一般线性相关分析 - 版本历史

2024年2月9日 (五) 09:03 RainW

2024-02-09T09:03:38Z

←上一版本		2024年2月9日 (五) 17:03的版本
第69行：		第69行：
	给定一系列[math]n[/math]次对[math](X_i,Y_i)[/math]的测量，由[math]i=1,\ldots,n[/math]索引，''样本相关系数''可用于估计[math]X[/math]和[math]Y[/math]之间的群体皮尔逊相关[math]\rho_{X,Y}[/math]。样本相关系数定义为		给定一系列[math]n[/math]次对[math](X_i,Y_i)[/math]的测量，由[math]i=1,\ldots,n[/math]索引，''样本相关系数''可用于估计[math]X[/math]和[math]Y[/math]之间的群体皮尔逊相关[math]\rho_{X,Y}[/math]。样本相关系数定义为

	:[math]r_{xy} \~~quad \overset{\underset~~{\~~mathrm~~{def~~}}{~~}}{=} ~~\quad~~ \frac{\~~sum\limits_~~{i=1}^n (~~x_i~~-\bar{x})(~~y_i~~-\bar{y})}{(n-1)~~s_x s_y~~}		[math]r_{x y} \stackrel{\text { def }}{=} \frac{\sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)}{(n-1) s_{x} s_{y}}=\frac{\sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)}{\sqrt{\sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2} \sum_{i=1}^{n}\left(y_{i}-\bar{y}\right)^{2}}} ,[/math]
	=\frac{\~~sum\limits_~~{i=1}^n (~~x_i~~-\bar{x})(~~y_i~~-\bar{y})}
	{\sqrt{\~~sum\limits_~~{i=1}^n (~~x_i~~-\bar{x})^2 \~~sum\limits_~~{i=1}^n (~~y_i~~-\bar{y})^2}},[/math]

	其中[math]\overline{x}[/math]和[math]\overline{y}[/math]是[math]X[/math]和[math]Y[/math]的样本[[算术平均\|平均值]]，[math]s_x[/math]和[math]s_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#校正样本标准差\|校正样本标准差]]。		其中[math]\overline{x}[/math]和[math]\overline{y}[/math]是[math]X[/math]和[math]Y[/math]的样本[[算术平均\|平均值]]，[math]s_x[/math]和[math]s_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#校正样本标准差\|校正样本标准差]]。

	[math]r_{xy}[/math]的等价表达式是		[math]r_{xy}[/math]的等价表达式是
	:[math]\begin{~~align~~}
	r_{xy} &=\frac{\sum ~~x_iy_i~~-n \bar{x} \bar{y}}{n ~~s'_x s'_y~~} \\~~[5pt]~~		[math]\begin{aligned} r_{x y} & =\frac{\sum x_{i} y_{i}-n \bar{x} \bar{y}}{n s_{x}^{\prime} s_{y}^{\prime}} \\ & =\frac{n \sum x_{i} y_{i}-\sum x_{i} \sum y_{i}}{\sqrt{n \sum x_{i}^{2}-\left(\sum x_{i}\right)^{2}} \sqrt{n \sum y_{i}^{2}-\left(\sum y_{i}\right)^{2}}} .\end{aligned}[/math]
	&=\frac{n\sum ~~x_iy_i~~-\sum ~~x_i~~\sum ~~y_i~~}{\sqrt{n\sum ~~x_i~~^2-(\sum ~~x_i~~)^2}~\sqrt{n\sum ~~y_i~~^2-(\sum ~~y_i~~)^2}}.
	\end{~~align~~}[/math]

	其中[math]s'_x[/math]和[math]s'_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#未校正样本标准差\|''未校正''样本标准差]]。		其中[math]s'_x[/math]和[math]s'_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#未校正样本标准差\|''未校正''样本标准差]]。
第107行：		第103行：

