วิธีการสหสัมพันธ์ที่แข็งแกร่งแบบใดที่ใช้จริง


18

ฉันวางแผนที่จะทำการศึกษาแบบจำลองที่ฉันเปรียบเทียบประสิทธิภาพของเทคนิคความสัมพันธ์ที่แข็งแกร่งหลายอย่างกับการแจกแจงที่ต่างกัน (เบ้กับค่าผิดปกติ ฯลฯ ) ด้วยความแข็งแกร่งฉันหมายถึงกรณีในอุดมคติของการมีความแข็งแกร่งต่อก) การแจกแจงแบบเบ้, b) ค่าผิดปกติและ c) ก้อยที่หนัก

นอกจากความสัมพันธ์ของเพียร์สันในฐานะที่เป็นพื้นฐานแล้วฉันยังคิดที่จะรวมมาตรการที่แข็งแกร่งกว่านี้ไว้ด้วย:

  • Spearman's ρ
  • เปอร์เซ็นต์ความสัมพันธ์โค้ง (Wilcox, 1994, [1])
  • รูปไข่ปริมาณต่ำสุด, ปัจจัยแปรปรวนร่วมขั้นต่ำ ( cov.mve/ cov.mcdพร้อมกับcor=TRUEตัวเลือก)
  • อาจจะเป็นความสัมพันธ์ที่ได้รับรางวัล

แน่นอนมีตัวเลือกมากมาย (โดยเฉพาะถ้าคุณรวมเทคนิคการถดถอยที่แข็งแกร่งเช่นกัน) แต่ฉันต้องการ จำกัด ตัวเองกับวิธีที่ใช้ส่วนใหญ่ / เป็นแนวโน้ม

ตอนนี้ฉันมีสามคำถาม (อย่าลังเลที่จะตอบคำถามเดียวเท่านั้น):

  1. มีวิธีสหสัมพันธ์ที่แข็งแกร่งอื่น ๆ ที่ฉันสามารถ / ควรรวมไว้หรือไม่
  2. เทคนิคการสหสัมพันธ์ที่แข็งแกร่งแบบใดที่ใช้ จริง ในสาขาของคุณ (การพูดเพื่อการวิจัยทางจิตวิทยายกเว้นสเปียร์แมนผมไม่เคยเห็นใด ๆ ที่แข็งแกร่งนอกเทคนิคความสัมพันธ์ของกระดาษเทคนิคร่วมมือจะได้รับความนิยมมากขึ้น แต่สถิติที่แข็งแกร่งอื่น ๆ มีมากหรือน้อยไม่ได้มีอยู่เพื่อให้ห่างไกล.)ρ
  3. มีการเปรียบเทียบเชิงเทคนิคของเทคนิคสหสัมพันธ์ที่คุณรู้จักหรือไม่?

นอกจากนี้โปรดแสดงความคิดเห็นรายการวิธีการที่ระบุด้านบน


[1] Wilcox, RR (1994) ค่าสัมประสิทธิ์สหสัมพันธ์โค้งงอ Psychometrika , 59, 601-616

คำตอบ:


3

มาจากมุมมองทางจิตวิทยาเพียร์สันและสเปียร์แมนมีความสัมพันธ์กันมากที่สุด อย่างไรก็ตามฉันคิดว่านักวิจัยจำนวนมากในด้านจิตวิทยามีส่วนร่วมในขั้นตอนการจัดการข้อมูลที่หลากหลายเกี่ยวกับตัวแปรที่เป็นองค์ประกอบก่อนที่จะแสดงความสัมพันธ์ของเพียร์สัน ฉันคิดว่าการตรวจสอบความทนทานใด ๆ ควรพิจารณาถึงผลกระทบของ:

  • การแปลงของหนึ่งหรือทั้งสองตัวแปรเพื่อให้ตัวแปรใกล้เคียงกับการแจกแจงแบบปกติ
  • การปรับหรือการลบค่าผิดปกติตามกฎทางสถิติหรือความรู้เกี่ยวกับปัญหาด้วยการสังเกต

