斯皮尔曼等级相关（Spearman’s correlation coefficient for ranked data）
斯皮尔曼等级相关（Spearman’s correlation coefficient for ranked data）主要用于解决名称数据和顺序数据相关的问题。适用于两列变量，而且具有等级变量性质具有线性关系的资料。由英国心理学家、统计学家斯皮尔曼根据积差相关的概念推导而来，一些人把斯皮尔曼等级相关看做积差相关的特殊形式。
斯皮尔曼等级相关计算公式：
其中：di=xi-yi表示两个排序之间的差值；
n:表示样本的大小，即机器学习算法的数量；
优点
适用范围广泛，斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。
缺点
一组能用积差相关计算的数据，如果改用等级相关，精确度会低于积差相关。凡符合积差相关条件的，最好不要用等级相关计算。
pearsonr皮尔森共线系数要求：
1.每个变量数据集符合正态分布
2. p值代表极端值出现概率，样本量小时p值不可靠，但样本量大于500时，p值具有很大参考价值。
需要检验正态分布
正态分布JB检验 【N>30】
偏度的补充介绍
python的scipy有皮尔森和斯皮尔曼方法的详细解读和代码实现，官网如下图：
得到答案 可视化跟显著性二选一
斯皮尔曼等级相关应用
解：此题被试5人，不知是否为正态分布，所以用斯皮尔曼等级相关解题。其中，x为听觉反应时间按大小排序，y为视觉反应时间按大小排序。d=x-y。
将n=5，∑d^2=6 带入公式 1-[6·∑(di)^2 / (n^3 - n)]
得：ρ=0.7
答：这5人的视听反应时等级相关系数为0.7，属于高度相关。
积差相关术语
积差相关又称积距相关，是当两个变量都是正态连续变量，两者之间呈线性关系时，表示这两个变量之间的相关
使用条件
积差相关的使用条件是：
1、两变量为连续变量，即变量数值取自等距或等比量表。
2、两变量呈线性关系，这可由相关的散布图的形状来描述。
3、两变量为正态分布，或接近正态分布，至少是单峰对称的分布。
4、必须是成对数据，每对数据之间相互独立。
5、要排除共同因素的影响。如果两个变量都随着一个共同因素在变化，即使算出的积差相关系数很高，也难以判断两个变量之间存在高度相关。
6、样本容量大于30，计算出的积差相关系数才有意义。
参考
https://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.stats.pearsonr.html
https://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.stats.spearmanr.html
http://www.360doc.com/content/08/1228/23/50235_2219531.shtml
http://blog.csdn.net/lhkaikai/article/details/37352587
版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
欢迎学习csdn学院更多金融风控相关知识《python金融风控评分卡模型和数据分析》
斯皮尔曼等级相关（Spearman’s correlation coefficient for ranked data）相关推荐
- Spearman’s correlation coefficient--斯皮尔曼相关系数pytorch与numpy实现
文章目录 Spearman's correlation介绍 Pytorch实现 Numpy实现 Spearman's correlation介绍 斯皮尔曼等级相关(Spearman's correla ...
- 斯皮尔曼等级相关（Spearman Rank Correlation）
什么是斯皮尔曼等级相关 斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法.它是依据两列成对等级的各对等级数之差来进行计算的,所以又称为"等级差数法". 斯皮尔曼等级相关对 ...
- ML之PPMCC：PPMCC皮尔逊相关系数(Pearson correlation coefficient)、Spearman相关系数的简介、案例应用之详细攻略
ML之PPMCC:PPMCC皮尔逊相关系数(Pearson correlation coefficient).Spearman相关系数的简介.案例应用之详细攻略 目录 PPMCC皮尔逊相关系数的简介 ...
- ML之FE：PCC皮尔逊相关系数(Pearson correlation coefficient)的简介、案例应用(与spearman相关系数对比及其代码实现)之详细攻略
ML之FE:PCC皮尔逊相关系数(Pearson correlation coefficient)的简介.案例应用(与spearman相关系数对比及其代码实现)之详细攻略 目录 PCC/PPMCC皮尔 ...
- 皮尔森（Pearson correlation coefficient）相关系数—统计学三大相关系数之一
概述 皮尔森相关系数也称皮尔森积矩相关系数(Pearson product-moment correlation coefficient) ,是一种线性相关系数,是最常用的一种相关系数.记为r,用来反 ...
- 斯皮尔曼（spearman）相关系数python代码实现
简介 斯皮尔曼等级相关系数(简称等级相关系数,或称秩相关系数,英语:Spearman's rank correlation coefficient或Spearman's ρ).一般用或者表示.它是衡量 ...
- 相关分析——斯皮尔曼等级相关Python实现
目录 一.等级变量的相关分析 二.斯皮尔曼等级相关 三.斯皮尔曼实例 一.等级变量的相关分析 当测量得到的数据不是等距或等比数据,而是具有等级顺序的数据:或者得到的数据是等距或等比数据,但其所来自的总 ...
- 相关系数（correlation coefficient）是什么？相关的类型有哪些？有哪些常用的计算方法？不同形态的点分布与相关系数之间的关系？如何评判相关性的强弱？
相关系数(correlation coefficient)是什么?相关的类型有哪些?有哪些常用的计算方法?不同形态的点分布与相关系数之间的关系?如何评判相关性的强弱? pandas api: pand ...
- 【统计学】三大相关系数之皮尔逊相关系数（person correlation coefficient）
统计学中的三大相关性系数:pearson, spearman, kendall,他们反应的都是两个变量之间变化趋势的方向以及程度,其值范围为-1到+1. 0表示两个变量不相关,正值表示正相关,负值表示 ...
- Correlation Coefficient (CC)
参考: [1] Mukaka M M. A guide to appropriate use of correlation coefficient in medical research[J]. Ma ...
最新文章
- Java虚拟机中获得Runtime实例的方法是什么?
- UA MATH563 概率论的数学基础1 概率空间3 概率测度
- 深度学习-LeCun、Bengio和Hinton的联合综述-Deep Learning一篇nature综述论文
- Three.js中实现场景雾化效果
- python 字典操作
- Ubuntu 12.04 x64 下安装 GStreamer+FFmpeg+Opencv
- python图形界面编程库_Python支持哪些图形界面的第三方库
- java 流 flush_Java CharArrayWriter flush()方法
- HIT Software Construction Lab6引发出来对锁的问题的探究
- php 连接池 idletime,聊聊hikari连接池的idleTimeout及minimumIdle属性
- 计算机学院科技活动策划,计算机学院科技创新活动策划书（7页）-原创力文档...
- 超火爆的6 个必学持续集成工具，测试人的福音
- ASP.NET MVC3官方示例Music Store(音乐商店) --简易中文教程
- ffmpeg的简单介绍、用ffmpeg下载blob加工后的视频(m3u8格式)
- bert常用基准数据集：GLUE数据集介绍以及数据集资源
- macOS10.13.6及以下版本不能自动升级到更高版本的解决方案
- 生产制造词汇BOM、MPS、MRP、APS、MES、WMS、JIT、VMI
- vue中使用antv/g6 绘制关系图、结构图
- 本地搭建属于自己的ChatGPT：基于PyTorch+ChatGLM-6b+Streamlit+QDrant+DuckDuckGo
- MAC下downie下载网页视频报错“转换错误”解决方案