	对于这个联合分布，[[边缘分布]]是：		对于这个联合分布，[[边缘分布]]是：
	~~:[math]\mathrm{P}(X=x)=~~
	~~\begin{cases}~~
	~~\frac 1 3 & \quad \text{对 } x=0 \\~~
	~~\frac 2 3 & \quad \text{对 } x=1~~
	~~\end{cases}~~
	~~[/math]~~

	:[math]\mathrm{P}(Y=y)=		[math]\mathrm{P}(X=x)=\left\{\begin{array}{ll}\frac{1}{3} & \text { for } x=0 \\ \frac{2}{3} & \text { for } x=1\end{array}\right.[/math]
	\begin{~~cases~~}
	\frac 1 3 & ~~\quad~~ \text{对 } y=-1 \\		[math]\mathrm{P}(Y=y)=\left\{\begin{array}{ll}\frac{1}{3} & \text { for } y=-1 \\ \frac{1}{3} & \text { for } y=0 \\ \frac{1}{3} & \text { for } y=1\end{array}\right.[/math]
	\frac 1 3 & ~~\quad~~ \text{对 } y=0 \\
	\frac 1 3 & ~~\quad~~ \text{对 } y=1
	\end{~~cases~~}
	[/math]

	这产生了以下期望和方差：		这产生了以下期望和方差：
第130行：		第116行：
	因此：		因此：

	: [math]		[math]\begin{aligned} \rho_{X, Y} & =\frac{1}{\sigma_{X} \sigma_{Y}} \mathrm{E}\left[\left(X-\mu_{X}\right)\left(Y-\mu_{Y}\right)\right] \\ & =\frac{1}{\sigma_{X} \sigma_{Y}} \sum_{x, y}\left(x-\mu_{X}\right)\left(y-\mu_{Y}\right) \mathrm{P}(X=x, Y=y) \\ & =\left(1-\frac{2}{3}\right)(-1-0) \frac{1}{3}+\left(0-\frac{2}{3}\right)(0-0) \frac{1}{3}+\left(1-\frac{2}{3}\right)(1-0) \frac{1}{3}=0\end{aligned}[/math]
	\begin{~~align~~}
	\rho_{X,Y} & = \frac{1}{\~~sigma_X~~ \~~sigma_Y~~} \mathrm{E}[(X-\~~mu_X~~)(Y-\~~mu_Y~~)] \\~~[5pt]~~
	& = \frac{1}{\~~sigma_X~~ \~~sigma_Y~~} \sum_{x,y}{(x-\~~mu_X~~)(y-\~~mu_Y~~) \mathrm{P}(X=x,Y=y)} \\~~[5pt]~~
	& = \left(1-\frac 2 3\right)(-1-0)\frac{1}{3} + \left(0-\frac 2 3\right)(0-0)\frac{1}{3} + \left(1-\frac 2 3\right)(1-0)\frac{1}{3} = 0.
	\end{~~align~~}
	[/math]

	=='''等级相关系数'''==		=='''等级相关系数'''==

2024年2月9日 (五) 08:45 RainW

2024-02-09T08:45:23Z

←上一版本		2024年2月9日 (五) 16:45的版本
第46行：		第46行：
	两个[[随机变量]][math]X[/math]和[math]Y[/math]之间的总体相关系数[math]\rho_{X,Y}[/math]，它们的[[期望值]]分别为[math]\mu_X[/math]和[math]\mu_Y[/math]，[[标准差]]分别为[math]\sigma_X[/math]和[math]\sigma_Y[/math]，定义为：		两个[[随机变量]][math]X[/math]和[math]Y[/math]之间的总体相关系数[math]\rho_{X,Y}[/math]，它们的[[期望值]]分别为[math]\mu_X[/math]和[math]\mu_Y[/math]，[[标准差]]分别为[math]\sigma_X[/math]和[math]\sigma_Y[/math]，定义为：

