一、引述

在上一篇文章中，我们已经介绍了如何求解Person相关系数。那么如何解释相关系数的大小呢？事实上，如果我们只是通过相关系数大小去判断两个变量之间的相关性，这种做法是不严谨的。因为对相关系数的解释依赖于具体的应用背景和目的的。因此，相比较于相关系数的大小，我们往往更关注于显著性。而求解显著性，则需要假设检验方法。

二、假设检验

请仔细阅览下一部分。

三、对皮尔逊系数进行假设检验

1. 步骤

提出原假设（零假设）H₀和备择假设H₁（两者假设是截然相反的）。
假设我们得到了一个皮尔逊相关系数r，我们想检验它是否显著的异于0，那么我们可以这样设定原假设和备择假设：H₀：r = 0，H₁：r ≠ 0。（通常来说，备择假设才是研究者最想知道的）（r ≠ 0，是一个双侧检验，因为其可以分为两个单侧检验：r > 0, r < 0）
在原假设成立的条件下，利用我们要检验的量构造出一个符合某一分布的统计量。（统计量相当于我们要检验的量的一个函数，里面不能有其他的随机变量）（分布一般有四种：标准正态分布、t 分布、卡方分布、F分布）
对于皮尔逊相关系数r而言，在满足一定条件下，我们可以构造统计量（式子中n为已知的样本量）：

可以证明，t是服从自由度为n-2的t分布。
将我们要检验的r值代入该统计量中，可以得到一个特定的值（检验值，在之后的步骤中我们要看这个检验值是放到）。
例如，我们计算出的相关系数r = 0.5，样本量n = 30，那么我们可以求出 t = 3.05505
由于我们知道统计量的分布情况，因此我们可以画出该分布的概率密度函数pdf，并给定一个置信水平α（愿意接受H₀成立的概率），根据这个置信水平查表找到临界值，并画出检验统计量的接受域和拒绝域。
紧接之前的例子，我们知道上述统计量服从自由度为28（30-2）的t分布，其概率密度函数图形如下：
使用matlab绘制该概率密度函数pdf的代码如下：
```
 x = -4:0.1:4; % x从-4取到4间隔为0.1y = tpdf(x,28); % 第一个参数为给定的一组数据，第二个参数是自由度plot(x,y,'-') % 绘制图线grid on  % 在画出的图上加上网格线
```
常见的置信水平有三个：90%，95%和99%，其中95%是最为常用的。

通过查t分布表，我们可知当自由度为28，置信水平为95%时，临界值为2.048，因此我们可以做出如下的接受域和拒绝域。
[因为我们采用的是双侧检验，因为置信水平为0.95，则拒绝域之和为0.05，即，一侧为0.025。所以，其对应的t分布表中的t_p = 0.975，于是再根据自由度28，即可锁定临界值2.048]
看我们在第三步得到的检验值是落在了拒绝域还是接受域，并下结论。
在第三步中，我们得到的检验值 t = 3.05505 > 2.048*，因此我们可以下结论：在95%的置信水平上，我们拒绝原假设H₀：r = 0，因此，r是显著的不为0的。

2.更好用的方法：p值判断法

何为p值？
p值是一种概率，是拒绝原假设的最小显著性水平，是用于确定是否应该拒绝原假设的另一种方法。

如何使用？
在上述步骤的第三步中，我们得到了一个检验值 t* = 3.05505，根据该值，我们计算其对应的p值(即，(1-红色方块区域左侧的概率)，但是在本例中，由于采用的是双侧检验，因此应当×2，即(1 - 红色方块区域左侧的概率)×2)。

matlab代码对应如下：

disp('该检验值对应的p值为：')
disp((1-tcdf(3.055,28)) * 2)
% 双侧检验的p值要乘以2，tcdf是t分布的累计概率密度函数
% tcdf(3.055,28)指x=3.055且自由度为28的累积密度函数

最后我们计算得到的p值为0.0049

p值的意义：p < 0.01，说明在99%的置信水平上拒绝原假设；p < 0.05，说明在95%的置信水平上拒绝原假设；p < 0.10，说明在90%的置信水平上拒绝原假设；
同理，可得：p > 0.01，说明在99%的置信水平无法拒绝原假设；p > 0.05，说明在95%的置信水平无法拒绝原假设；p > 0.10，说明在90%的置信水平无法拒绝原假设。

∵ p = 0.0049 < 0.05
∴ 本例中，在95%的置信水平上拒绝原假设，即皮尔逊相关系数显著的异于0.

