习第4篇-使用特征码和MD5对勒索病毒进行专杀，并对加密文件进行解密
- Newton's Method 牛顿法求极值.
- javascript高级程序设计(python编程代码大全)