一、定义

二、特性

三、适用条件

四、Matlab 仿真

1. 时间序列

2. 矩阵

一、定义

相关系数（correlation of coefficient）是统计学中的概念，是由统计学家卡尔·皮尔逊设计的一个统计指标，也称作 Pearson 相关系数。相关系数用于描述两个连续型变量之间的线性相关程度及相关方向，它的取值在 [-1, 1] 之间。

总体的 Pearson 相关系数用 $\rho$ 表示，计算公式为：

$\begin{align} \rho_{\textbf{x},\textbf{y}}&=\frac{cov(\textbf{x}, \textbf{y})}{\sigma_\textbf{x}\sigma_\textbf{y}}\nonumber\\ &=\frac{E[(\textbf{x}-E[\textbf{x}])(\textbf{y}-E[\textbf{y})]}{\sigma_\textbf{x}\sigma_\textbf{y}} \nonumber\end{align}$

样本的 Pearson 相关系数用 $r$ 表示，计算公式为：

$\begin{align} r(\textbf{x}, \textbf{y})&=\frac{cov(\textbf{x}, \textbf{y})}{\sqrt{var(\textbf{x})var(\textbf{y})}}\nonumber\\ &=\frac{E[(\textbf{x}-\mu_\textbf{x})(\textbf{y}-\mu_\textbf{y})]\nonumber}{\sigma_\textbf{x}\sigma_\textbf{y}}\nonumber\\ &=\frac{E[\textbf{x}\textbf{y}]-E[\mu_\textbf{x}\textbf{y}]-E[\mu_\textbf{y}\textbf{x}]+E[\mu_\textbf{y}\mu_\textbf{x}]}{\sigma_\textbf{x}\sigma_\textbf{y}}\nonumber\\ &=\frac{E[\textbf{x}\textbf{y}]-E[\textbf{x}]E[\textbf{y}]-E[\textbf{y}]E[\textbf{x}]+E[\textbf{y}]E[\textbf{x}]}{\sigma_\textbf{x}\sigma_\textbf{y}}\nonumber\\ &=\frac{E[\textbf{x}\textbf{y}]-E[\textbf{x}]E[\textbf{y}]}{\sigma_\textbf{x}\sigma_\textbf{y}}\nonumber\\ &=\frac{E[\textbf{xy}]-E[\textbf{x}]E[\textbf{y}]}{\sigma_\textbf{x}\sigma_\textbf{y}}\nonumber \end{align}$

Pearson 相关系数 = 两个变量的协方差除以标准差的乘积。

（参考：统计知识扫盲：相关系数）

（参考：协方差）

（参考：协方差公式推导）

二、特性

相关系数可以衡量两个变量之间的相关性大小；
相关系数的绝对值越接近1，表明两个变量之间的线性相关性越强；相关系数的绝对值越接近0，表明两个变量之间几乎不存在线性相关关系（但可能存在其他关系）；
在两个变量的位置、尺度单独变化下是不变的。即X和Y的相关系数和 aX+b 和 cY+d 的相关系数相等。

三、适用条件

两变量都是连续型变量；
两变量成对出现，且相互独立；
Pearson是积差相关系数，它只能说明变量之间的线性相关关系，只适用于线性相关的场景。对于非线性相关等复杂场景，Pearson相关系数无法描述两个变量的相关性程度；
Pearson相关系数是在原始数据的方差和协方差基础上计算得到的，所以对离群值很敏感，样本中存在的极端值/异常值对Pearson相关系数的影响很大，因此要慎重处理，必要时要进行剔除，或者加以变量转换，避免得出因一两个数值导致结果错误的结论；
Pearson积差相关系数要求相应的变量呈双变量正态分布，既要求两个变量各自服从正态分布，有要求两个变量服从一个联合的双变量正态分布。

以上三条，前两条要求最严，第三条比较宽松，违反时系数的结果也是比较稳健的。

（参考：Matlab 相关系数的计算与作图）

（参考：统计学习--三种常见的相关系数）

（参考：相关系数的数值范围及其判断标准是什么）

四、Matlab 仿真

% Matlab 中计算相关系数的命令[r, p] = corr(x, y[, 'type', 'Pearson'])  % 等号右边的[]为可缺省项
[r, p] = corrcoef(x, y[, 'alpha', 0.95])% 如果 X 和 Y 是序列，corr(X, Y) 和 corrcoef(X, Y) 都可以计算两个序列相关；如果是序列，使用 corr() 必须得是列向量！
% 如果 X 和 Y 是矩阵，corr(X, Y) 可以计算矩阵相关，但 corrcoef(X, Y) 会将其转换为序列再进行计算。

1. 时间序列

%% 时间序列的 Pearson 相关系数
clear; clc; close all; warning off;% 序列
x = [15, 20, 25, 30, 35]';
y = [1, 4, 9, 16, 25]';[r1, p1] = corr(x, y);  % 必须是列向量，行向量计算出来的结果不对！
[r2, p2] = corrcoef(x, y);  % 可以是行向量，也可以是列向量，结果一致

