La corrélation entre les deux vecteurs?

J'ai deux vecteurs:

A_1 = 

      10
      200
      7
      150

A_2 = 
      0.001
      0.450
      0.0007
      0.200

Je voudrais savoir si il existe une corrélation entre ces deux vecteurs.

J'ai pu soustraire à chaque valeur de la moyenne du vecteur et que faire:

  A_1' * A_2

Sont là les meilleures façons?

  • Qu'entendez-vous par "mieux?"
  • Vous pouvez faire une régression linéaire entre les deux et vérifier la r carré de la valeur.
  • Poster une réponse, avec des exemples de code s'il vous plaît. Donner à cette question une certaine chance d'être sauvés.
  • Aussi related post: stackoverflow.com/q/8416968/380384
  • deuxième de robert, de poster une réponse si vous le pouvez
InformationsquelleAutor dynamic | 2013-01-15
  1. 23

    Donné:

    A_1 = [10 200 7 150]';
A_2 = [0.001 0.450 0.007 0.200]';

    (Comme d'autres l'ont déjà souligné), Il existe des outils tout simplement de calculer la corrélation, qui est le plus évident corr:

    corr(A_1, A_2);  %Returns 0.956766573975184  (Requires stats toolbox)

    Vous pouvez également utiliser la base de Matlab corrcoef fonction, comme ceci:

    M = corrcoef([A_1 A_2]):  %Returns [1 0.956766573975185; 0.956766573975185 1];
M(2,1);  %Returns 0.956766573975184

    Qui est étroitement liée à la cov fonction:

    cov([condition(A_1) condition(A_2)]);

    Que vous obtenez près à votre question initiale, vous pouvez mettre à l'échelle et d'ajuster les vecteurs de vous-même si vous le souhaitez, ce qui donne un peu plus de compréhension de ce qui se passe. Créez d'abord un état de la fonction qui soustrait la moyenne, et divise par l'écart-type:

    condition = @(x) (x-mean(x))./std(x);  %Function to subtract mean AND normalize standard deviation

    Ensuite, la corrélation semble être (A_1 * A_2)/(A_1^2), comme ceci:

    (condition(A_1)' * condition(A_2)) / sum(condition(A_1).^2);  %Returns 0.956766573975185

    Par symétrie, cela devrait aussi fonctionner

    (condition(A_1)' * condition(A_2)) / sum(condition(A_2).^2); %Returns 0.956766573975185

    Et il n'.

    Je crois, mais n'ont pas l'énergie pour confirmer dès maintenant, que la même les mathématiques peuvent être utilisées pour calculer la corrélation et de corrélation croisée termes lorsque vous traitez avec des multi-dimensiotnal entrées, tant que les précautions sont prises lors de la manipulation des dimensions et orientations de l'entrée des tableaux.

    • -1..1. Zéro signifie pas de corrélation. 1 max de corrélation (ce qui signifie que vous pouvez en faire un vecteur de l'autre à l'aide d'un positif facteur d'échelle). -1 max corrélation négative (ce qui signifie que vous pouvez en faire un vecteur de l'autre à l'aide d'un négatif facteur d'échelle).
    • Rien de difficile. Pour commencer, à partir de en.wikipedia.org/wiki/Correlation_and_dependence, "corrélation ne doit pas dépasser 1 en valeur absolue".
    InformationsquelleAutor Pursuit
  2. 10

    Essayer xcorr, c'est une fonction intégrée dans MATLAB pour le cross-corrélation:

    c = xcorr(A_1, A_2);

    Cependant, notez qu'il nécessite la Boîte À Outils De Traitement Du Signal installé. Si non, vous pouvez regarder dans le corrcoef de commande à la place.

    • pourquoi ne pas utiliser les corr?
    • Différents boîte à outils... de la pomme de terre, potaato.
    InformationsquelleAutor Eitan T
  3. 6

    Pour les corrélations vous pouvez simplement utiliser la corr fonction (boîte à outils de statistiques)

    corr(A_1(:), A_2(:))

    Notez que vous pouvez aussi simplement utiliser

    corr(A_1, A_2)

    Mais le linéaire de l'indexation est la garantie que vos vecteurs n'ont pas besoin d'être transposé.

    • +1: Vous devez mentionner que cela nécessite la boîte à outils de statistiques bien 🙂
    InformationsquelleAutor Dennis Jaheruddin
  4. 6

    Pour effectuer une régression linéaire entre deux vecteurs x et y suivez ces étapes:

    [p,err] = polyfit(x,y,1);   % First order polynomial
y_fit = polyval(p,x,err);   % Values on a line
y_dif = y - y_fit;          % y value difference (residuals)
SSdif = sum(y_dif.^2);      % Sum square of difference
SStot = (length(y)-1)*var(y);   % Sum square of y taken from variance
rsq = 1-SSdif/SStot;        % Correlation 'r' value. If 1.0 the correlelation is perfect

    Pour x=[10;200;7;150] et y=[0.001;0.45;0.0007;0.2] - je obtenir rsq = 0.9181.

    URL de référence: http://www.mathworks.com/help/matlab/data_analysis/linear-regression.html

    InformationsquelleAutor ja72