1

ฉันจะแนะนำให้คุณบทความดีนี้ตีพิมพ์ในวิทยาศาสตร์ในปี 2011 ก่อนหน้านี้ที่ผมโพสต์ที่นี่ มีข้อเสนอของมาตรการใหม่ที่แข็งแกร่งพร้อมกับการเปรียบเทียบที่ครบถ้วนสมบูรณ์และดีเยี่ยมกับมาตรการอื่น ๆ ยิ่งไปกว่านั้นมาตรการทั้งหมดได้รับการทดสอบความทนทาน โปรดทราบว่ามาตรการใหม่นี้ยังสามารถระบุความสัมพันธ์การทำงานมากกว่าหนึ่งรายการในข้อมูลและเพื่อระบุความสัมพันธ์ที่ไม่สามารถใช้งานได้


ที่ดี! ฉันจะมองอย่างใกล้ชิดว่า ดูมีความหวังมาก ...
เฟลิกซ์ S

1
คุณสามารถใส่ชื่อของบทความได้ไหม ดูเหมือนว่าจะหายไป!
Creatron

2
การตรวจจับความสัมพันธ์นวนิยายในชุดข้อมูลขนาดใหญ่
Miroslav Sabo

6
บทความนั้นได้รับการวิจารณ์มากมาย ดูเหมือนว่าจะมีความสุขมากเกินไป สื่อและงานประชาสัมพันธ์มีจำนวนมากและมาก แต่ดูเหมือนว่าจะล้มเหลวอย่างมากในตัวอย่างเล็ก ๆ น้อย ๆ เช่น recogn ซึ่งมันรับรู้ว่าเป็น "เชิงเส้น" IIRC การศึกษาของพวกเขายังไม่ยุติธรรมเช่นที่พวกเขาใช้อันดับสำหรับวิธีการของตนเอง แต่เมื่อเทียบกับเพียร์สันแทนที่จะเป็นสหพันธ์สเปียร์แมน
Anony-Mousse - Reinstate Monica

8
โดยเฉพาะดูข้อโต้แย้งของวิธีการนี้ได้ที่: statweb.stanford.edu/~tibs/reshef/comment.pdf , ie.technion.ac.il/~gorfinm/files/science6.pdf , arxiv.org/abs/1301.7745v1
metaperture

1

เอกภาพของเคนดัลล์ถูกนำมาใช้อย่างกว้างขวางในทฤษฎีโคคูลา พล็อตของ Kendall สะสมเอกภาพได้รับการแนะนำโดย Genest และ Rivest เป็นวิธีการเลือกแบบจำลองในหมู่ครอบครัวของ bivariate copulas

เชื่อมโยงไปยังกระดาษ Genest Rivest (1993)


1

มาตรการที่แข็งแกร่งของความสัมพันธ์คือ:

  1. ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของ Spearman

  2. Signum (Blomqvist) สัมประสิทธิ์สหสัมพันธ์

  3. เคนดัลล์เป็นเอกภาพ

  4. สัมประสิทธิ์สหสัมพันธ์สัมบูรณ์ของแบรดลีย์

  5. ค่าสัมประสิทธิ์สหสัมพันธ์ Shevlyakov

อ้างอิง:

• Blomqvist, N. (1950) "การวัดการพึ่งพาระหว่างตัวแปรสุ่มสองตัว", บันทึกสถิติคณิตศาสตร์, 21 (4): 593-600 • Bradley, C. (1985)“ The Absolute Correlation”, The Math Gazette, 69 (447): 12-17 • Shevlyakov, GL (1997)“ การประมาณค่าสัมประสิทธิ์สหสัมพันธ์ที่แข็งแกร่ง”, วารสารคณิตศาสตร์, 83 (3): 434-438 • Spearman, C. (1904) "หลักฐานและการวัดความสัมพันธ์ระหว่างสองสิ่ง", วารสารจิตวิทยาอเมริกัน, 15: 88-93


0

midcorrelation Biweight ดำเนินการใน R (เร็วมาก) ผ่าน WGCNAและงูหลาม (ไม่ได้เร็ว) ผ่าน astropy นั่นคือการไปสู่การวิเคราะห์เครือข่าย

สำหรับข้อมูลประกอบการกระจัดกระจายนอกจากนี้ยังมีSparCCและFastSpar

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.