MATLAB基础应用精讲-【数模应用】相关分析（最终篇）（附MATLAB、python和R语言代码）

目录

几个相关概念

代码实现

R语言

1. 相关性

2.协方差 

3.偏相关

向量与向量相关

多变量与多变量相关（cor）

多变量与多变量相关Hmisc::rcorr

多变量与多变量相关psych::corr.test

MATLAB

题1

题2

题3

python

相关性实现

NumPy 相关性计算

SciPy 相关性计算

Pandas 相关性计算

线性相关实现

线性回归：SciPy 实现

等级相关

排名：SciPy 实现

等级相关性：NumPy 和 SciPy 实现

等级相关性：Pandas 实现

相关性的可视化

带有回归线的 XY 图

相关矩阵的热图 matplotlib

相关矩阵的热图 seaborn

几个相关概念

• 变量类型：在进行相关分析之前，首先要确定所研究的变量类型。这些变量可以是连续的（如身高、体重）或者离散的（如性别、婚姻状况）。
• 相关系数：相关分析的核心是计算相关系数，这是一个度量值，表明两个变量之间的关系有多紧密。最常用的相关系数是皮尔逊相关系数（Pearson correlation coefficient），用于度量两个连续变量之间的线性关系。
• 线性与非线性关系：皮尔逊相关系数主要用于评估线性关系。对于非线性关系，可能需要使用其他类型的相关系数，如斯皮尔曼等级相关系数（Spearman’s rank correlation coefficient）。
• 方向：相关系数的值范围通常在-1到+1之间。一个正的相关系数意味着一个变量增加时，另一个变量也增加；负的相关系数则意味着一个变量增加时，另一个变量减少。
• 统计显著性：仅仅计算出相关系数是不够的，还需要评估这种相关性是否具有统计显著性。通常，这通过进行假设检验（如t检验）来实现。
• 因果关系：值得注意的是，即使两个变量之间存在强相关性，也不能自动推断出因果关系。相关性只能揭示变量之间的关联，而不是因果。

• 典型相关分析：计算两组变量（表示为 X 组和 Y 组）的典型变量，这些典型变量是通过线性组合