97被浏览48,762分享邀请回答2118 条评论分享收藏感谢收起156 条评论分享收藏感谢收起> 问题详情
关于相关系数的描述正确的是A．相关系数－1．00和相关系数＋1．00的相关程度是一样的B．相关
悬赏：0&答案豆
提问人：匿名网友
发布时间：
关于相关系数的描述正确的是A．相关系数-1．00和相关系数+1．00的相关程度是一样的B．相关系数0．60的相关程度是相关系数0．30的相关程度的2倍C．当相关系数在统计学具有显著性时，说明两个变量具有因果关系D．两个相关系数的绝对值相等，说明两个相关关系是一样的此题为多项选择题。请帮忙给出正确答案和分析，谢谢！
为您推荐的考试题库
您可能感兴趣的试题
1下列各图中，可以表示单个连续变量频次分布的图是A．直方图B．散点图C．次数多边形图D．条形图2平均差的优点是A．受抽样变动影响小B．有利于进一步的统计分析C．较好地代表了数据分布的离散程度D．意义明确，计算严密3心理与教育测评中，相关系数可以用于确定测验的A．信度系数B．效度系数C．统计检验力D．项目区分度
我有更好的答案
请先输入下方的验证码查看最佳答案
图形验证：
验证码提交中……
找答案会员
享三项特权
找答案会员
享三项特权
找答案会员
享三项特权
选择支付方式：
支付宝付款
郑重提醒：支付后，系统自动为您完成注册
请使用微信扫码支付(元)
支付后，系统自动为您完成注册
遇到问题请联系在线客服QQ：
请您不要关闭此页面,支付完成后点击支付完成按钮
遇到问题请联系在线客服QQ：
恭喜您！升级VIP会员成功
常用邮箱：
用于找回密码
确认密码：求y与x1，x2，x3的偏相关系数并检验显著性，结果y与x3相关不显著。有人说：此时得到的y与x1，x2的偏相关系数有误差，必须排除x3干扰，（舍去x3，剩余3组变量），重新计算y与x1，x2的偏相关系数并检验显著性，是这样吗？谢
我回答过你同样的问题，不过现在我应该算是真的看明白你的意思了。
一般相关信息中只介绍如何进行相关关系的显著性检验，包括对整体与对各个自变量的显著性检验，很少有谈及修改回归方程的问题。
你的问题是：如果回归方程是：y=a*x1+b*x2+c*x3+d，通过显著性检验，自变量x3与因变量y的线性关系不显著，是否应该把回归方程写成：y=a*x1+b*x2+d（这里的a、b、d当然与上式的a、b、d不同了，需要重新计算才可以得到的）。是这个意思吗？
粗糙地看，如果|c|比较小，x3对y的取值影响就小，线性相关的程度就低，但是系数的绝对值多小才算是“小”呢，不能光由系数的绝对值本身确定的，显著性检验实际上是给出了一个判断的标准。x3与y的线性关系不显著，并不等于说x3与y是不相关的，x3的取值变化还是会影响y的取值的，所以我认为把x3去掉是不妥当的，如果x3与y是不相关的，则计算得到的系数c一定等于0的，自然在回归方程里就不会出现x3了，没有“去掉”x3的必要了。问题是，如果c的绝对值非常小，但又不等于0，这时x3的变化对y的取值影响是非常小的，不会影响其它自变量与y的相关关系的，也没有必要去...