	[math ~~display=block~~]\rho_{X,Y} = \operatorname{corr}(X,Y) = {\operatorname{cov}(X,Y) \over \sigma_X \sigma_Y} = {\operatorname{E}[(X-\mu_X)(Y-\mu_Y)] \over \sigma_X\sigma_Y}, \quad \text{if}\ \sigma_{X}\sigma_{Y}>0.[/math]		[math]\rho_{X,Y} = \operatorname{corr}(X,Y) = {\operatorname{cov}(X,Y) \over \sigma_X \sigma_Y} = {\operatorname{E}[(X-\mu_X)(Y-\mu_Y)] \over \sigma_X\sigma_Y}, \quad \text{if}\ \sigma_{X}\sigma_{Y}>0.[/math]

	其中[math]\operatorname{E}[/math]是[[期望值]]运算符，[math]\operatorname{cov}[/math]表示[[协方差]]，而[math]\operatorname{corr}[/math]是相关系数的广泛使用的替代符号。只有当两个标准差都是有限且正的，皮尔逊相关才有定义。纯粹用[[矩（数学）\|矩]]的术语表示的另一公式是：		其中[math]\operatorname{E}[/math]是[[期望值]]运算符，[math]\operatorname{cov}[/math]表示[[协方差]]，而[math]\operatorname{corr}[/math]是相关系数的广泛使用的替代符号。只有当两个标准差都是有限且正的，皮尔逊相关才有定义。纯粹用[[矩（数学）\|矩]]的术语表示的另一公式是：

	[math ~~display=block~~]\rho_{X,Y} = {\operatorname{E}(XY)-\operatorname{E}(X)\operatorname{E}(Y)\over \sqrt{\operatorname{E}(X^2)-\operatorname{E}(X)^2}\cdot \sqrt{\operatorname{E}(Y^2)-\operatorname{E}(Y)^2} }[/math]		[math]\rho_{X,Y} = {\operatorname{E}(XY)-\operatorname{E}(X)\operatorname{E}(Y)\over \sqrt{\operatorname{E}(X^2)-\operatorname{E}(X)^2}\cdot \sqrt{\operatorname{E}(Y^2)-\operatorname{E}(Y)^2} }[/math]

	===相关性与独立性===		===相关性与独立性===
第57行：		第57行：
	如果变量是[[统计独立\|独立的]]，皮尔逊相关系数为0，但反之则不成立，因为相关系数只能检测两个变量之间的线性依赖。简单来说，如果两个随机变量X和Y是独立的，则它们是不相关的，但如果两个随机变量是不相关的，那么它们可能是独立的，也可能不是独立的。		如果变量是[[统计独立\|独立的]]，皮尔逊相关系数为0，但反之则不成立，因为相关系数只能检测两个变量之间的线性依赖。简单来说，如果两个随机变量X和Y是独立的，则它们是不相关的，但如果两个随机变量是不相关的，那么它们可能是独立的，也可能不是独立的。

	[math ~~display=block~~]\begin{align}		[math]\begin{align}
	X,Y \text{ 独立} \quad & \Rightarrow \quad \rho_{X,Y} = 0 \quad (X,Y \text{ 不相关})\\		X,Y \text{ 独立} \quad & \Rightarrow \quad \rho_{X,Y} = 0 \quad (X,Y \text{ 不相关})\\
	\rho_{X,Y} = 0 \quad (X,Y \text{ 不相关})\quad & \nRightarrow \quad X,Y \text{ 独立}		\rho_{X,Y} = 0 \quad (X,Y \text{ 不相关})\quad & \nRightarrow \quad X,Y \text{ 独立}
第69行：		第69行：
	给定一系列[math]n[/math]次对[math](X_i,Y_i)[/math]的测量，由[math]i=1,\ldots,n[/math]索引，''样本相关系数''可用于估计[math]X[/math]和[math]Y[/math]之间的群体皮尔逊相关[math]\rho_{X,Y}[/math]。样本相关系数定义为		给定一系列[math]n[/math]次对[math](X_i,Y_i)[/math]的测量，由[math]i=1,\ldots,n[/math]索引，''样本相关系数''可用于估计[math]X[/math]和[math]Y[/math]之间的群体皮尔逊相关[math]\rho_{X,Y}[/math]。样本相关系数定义为