注：在论文写作中我们通常使用以下方式确定该相关系数的显著性：

相关系数	" * "的意义
0.5	不显著，即无法拒绝原假设
0.5*	在90%的置信水平上显著，即在90%的置信水平上拒绝原假设
0.5**	在95%的置信水平上显著，即在95%的置信水平上拒绝原假设
0.5***	在99%的置信水平上显著，即在99%的置信水平上拒绝原假设

三、皮尔逊相关系数检验的条件

实验数据通常是成对的来自于正态分布的总体。
因为我们在求出皮尔逊相关系数以后，通常还会用t检验之类的方法进行皮尔逊相关系数检验，而t检验是基于数据呈正态分布的假设的。
实验数据之间的差距不能太大。皮尔逊相关系数受异常值影响较大（详情见第一节图）。
每组样本之间是独立抽样的。构造t统计量时需要用到。

相关参考资料：百度百科、百度文库、清风数学建模

数学建模——相关系数（2）——假设检验相关推荐

【7.0】数学建模 | 相关系数详解 | Person相关系数、Spearman相关系数
总体Person相关系数如果两组数据X:{X1,X2,⋯,Xn}和Y:{Y1,Y2,⋯,Yn}是总体数据(例如普查结果)那么总体均值:E(X)=∑i=1nXin,E(Y)=∑i=1nYin总体协方差 ...
数学建模笔记-第五讲-相关系数
文章目录相关系数 pearson相关系数相关性可视化误区相关系数大小的解释例题描述性统计 matlab excel SPSS 矩阵散点图计算相关系数热力图美化结果对相关系数进行假设检 ...
【清风数学建模笔记】第五讲：相关系数
本讲我们将介绍两种最为常用的相关系数:皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数.它们可用来衡量两个变量之间的相关性的大小,根据数据满足的不同条件,我们要选择不同的相关系数进行 ...
数学建模：相关性分析学习——皮尔逊（pearson）相关系数与斯皮尔曼（spearman）相关系数
目录前言一.基本概念及二者适用范围比较 1.什么是相关性分析 2.什么是相关系数 3.适用范围比较二.相关系数 1.皮尔逊相关系数(Pearson correlation) 1.线性检验 2.正 ...
浅尝辄止_数学建模（笔记_斯皮尔曼相关系数）
文章目录一.斯皮尔曼spearman相关系数 1.定义(1) 2.定义(2) 3.Matlab中计算斯皮尔曼相关系数 4.斯皮尔曼相关系数的假设检验小样本情况,即n≤30n≤30n≤30 大样本情 ...
数学建模：6 相关系数
目录选择哪个相关系数总步骤皮尔逊相关系数.假设检验总体皮尔逊Pearson相关系数样本皮尔逊Pearson相关系数皮尔逊相关系数注意点对相关系数大小的解释皮尔逊相关系数假设检验的条件 ...
数学建模-5.相关系数
相关系数-皮尔逊pearson相关系数衡量两个变量之间相关性的大小原理协方差可以反应两个变量之间的关系,但是协方差大小与量纲有关,皮尔逊相关系数则是将X和Y标准化后的协方差,即去除了两个变量量纲 ...
《数学建模：基于R》一一2.1　回归分析
本节书摘来自华章计算机<数学建模:基于R>一书中的第2章,第2.1节,作者:薛毅更多章节内容可以访问云栖社区"华章计算机"公众号查看. 2.1 回归分析在许多实际 ...
spss数据预处理步骤_数学建模准备必备的十个数据分析软件（数学建模从入门到精通）...
前几天咋们聊了很多关于数学建模的干货,比如怎么样去前期准备学习数学建模,又比如数学建模需要哪些疾病软件?再比如数学建模论文摘要写作技巧.昨天那篇更是直接把数学建模常用的思维导图.流程图软件全部统统介绍 ...
数学建模7 多元线性回归分析
1.回归思想相关性(不是因果性) Y:因变量,常常是我们需要研究的核心变量,分为连续值型,0-1型,定序变量,计数变量,生存变量 X:自变量(解释变量) 回归分析:研究x和y之间的相关性的分析,尝试 ...

数学建模——相关系数（2）——假设检验

文章目录