我回答过你同样的问题，不过现在我应该算是真的看明白你的意思了。
一般相关信息中只介绍如何进行相关关系的显著性检验，包括对整体与对各个自变量的显著性检验，很少有谈及修改回归方程的问题。
你的问题是：如果回归方程是：y=a*x1+b*x2+c*x3+d，通过显著性检验，自变量x3与因变量y的线性关系不显著，是否应该把回归方程写成：y=a*x1+b*x2+d（这里的a、b、d当然与上式的a、b、d不同了，需要重新计算才可以得到的）。是这个意思吗？
粗糙地看，如果|c|比较小，x3对y的取值影响就小，线性相关的程度就低，但是系数的绝对值多小才算是“小”呢，不能光由系数的绝对值本身确定的，显著性检验实际上是给出了一个判断的标准。x3与y的线性关系不显著，并不等于说x3与y是不相关的，x3的取值变化还是会影响y的取值的，所以我认为把x3去掉是不妥当的，如果x3与y是不相关的，则计算得到的系数c一定等于0的，自然在回归方程里就不会出现x3了，没有“去掉”x3的必要了。问题是，如果c的绝对值非常小，但又不等于0，这时x3的变化对y的取值影响是非常小的，不会影响其它自变量与y的相关关系的，也没有必要去掉x3以后再对其它自变量进行显著性检验的。
总之，我认为是没有必要“重新计算y与x1，x2的偏相关系数并检验显著性”的。
“如果y与某个x（假如是x3)偏相关系数的相关性不显著性（非线性关系），则y与其他x的偏相关系数都是不正确的”——想表达什么意思？
多元线性回归分析中，因变量y...
http://baike.baidu.com/link?url=lxmciTjBn01dCViZ2jWXhNbf1zEBHRRf9MksbkKMx7uEagKj...
如果两组数据呈积差相关，则可以计算：
首先用双变量科学计算器计算：现在多数使用CASIOfx82-ES计算器，步骤为：清仓(shift-CLR-1-=-AC)-...
用相关系数啊，相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值一般介于-1～1之间。相关系数不是等距度量值,而只是一...
答: 就是月经日的前七天后八天啊,这时候虽然是处于安全期,但是也有一定的概率会怀孕的啦!
答: x->0:lim(1+x)^(-1/x)
=1/[x->0:lim(1+x)^(1/x)
x->∞:limxsin(1/x)
=1/x->0:lim[...
答: 简而言之,概率论是属于随机数学的范畴,即研究随机现象的一门自然科学。
答: 中国人的数学理应比外国人好！ 这是我的个人观点，这在于中国人对数字的发音是单音，因此，对数字的记忆较为简单，提高了学习数学的效率！
而科学的发展，往往受制于社会...
大家还关注
确定举报此问题
举报原因(必选)：
广告或垃圾信息
激进时政或意识形态话题
不雅词句或人身攻击
侵犯他人隐私
其它违法和不良信息
报告，这不是个问题
报告原因(必选)：
这不是个问题
这个问题分类似乎错了
这个不是我熟悉的地区显著相关系数,significant correlation coefficient,音标,读音,翻译,英文例句,英语词典
说明：双击或选中下面任意单词，将显示该词的音标、读音、翻译等；选中中文或多个词，将显示翻译。
您的位置： ->
-> 显著相关系数
1)&&significant correlation coefficient
显著相关系数
The results showed that,there are more significant correlation coefficients in high performance firms compared to the low performance firms.
结果表明,相比绩效不好的公司,绩效好的公司四类变量间一致变动的显著相关系数更多,并且这种差异在两组不同的公司间统计性显著。
2)&&significance of correlation coefficient
相关系数显著性
3)&&Remarkably correlative
4)&&significant positive correlation
显著正相关
The results show that the beginning of rainfall,with the increase of antecedent dry periods,the percentages of less than 40μm is increased,the correlation of the water quality parameters(TN,TP,Zn,Pb,Cu,TSS and COD) and antecedent dry period shows a significant positive correlation,dissolved pollutants in the initial period surface runoff is increased.
结果表明,随着前期晴天时间的增加,径流中粒径<40μm的颗粒物粒径体积分数增加;径流中主要水质参数(TN、TP、Zn、Pb、Cu、TSS和COD)与前期晴天时间呈显著正相关,初期地表径流中溶解态污染物增加,说明前期晴天时间是影响城市径流污染浓度和形态的主要因子,从而为城市降雨径流污染的控制和治理提供科学依据。
5)&&significant correlation
显著性相关
Results show that the characteristics of different bamboo shoots share some similarity in seasonal variation,assuming some single-that there is some significant correlationand that the correlation coefficient between β-carotene content and chlorophyll content is up to 0.