	:[math]		:[math]r_{xy} \quad \overset{\underset{\mathrm{def}}{}}{=} \quad \frac{\sum\limits_{i=1}^n (x_i-\bar{x})(y_i-\bar{y})}{(n-1)s_x s_y}
	r_{xy} \quad \overset{\underset{\mathrm{def}}{}}{=} \quad \frac{\sum\limits_{i=1}^n (x_i-\bar{x})(y_i-\bar{y})}{(n-1)s_x s_y}
	=\frac{\sum\limits_{i=1}^n (x_i-\bar{x})(y_i-\bar{y})}		=\frac{\sum\limits_{i=1}^n (x_i-\bar{x})(y_i-\bar{y})}
	{\sqrt{\sum\limits_{i=1}^n (x_i-\bar{x})^2 \sum\limits_{i=1}^n (y_i-\bar{y})^2}},		{\sqrt{\sum\limits_{i=1}^n (x_i-\bar{x})^2 \sum\limits_{i=1}^n (y_i-\bar{y})^2}},[/math]
	[/math]

	其中[math]\overline{x}[/math]和[math]\overline{y}[/math]是[math]X[/math]和[math]Y[/math]的样本[[算术平均\|平均值]]，[math]s_x[/math]和[math]s_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#校正样本标准差\|校正样本标准差]]。		其中[math]\overline{x}[/math]和[math]\overline{y}[/math]是[math]X[/math]和[math]Y[/math]的样本[[算术平均\|平均值]]，[math]s_x[/math]和[math]s_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#校正样本标准差\|校正样本标准差]]。

	[math]r_{xy}[/math]的等价表达式是		[math]r_{xy}[/math]的等价表达式是
	:[math]		:[math]\begin{align}
	\begin{align}
	r_{xy} &=\frac{\sum x_iy_i-n \bar{x} \bar{y}}{n s'_x s'_y} \\[5pt]		r_{xy} &=\frac{\sum x_iy_i-n \bar{x} \bar{y}}{n s'_x s'_y} \\[5pt]
	&=\frac{n\sum x_iy_i-\sum x_i\sum y_i}{\sqrt{n\sum x_i^2-(\sum x_i)^2}~\sqrt{n\sum y_i^2-(\sum y_i)^2}}.		&=\frac{n\sum x_iy_i-\sum x_i\sum y_i}{\sqrt{n\sum x_i^2-(\sum x_i)^2}~\sqrt{n\sum y_i^2-(\sum y_i)^2}}.
	\end{align}		\end{align}[/math]
	[/math]
	其中[math]s'_x[/math]和[math]s'_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#未校正样本标准差\|''未校正''样本标准差]]。		其中[math]s'_x[/math]和[math]s'_y[/math]是[math]X[/math]和[math]Y[/math]的[[标准差#未校正样本标准差\|''未校正''样本标准差]]。

第218行：		第215行：

	==双变量正态分布==		==双变量正态分布==
	如果一对随机变量[math]\ (X,Y)\ [/math]遵循[[bivariate normal distribution\|双变量正态分布]]，则条件均值[math]\~~operatorname~~{~~\boldsymbol\mathcal~~ E}(X \mid Y)[/math]是[math]Y[/math]的线性函数，而条件均值[math]\~~operatorname~~{~~\boldsymbol\mathcal~~ E}(Y \mid X)[/math]是[math]\ X\ [/math]的线性函数。变量[math]\ X\ [/math]和[math]\ Y\ [/math]之间的相关系数[math]\ \rho_{X,Y}\ [/math]，以及[math]\ X\ [/math]和[math]\ Y\ [/math]的[[Marginal distribution\|边际]]均值和方差决定了这种线性关系：		如果一对随机变量[math]\ (X,Y)\ [/math]遵循[[bivariate normal distribution\|双变量正态分布]]，则条件均值[math]\mathcal{E}(X \mid Y)[/math]是[math]Y[/math]的线性函数，而条件均值[math]\mathcal{E}(Y \mid X)[/math]是[math]\ X\ [/math]的线性函数。变量[math]\ X\ [/math]和[math]\ Y\ [/math]之间的相关系数[math]\ \rho_{X,Y}\ [/math]，以及[math]\ X\ [/math]和[math]\ Y\ [/math]的[[Marginal distribution\|边际]]均值和方差决定了这种线性关系：

