Может быть, этот вопрос наивный, но:
Если линейная регрессия тесно связана с коэффициентом корреляции Пирсона, существуют ли какие-либо методы регрессии, тесно связанные с коэффициентами корреляции Кендалла и Спирмена?
Может быть, этот вопрос наивный, но:
Если линейная регрессия тесно связана с коэффициентом корреляции Пирсона, существуют ли какие-либо методы регрессии, тесно связанные с коэффициентами корреляции Кендалла и Спирмена?
Ответы:
Существует очень простое средство, с помощью которого можно использовать практически любую меру корреляции для соответствия линейным регрессиям, и которое воспроизводит наименьшие квадраты при использовании корреляции Пирсона.
Учтите, что если наклон отношения равен , следует ожидать , что корреляция между y - β x и x равна 0 .
Действительно, если бы это было что-то отличное от , были бы некоторые не зафиксированные линейные отношения - это то, что мера корреляции собирала бы.
Поэтому мы можем оценить наклон, найдя наклон, который делает выборочную корреляцию между y - ˜ β x и x равной . Во многих случаях - например, при использовании мер на основе ранга - корреляция будет ступенчатой функцией значения оценки наклона, поэтому может быть интервал, где она равна нулю. В этом случае мы обычно определяем выборочную оценку как центр интервала. Часто ступенчатая функция перепрыгивает от нуля до нуля в некоторой точке, и в этом случае оценка находится в точке скачка.
Это определение работает, например, со всеми видами ранговых и надежных корреляций. Его также можно использовать для получения интервала для уклона (обычным образом - путем нахождения уклонов, которые обозначают границу между только значимыми и незначительными корреляциями).
Это только определяет наклон, конечно; как только наклон оценен, перехват может быть основан на подходящей оценке местоположения, вычисленной по остаткам . С корреляциями на основе рангов медиана является обычным выбором, но есть много других подходящих вариантов.
Вот корреляция, построенная против наклона для car
данных в R:
Корреляция Пирсона пересекает 0 на наклоне наименьших квадратов, 3.932
Корреляция Кендалла пересекает 0 на
склоне Тейла -Сен, 3.667 Корреляция Спирмена пересекает 0, давая наклон «Линии Спирмена» 3.714
Это три оценки наклона для нашего примера. Теперь нам нужны перехваты. Для простоты я просто буду использовать средний остаток для первого перехвата и медиану для двух других (в данном случае это не имеет большого значения):
intercept
Pearson: -17.573 *
Kendall: -15.667
Spearman: -16.285
* (небольшое отличие от наименьших квадратов связано с ошибкой округления в оценке наклона; несомненно, в других оценках есть аналогичная ошибка округления)
Соответствующие подогнанные линии (с использованием той же цветовой схемы, что и выше):
Изменить: Для сравнения, наклон квадрант-корреляции составляет 3.333
И корреляционные наклоны Кендалла, и корреляции Спирмена существенно более устойчивы к влиятельным выбросам, чем наименьшие квадраты. Смотрите здесь для драматического примера в случае Кендалла.
статистика в модели ПО является именно статистикой Уилкоксона.
Модель ПО является частным случаем более общего семейства моделей кумулятивной вероятности (некоторые из них называют кумулятивной связью), включая пробит, пропорциональные опасности и дополнительные модели логарифмического журнала. Пример из практики см. В главе 15 моих раздаточных материалов .
Аарон Хан (1987 по эконометрике) предложил оценку корреляции максимального ранга, которая соответствует регрессионным моделям путем максимизации тау. Догерти и Томас (2012 в литературе по психологии) недавно предложили очень похожий алгоритм. Существует много работ на MRC, иллюстрирующих его свойства.
Аарон К. Хан, Непараметрический анализ обобщенной регрессионной модели: Оценка корреляции максимального ранга, Журнал эконометрики, том 35, выпуски 2–3, июль 1987 года, страницы 303-316, ISSN 0304-4076, http: // dx.doi.org/10.1016/0304-4076(87)90030-3 . ( http://www.sciencedirect.com/science/article/pii/0304407687900303 )
Dougherty, MR, & Thomas, RP (2012). Надежное принятие решений в нелинейном мире. Психологический обзор, 119 (2), 321. Получено с http://damlab.umd.edu/pdf%20articles/DoughertyThomas2012Rev.pdf .