样本相关性为零并不一定意味着没有线性关系 - 页 41

新评论
 
alsu:

呵，不明显。对于培生的QC来说，行数是正数还是负数并不重要......


好吧，让我们假设这并不重要。那么I（0）相关矩阵分布的外观将与I（1）大致相同。检查。让我们取100个I(0)。让我们构建一个这些I相互之间的相关矩阵。然后构建一个最频繁数值的频率直方图。

我们看到一个以零为中心的经典正态分布--好的，因为100个系列是完全相互独立的。各行之间的相关性很少达到+/-10%。

现在取100个系列，把它们整合起来。输出将是一个形式为I(1)的经典随机行走。我们为这些系列构建一个相关矩阵，然后构建相同的分布直方图。

分布是崩溃的。0.5和+0.5的值与0.0的值一样经常重复。CC成为一个无意义的指标，因为任何其他数字都可以以同样的概率掉出来，尽管行与行之间没有可靠的依赖关系。

现在取100个I(1)型的BP，但给每个BP加值100。由于方差小，这对这些系列来说是一个重要的数字。因此，所有100个BP都将处于>0的正区。我们看一下柱状图。

事实上，与前一个图表相比，没有任何变化。但这并没有改变本质，假设仍然有效：I（1）系列不能用于计算QC。

 

这不是一个好办法!你必须计算价格的对数，然后计算第一个差值，然后从它们中取对数，然后计算相关度。

哈-哈-哈!


 
faa1947:

...

不是零，而是 "没有价值"。这就是为什么你可以得到科蒂尔与土星环的相关性，同理，鼻子的问题也是如此。

...

这就是相关性的好处和要点--在不同维度的系列之间可以计算。
 
Integer:

这不是一个好办法!你必须计算价格的对数，然后计算第一个差值，然后从它们中取对数，然后计算相关度。

哈-哈-哈!

在第二个对数之前，乘以100，再加上5。
 
Integer:

这不是一个好办法!你必须计算价格的对数，然后计算第一个差值，然后从它们中取对数，然后计算相关度。

哈-哈-哈!

对数会给你带来什么？只有当一个系列的起点和终点在波动性和水平上相差太大时，对数才会有用。也就是说，如果你要分析从1900年到2013年的道琼斯指数，你不能没有它，但在其他情况下不能使用它。
 
这是个笑话。
 

关联分析的局限性。

所有因素和结果变量的总值必须遵循多变量正态分布。

维基

我想我的理解是，QC只对SV的NR有效？在现实世界的系列中，即使是第一个差异也不是NR。

 
Avals:

关联分析的局限性。

所有因素和结果变量的总值必须遵循多变量正态分布。

维基

我想我的理解是，QC只对SV的NR有效？在现实世界的系列中，即使是第一个差异也不是NR。

计算QC时没有常态要求。正态性是相关分析所要求的--它被用来确定是否需要将因素包括在多元回归中，并评估所产生的回归方程是否与所确定的关系一致。
 
Avals:

...

维基

...

同上。

通常情况下，相关研究的诱人的简单性鼓励研究者得出错误的直觉结论，认为成对的属性之间存在因果关系，而相关系数只是建立统计关系。例如，观察某个城市的火灾，人们可能会发现火灾损失与参与灭火的消防员人数之间有很高的相关性，而且这种相关性是正的。然而，这并不意味着 "更多的消防员会导致更多的损失"，而试图通过取消消防队来尽量减少火灾损失就更没有意义了。[5] 同时，这两个数量之间缺乏相关性并不意味着它们之间没有关系。

 
C-4:


O.k. 假设这并不重要。那么，相关矩阵的那种分布......。


相关矩阵分布的类型取决于两个系列的属性和它们之间的关系，也就是说，它不一定对所有可能的系列都是一样的......对SB来说是一个，对一些太阳耀斑来说是另一个...
1...343536373839404142434445464748...60
新评论