	:[math]\~~operatorname~~{~~\boldsymbol\mathcal~~ E}(Y \mid X ) = \~~operatorname~~{~~\boldsymbol\mathcal~~ E}(Y) + \rho_{X,Y} \cdot \sigma_Y \cdot \frac{\ X-\~~operatorname~~{~~\boldsymbol\mathcal~~ E}(X)\ }{ \sigma_X }\ ,[/math]		:[math]\mathcal{E}(Y \mid X ) = \mathcal{E}(Y) + \rho_{X,Y} \cdot \sigma_Y \cdot \frac{\ X-\mathcal{E}(X)\ }{ \sigma_X }\ ,[/math]

	其中，[math]\~~operatorname~~{~~\boldsymbol\mathcal~~ E}(X)[/math]和[math]\~~operatorname~~{~~\boldsymbol\mathcal~~ E}(Y)[/math]分别是[math]\ X\ [/math]和[math]\ Y\ [/math]的期望值，[math]\ \sigma_X\ [/math]和[math]\ \sigma_Y\ [/math]分别是[math]\ X\ [/math]和[math]\ Y\ [/math]的标准差。		其中，[math]\mathcal{E}(X)[/math]和[math]\mathcal{E}(Y)[/math]分别是[math]\ X\ [/math]和[math]\ Y\ [/math]的期望值，[math]\ \sigma_X\ [/math]和[math]\ \sigma_Y\ [/math]分别是[math]\ X\ [/math]和[math]\ Y\ [/math]的标准差。

	经验相关系数[math]r[/math]是相关系数[math]\ \rho\ [/math]的[[Estimation\|估计]]。对[math]\ \rho\ [/math]的分布估计由下式给出：		经验相关系数[math]r[/math]是相关系数[math]\ \rho\ [/math]的[[Estimation\|估计]]。对[math]\ \rho\ [/math]的分布估计由下式给出：

	:[math]\pi ( \rho \mid r ) =		[math]\pi(\rho \mid r)=\frac{\Gamma(N)}{\sqrt{2 \pi} \cdot \Gamma\left(N-\frac{1}{2}\right)} \cdot\left(1-r^{2}\right)^{\frac{N-2}{2}} \cdot\left(1-\rho^{2}\right)^{\frac{N-3}{2}} \cdot(1-r \rho)^{-N+\frac{3}{2}} \cdot F_{\text {Hyp }}\left(\frac{3}{2},-\frac{1}{2} ; N-\frac{1}{2} ; \frac{1+r \rho}{2}\right)[/math]
	\frac{\ \Gamma(N)\ }{\ \sqrt{ 2\pi\ } \cdot
	\Gamma( N - \~~tfrac~~{\ 1\ }{ 2 } )\ } \cdot
	\~~bigl~~( 1 - r^2 \~~bigr~~)^{ \frac{\ N\ - 2\ }{ 2 } } \cdot
	\~~bigl~~( 1 - \rho^2 \~~bigr~~)^{ \frac{\ N - 3\ }{ 2 } } \cdot
	~~\bigl~~( 1 - r \rho ~~\bigr~~)^{ - N + \frac{\ 3 \ }{ 2 } } \cdot F_\~~mathsf~~{Hyp} \left(\ ~~\tfrac~~{\ 3\ }{ 2 } , -\~~tfrac~~{\ 1\ }{ 2 } ; N - \~~tfrac~~{\ 1\ }{ 2 } ; \frac{\ 1 + r \rho\ }{ 2 }\ \right)\ [/math]

