问题标签 [pearson]

如果向量中有非常大的数字，则该cor()函数无法计算相关值并仅返回零：

虽然1e155很大，但比 R 可以处理的最大数量要小得多。令我惊讶的是，为什么 R 返回错误的值并且没有返回更合适的结果，例如NAor Inf。

有什么理由吗？如何确保我们的程序不会遇到这样的情况？

使用下面的代码，我创建了一个相关矩阵。下面的代码只是为所有数据创建了一个矩阵，无论处理如何。但是，我数据中的一列是治疗。我想制作两个不同的矩阵（每种治疗类型一个）。我的治疗是第 6 列“治疗”中的分类值。第 10 到 44 列我想为其创建一个矩阵。

当您的数据采用观察列表的形式时，是否可以计算R中的卡方？我的意思是，如果你知道十字架，就很容易得到卡方。例如，如果您进行一项调查并询问性别和真假问题，则只需四个数字即可计算卡方。相反，我有两列数据，每个受访者的答案。是否有可能从这种数据结构中得到卡方，还是我必须转换它？

如果我必须将它转换为R，有没有人知道另一种语言可以让我直接得到卡方？

我想对一组 10 个数据点执行 ak 均值聚类分析，每个数据点都有一个由 4 个数值组成的数组与之关联。我使用 Pearson 相关系数作为距离度量。我做了 k 均值聚类算法的前两个步骤，它们是：

1）选择k个簇的一组初始中心。【我随机选择了两个初始中心】

2）将每个对象分配给具有最近中心的集群。[我使用 Pearson 相关系数作为距离度量——见下文]

现在我需要帮助理解算法的第三步：

3）计算集群的新中心：

其中 X，在这种情况下是一个 4 维向量，n 是集群中数据点的数量。

对于以下数据，我将如何计算 C(S)？

k 均值算法的最后一步是重复第 2 步和第 3 步，直到没有对象更改集群，这很简单。

我需要第 3 步的帮助。计算集群的新中心。如果有人可以通过并解释如何计算其中一个集群的新中心，那将极大地帮助我。

我的目标是近似二项式变量总和的分布。我使用 Ken Butler 和 Michael Stephens 的以下论文The Distribution of a Sum of a Binomial Random Variables。

我想编写一个 R 脚本来找到二项式总和的 Pearson 近似值。有一个 R 包 PearsonDS允许以简单的方式执行此操作。

因此，我从论文中获取第一个示例，并尝试找出这种情况下 Pearson 分布的密度。最后我收到一条错误消息“这些时刻没有概率分布”。

你能解释一下下面的代码有什么问题吗？

# 定义五个二项式随机变量的参数

# 找到前四个累积量

# 求偏度和峰度参数

# 定义时刻并计算

我收到错误消息“这些时刻没有概率分布”。

为了计算两个数组之间的皮尔逊系数，我使用以下内容：

对于我收到的输出：相关性为 NaN

PearsonsCorrelation 类包含在 apache commons API 中：http ://commons.apache.org/proper/commons-math/userguide/stat.html

每个数组中的值取决于用户是否在他们的数据集中包含一个词。上面的数组应该是完全相关的？

这个问题与如何设置计算欧式距离和相关性的值有关

I am using Python library scipy to calculate Pearson's correlation for two float arrays. The returned value for coefficient is always 1.0, even if the arrays are different. For example:

I am calling the routine in this way:

The value of r_row is always 1.0. What am I doing wrong?

我正在寻找一个包含三列和任意行数的数据集。

我希望第 1 列与第 2 列具有 Pearson 相关性 0.20，第 1 列将 0.24 与第 3 列相关，第 2 列将 0.3 与第 3 列相关。

我该如何制作这个？

我有两组栅格，它们都具有相同的 x、y、z 范围。我做了两个堆栈：stacka 和 stackb。我想计算沿时间线的两个堆栈之间的每个网格单元中的 Pearson 相关系数 ( PCC )。我做了一个更简单的例子（请原谅我创建栅格的愚蠢方式）

最后，我有一个栅格，每个网格单元都填充了 PCC。问题是，数据 a 是断断续续的，某些网格在某些层中是 NA。所以最终产品有一些空白。我的算法在遇到 NA 时会吐出“NA”。我需要像na.rm=TRUE计算中的一些选项，因此输出将计算任何月份的值。

我能想到的方法是is.na(stacka[[nlayers]][nrows,ncols]==FALSE在stackb中使用并找到对应的对，但这是基于单元格的，这需要大量的计算机时间。

如何分发健身测试，例如。scipy.stats.norm.fit工作？对 scipy 源代码的调查使我找到了rv_continuous.fit方法，但它看起来像打空气。使用什么算法，皮尔逊卡方检验或其他一些算法？

UPD据我了解，内部优化算法fit可找到最大似然估计。但是例如对于scipy.stats.norm，最大似然是众所周知的——它是正态均值的样本均值和来自样本方差的平方根——对于 sigma。为什么不直接计算？