通过对9个笋用竹种叶片的叶绿素含量、游离氨基酸含量、β-胡萝卜素含量和硝酸还原酶活性等生理指标的测定、分析得出:不同笋用竹的叶绿素含量、游离氨基酸含量、β-胡萝卜素含量和硝酸还原酶活性等的季节变化具有一定的相似性,呈现单峰曲线;β-胡萝卜素与叶绿素含量、硝酸还原酶活性及叶绿素含量与硝酸还原酶活性呈显著性相关,其相关系数分别为:β-胡萝卜素含量与叶绿素含量相关系数高达0。
6)&&high significant correlation region
显著高相关区
补充资料：Kendall等级相关系数
Kendall等级相关系数
ion Kendall coefficient of rank correla-
　　Kd山u等级相关系数「E曰吐山以吧伍d句t of.”血伪川如.d佣;Ke”皿姗a劝，帅胭“e，TP朋ro“0‘ICOPpe几.朋毗」
两个随机变量(特征)X和Y间相依关系的样本度量之一，基于样本元素(戈，Y.)，二，(Xn，玖)的等级评定.这样，众n山山等级相关系数属于秩统计量(mllksta比tic)并且定义为
25 f r.·…r_、
”Ln一1)其中;，是在X秩为i的数偶(X，y)中Y的秩、S二ZN一”(。一l)/2，N是样本中]>i和r，>r‘同时成立的元素个数.总有一1簇t《1.M.R上以坛U广泛使用K淤nd目等级相关系数做相依性度量(见〔1」).
Ken山山等级相关系数被用于检验随机变量独立的假设.如果独立性的假设成立，则云二0，DT“2(2n十5)/〔gn(”一l)1.当样本容量较小时(4蛋n镬10)，独立性假设的统计检验借助于专门的数表(见【31〕来进行.当衬>10时，利用:的分布的正态逼近二如果
，·，>一擂离，则否定关于独立的假设，否则接受假设.这里，:是显著性水平，。司:是标准正态分布的100(:/2)百分位点.像任何秩统计量一样，KendaU等级相关系数可以用于揭示两个属性特征的相依性，只要样本的元素可以按这些特征评定等级，如果X和Y有联合正态分布且相关系数为p，则p与Kendal丈等级相关系数有如下关系:
七T=一atcsmP·
兀亦见S碑ar田叨等级相关系数(s户汾m曰n cocfficientof几mk eorlehaion);秩检验(mnk此0.　　
说明：补充资料仅用于学习参考，请勿用于其它任何用途。下载费用： 9.00 元 &
&&&&&&&&&&&&应用人工神经网络确定评价指标的权重
其他行业热点推荐
应用人工神经网络确定评价指标的权重
还剩页未读，继续阅读
下载文档到电脑，查找使用更方便
下载需:<b style="color: #ff 元
资源描述：第20卷第3期 山东科技大学学报(自然科学版) Vol 20 N032 0 0 1年9月 Jomml of Shandong University of Science and Technology(Natural Science) Sep．2001文章编号：(84—03应用人工神经网络确定评价指标的权重。孙会君1．王新华2(1北方主通大学交遄运输学院．北京．山未科拄大学垃济管理学院．泰安271019)摘要：阐述了如何利用人工神经网络方法确定评价指标的权重，以消除以往权重确定过程中人为影响及缺乏动态性这一弊端．具有一定的实用意义。关键词：人工神经网络；评价指标；权重中围分类号：F224 文献标识码：ADetermin ation of the Weight of Evaluation Indexes with ArtificialNeural Network MethodSUN Hui-junl，WANG Xin-hua2(1 CFollegeolTraffic andTransportation．Nomhem JiaotongUriversity．Beljln9100044，ChiIla)2 CoUpeot Economy andManagement．SUST．Taian 271019。