	其中[math]\ F_\mathsf{Hyp} \ [/math]是[[Gaussian hypergeometric function\|高斯超几何函数]]。		其中[math]\ F_\mathsf{Hyp} \ [/math]是[[Gaussian hypergeometric function\|高斯超几何函数]]。

2024年2月9日 (五) 08:35 RainW

2024-02-09T08:35:21Z

显示更改

2024年1月19日 (五) 11:06 Zeroclanzhang

2024-01-19T11:06:12Z

←上一版本		2024年1月19日 (五) 19:06的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Linear Correlation Analysis]]		\|nodeenglishname=Linear Correlation Analysis
	\|abbreviation=~~[[Has abbreviation::LCA]]~~		\|abbreviation=LinCA
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]		\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]

2024年1月18日 (四) 09:39 Zeroclanzhang

2024-01-18T09:39:44Z

←上一版本		2024年1月18日 (四) 17:39的版本
第5行：		第5行：
	\|simpleicon=Linear Correlation Analysis_Pure.svg		\|simpleicon=Linear Correlation Analysis_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=~~PC可用~~		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=[[Has english name::Linear Correlation Analysis]]		\|nodeenglishname=[[Has english name::Linear Correlation Analysis]]
	\|abbreviation=[[Has abbreviation::~~LCOR~~]]		\|abbreviation=[[Has abbreviation::LCA]]
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]		\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]
第19行：		第19行：
	\|nodeifswitchsupport=否		\|nodeifswitchsupport=否
	\|nodeavailableplotlist=NotSplittingPointPlot		\|nodeavailableplotlist=NotSplittingPointPlot
	\|nodeavailabletablelist=~~Table_For_Downstream~~		\|nodeavailabletablelist=t-Value;df;P-Value;CI;Cor-Value
	\|nodeconfiguration=VariableList;~~DropManu~~;Text		\|nodeconfiguration=VariableList;DropMenu;Text
	\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析		\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析
	\|previousnode=[[~~球形检验~~]]		\|previousnode=[[Two_Way_ANCOVA]]
	\|nextnode=[[典型相关分析]]		\|nextnode=[[典型相关分析]]
	}}		}}

2023年12月8日 (五) 05:50 Zeroclanzhang

2023-12-08T05:50:25Z

←上一版本		2023年12月8日 (五) 13:50的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;DropManu;Text		\|nodeconfiguration=VariableList;DropManu;Text
	\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析		\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析
	\|previousnode=[[球形检验]]		\|previousnode=[[球形检验]]

2023年12月8日 (五) 04:12 Zeroclanzhang

2023-12-08T04:12:31Z

←上一版本		2023年12月8日 (五) 12:12的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;DropManu;Text		\|nodeconfiguration=VariableList;DropManu;Text
	\|nodeinputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析		\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析
	\|previousnode=[[球形检验]]		\|previousnode=[[球形检验]]

2023年12月8日 (五) 02:49 Zeroclanzhang

2023-12-08T02:49:00Z

←上一版本		2023年12月8日 (五) 10:49的版本
第2行：		第2行：
	\|nodename=一般线性相关分析		\|nodename=一般线性相关分析
	\|nodeimage=Linear Correlation Analysis.png		\|nodeimage=Linear Correlation Analysis.png
			\|icon=Linear Correlation Analysis.svg
			\|simpleicon=Linear Correlation Analysis_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=PC可用		\|productionstate=PC可用
第19行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;DropManu;Text		\|nodeconfiguration=VariableList;DropManu;Text
	\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■		\|nodeinputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析		\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析
	\|previousnode=[[球形检验]]		\|previousnode=[[球形检验]]
	\|nextnode=[[典型相关分析]]		\|nextnode=[[典型相关分析]]
	}}		}}