运行结果：

理论计算：

$\begin{align} \rho_{\textbf{x}, \textbf{y}}&=\frac{cov(\textbf{x}, \textbf{y})}{\sigma_\textbf{x}\sigma_\textbf{y}}\nonumber\\ &=\frac{\frac{1}{N}\sum_{i=1}^N\textbf{x}_i\textbf{y}_i-\frac{1}{N}\sum_{i=1}^N\textbf{x}_i\frac{1}{N}\sum_{i=1}^N\textbf{y}_i}{\sqrt{\frac{\sum_{i=1}^N(\textbf{x}_i-\mu_\textbf{x})^{2}}{N}\frac{\sum_{i=1}^N(\textbf{y}_i-\mu_\textbf{y})^{2}}{N}}}\nonumber\\ &=\frac{\frac{15+80+225+480+875}{5}-\frac{15+20+25+30+35}{5}\frac{1+4+9+16+25}{5}}{\frac{\sqrt{(100+25+0+25+100)(100+49+4+25+196)}}{5}}\nonumber\\ &=0.9811\nonumber \end{align}$

结论：

r2(1, 2) = r2(2, 1) = r1；
p2(1, 2) = p2(2, 1) = p1；
其中 r 为两个向量之间的相关系数，p 为非零相关的假设检验值（位置和 r 对应），p < 0.05 表示相关性显著；
Matlab 中的方差函数 var()、标准差函数 std()、相关系数函数 corr()、corrcoef() 都是用的样本的有偏估计计算的（即分别对应的样本的有偏方差、有偏标准差、用有偏标准差计算的相关系数）。

（参考：Matlab计算相关系数）

（参考：皮尔逊相关分析的MATLAB实现，corr()，corrcoef()函数使用）

2. 矩阵

%% 矩阵的 Pearson 相关系数
clear; clc; close all; warning off;
rng('default');% 矩阵
X = randn(10, 3);  % m列
Y = randn(10, 3);  % n列
Y(:, end) = sum(X, 2);
Z = X - Y;  % m列
[r1, p1] = corr(X, Y);  % 分别计算矩阵X和矩阵Y每列的相关系数，结果是m*n大小的相关系数矩阵
[r2, p2] = corrcoef(X, Y);  % 错误的写法！出来结果是错的，corrcoef不能传入两个矩阵进行相关系数计算！
[r3, p3] = corr(Z);  % 分别计算z每列之间的相关系数，结果是m*m大小的相关系数矩阵
[r4, p4] = corrcoef(Z);  % 和r3/p3的结果一致

运行结果：

【20220623】【信号处理】深入理解Pearson相关系数和Matlab corr()、corrcoef()仿真相关推荐

相关系数r的matlab实现,Spearmen相关系数和Pearson相关系数及其MATLAB实现
Spearmen 相关系数和Pearson 相关系数及其MATLAB 实现 Spearmen 相关系数,Spearman 秩相关系数是一种无参数(与分布无关) 检验方法,用于度量变量之间联系的强弱.在 ...
特征选择 | MATLAB实现特征变量相关性分析(Pearson相关系数，Kendall相关系数和Spearman相关系数)
特征选择 | MATLAB实现特征变量相关性分析(Pearson相关系数,Kendall相关系数和Spearman相关系数) 目录特征选择 | MATLAB实现特征变量相关性分析(Pearson相关 ...
Pearson 相关系数--最佳理解及相关应用
一 Pearson 相关系数介绍 pearson是一个介于-1和1之间的值,用来描述两组线性的数据一同变化移动的趋势. 当两个变量的线性关系增强时,相关系数趋于1或-1: 当一个变量增大 ...
相关系数之皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数（评价线性关系的相关系数）（第一部分）
0.前言一开始学这里的时候我感觉真的完犊子了,因为这部分的内容涉及到了概率论和数理统计的东西,概率论和数理统计虽然我现在在学,但我学的一团糟,翻书也毫无头绪,完了,现在就写一写自己怎么学的这两个系数 ...
相关系数(皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数)
目录总体皮尔逊Person相关系数: 样本皮尔逊Person相关系数: 两点总结: 假设检验:(可结合概率论课本假设检验部分) 皮尔逊相关系数假设检验: 更好的方法:p值判断方法皮尔逊相关系数假设 ...
pearson相关系数_Pearson(皮尔逊)相关系数
由于使用的统计相关系数比较频繁,所以这里就利用几篇文章简单介绍一下这些系数. 相关系数:考察两个事物(在数据里我们称之为变量)之间的相关程度. 如果有两个变量:X.Y,最终计算出的相关系数的含义可以有 ...
实验一熟悉matlab环境,数字信号处理报告实验一：熟悉MATLAB环境.doc
数字信号处理报告实验一:熟悉MATLAB环境.doc 实验一熟悉MATLAB环境一实验目的1. 熟悉MATLAB的主要操作命令.2. 学会简单的矩阵输入和数据读写.3. 掌握简单的绘图命令.4. 用 ...
学习通信原理之——从实验中理解频谱/功率谱/功率谱密度(MATLAB演示)
我的个人博客文章链接如下:学习通信原理之--从实验中理解频谱/功率谱/功率谱密度(MATLAB演示) 前言最近在复习通信原理,每次到了功率谱这一块就感到困惑,每次都要去查,我觉得不能再这样循环下去了 ...
【Python】实训8：企业所得税回归模型（Pearson相关系数、Lasso、灰色预测模型、SVR）
题目来源: <Python数据分析与应用>第8章财政收入预测分析实训部分(注意:我目前看的版本此章节错误较多) [ 黄红梅.张良均主编中国工信出版集团和人民邮电出版社] 本博客题目内 ...

【20220623】【信号处理】深入理解Pearson相关系数和Matlab corr()、corrcoef()仿真

一、定义

二、特性

三、适用条件

四、Matlab 仿真

1. 时间序列

2. 矩阵

【20220623】【信号处理】深入理解Pearson相关系数和Matlab corr()、corrcoef()仿真相关推荐

最新文章

热门文章