2023年12月4日 (一) 14:43 Zeroclanzhang

2023-12-04T14:43:32Z

←上一版本		2023年12月4日 (一) 22:43的版本
第23行：		第23行：
	\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析		\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析
	\|previousnode=[[球形检验]]		\|previousnode=[[球形检验]]
	\|nextnode=[[~~一般线性相关分析~~]]		\|nextnode=[[典型相关分析]]
	}}		}}

2023年12月4日 (一) 14:04 Zeroclanzhang

2023-12-04T14:04:00Z

←上一版本		2023年12月4日 (一) 22:04的版本
第1行：		第1行：
	{{Infobox nodebasic\|nodename=一般线性相关分析\|nodeimage=Linear Correlation Analysis.png\|developer=Dev.Team-DPS\|productionstate=PC可用\|productionstatedesc=在[[~~DecisionTree~~ \| V1.0]]部署\|nodeenglishname=[[Has english name::Linear Correlation Analysis]]\|abbreviation=LCOR\|funcmaincategory=数据分析\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]\|nodecategory=数据挖掘\|nodeinterpretor=R\|nodeshortdescription=<p>一般线性相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。变量之间的关系可以分为确定关系和非确定性关系。确定性关系，可以说是函数关系，也就是说对于某一变量的每个数值都有另一变量的完全确定的值与之对应。非确定性关系，即这里所说的相关关系，变量之间存在一定的依存关系，但不是一一对应的关系，即相随变动关系。此相关分析使用的方法有: pearson, spearman, 和kendall。~~\n用途：用于衡量两个或多个变量间的线性关系强度和方向。检测两个连续变量之间是否存在线性关系的常用方法。\n参数：选择数值变量~~</p>\|nodeinputnumber=4\|nodeoutputnumber=3\|nodeloopsupport=是\|nodeifswitchsupport=否\|nodeavailableplotlist=NotSplittingPointPlot\|nodeavailabletablelist=Table_For_Downstream\|nodeconfiguration=VariableList;DropManu;Text\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■\|statsapewikiurl=https://wiki.statsape.com/~~一般线性相关分析_Plus~~\|previousnode=[[球形检验]]\|nextnode=[[~~典型相关分析~~]]}}{{Navplate AlgorithmNodeList}}[[Category:相关分析]]		{{Infobox nodebasic
			\|nodename=一般线性相关分析
			\|nodeimage=Linear Correlation Analysis.png
			\|developer=Dev.Team-DPS
			\|productionstate=PC可用
			\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署
			\|nodeenglishname=[[Has english name::Linear Correlation Analysis]]
			\|abbreviation=[[Has abbreviation::LCOR]]
			\|funcmaincategory=数据分析
			\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]
			\|nodecategory=数据挖掘
			\|nodeinterpretor=R
			\|nodeshortdescription=<p>一般线性相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。</p><p>变量之间的关系可以分为确定关系和非确定性关系。确定性关系，可以说是函数关系，也就是说对于某一变量的每个数值都有另一变量的完全确定的值与之对应。非确定性关系，即这里所说的相关关系，变量之间存在一定的依存关系，但不是一一对应的关系，即相随变动关系。此相关分析使用的方法有: pearson, spearman, 和kendall。</p><p>用途：用于衡量两个或多个变量间的线性关系强度和方向。检测两个连续变量之间是否存在线性关系的常用方法。</p><p>参数：选择数值变量</p>
			\|nodeinputnumber=4
			\|nodeoutputnumber=3
			\|nodeloopsupport=是
			\|nodeifswitchsupport=否
			\|nodeavailableplotlist=NotSplittingPointPlot
			\|nodeavailabletablelist=Table_For_Downstream
			\|nodeconfiguration=VariableList;DropManu;Text
			\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■
			\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■
			\|statsapewikiurl=https://wiki.statsape.com/一般线性相关分析
			\|previousnode=[[球形检验]]
			\|nextnode=[[一般线性相关分析]]
			}}


			{{Navplate AlgorithmNodeList}}

			[[Category:相关分析]]