Cram)Abstract：This paper elaborates how to determine the weight of evaluation indexes with the artificial neuralnetwork method It Can remove the man—made influence and lack of dynamic characteristic in weight deter—minationKey words：artificial neural network；evaluation index；weight我们进行系统评价时建立的评价指标体系中各个指标对其描述对象的影响程度即它们的权重是不同的，这就需要根据指标的重要性确定其权重大小。在以前的评价方法中，传统的权重设计带有很大的模糊性，有时离差也显得过大，同时权重确定中人为因素影响也很大。随着时间、空间的推移，各指标对其对应问题的影响程度也可能发生变化，确定的初始权重不一定符合实际情况。再者考虑到整个分析评价是一个复杂的非线性大系统，必须建立权重的学习机制，这些方面正是人工神经网络解决问题的优势所在。我们利用人工神经网络来确定各项指标的权重，通过对已知(经实践检验是科学、合理、切合实际的评价)样本的学习，获得评价专家的经验知识及对目标重要性的权重协调能力，尽可能消除以往权重确定方法中的人为影响，保证权值的有效性和实用性。1人工神经网络方法(1)人工神经网络简介人工神经网络(Artificial Neural Network，简称ANN)是由大量的、同时也是很简单的处理单元广泛连接而形成的网络系统。它最早开始于1943年Meculloch和Pitts提出的神经元的数学模型。它反映了人脑功能的许多基本特征，是一个并行处理的非线性系统，但它并不是人脑神经系统的真实写照，而只是对人脑的行为作某些简化、抽象和模拟。神经网络的学习算法有多种，根据所研究问·收稿日期： 基金项目：山东省自然科学基金资助项目(Y98J08104)作者简介：孙会君(1974一)．女．河北衡水人，博士研究生，主要从事管理科学与工程、变通运输规划与管理研究。万方数据第3期 孙会君等：应用人I神经网络确定评价指标的权重 85题的性质和神经网络的有关理论，在本文的评价模型中全部采用BP神经网络的结构形式。(2)BP神经网络的学习算法模型研究是人工神经网络研究的主要方面之一，到目前为止，人们至少已设计出几十种不同的神经网络模型，BP网络是在1985年由RumeChart等人提出的反向传播算法的基础上发展起来的，是一种多层次反馈型网络，所使用的是有导师学习算法，网络结构如图1所示。图1 BP网络模型BP网络的学习算法步骤如下：第一步：设置初始参数m和口，(m为初始权重．0为临界值，均随机设为较小的数)。第二步：将已知的样本加到网络上，利用下式算出它们的输出值Mr ]-1Yj=Jl+f“j吁一一o’J (1)【 J式中：z。为该节点的输入(i=1，…m)；w。为从i到j的联接权(i=l…m，j～1·”)，初始权重随机设为[o，1]较小的数；只为l临界值；yi为实际算出的输出数据。第三步：按已知输出数据与上面算出的输出数据之差(d，一*)调整权系数w，调整量为：Aw0=和， (2)式中：T／为比例系数，即学习率，在计算中设置为一较小的数[O，I】，在网络训练中以不引起振荡和能保证较好的精度为前提，逐步提高口值，直到认为达到满意的训练速度为止；z．为在隐节点为网络输入，在输出节点则为下层(隐)节点的输出(j=1．…")；d，为已知的输出数据(学习样本称训练数据)；d．是一个与输出偏差相关的值，对于输出节点来说有：屯=璃(1一*)(由一Yj) (3)对于隐层节点来说，由于它的输出无法进行比较．所以经过反向推算有：d，=T，(1一z，)．；辞”m (4)其中^指要把上层(输出层)节点取遍，误差8．是从输出层反向逐层计算的。各层神经元的权值调整后为：w，．(t)=w。，(t一1)+Aw。 (5)式中：}——为学习次数。这个算法是个迭代过程，每一轮将各w值调整一遍．这样一直迭代下去，直到输出误差小于某一允许值为止，这样一个好的网络就训练成功了，BP算法从本质上讲是把一组样本的输入输出问题变为一个非线性优化问题，它使用了优化技术中最普通的一种梯度下降算法，用迭代运算求解权值相当于学习记忆问题。2确定区域自然资源条件评价指标权重(1)评价指标体系本文主要考虑了影响工业企业的自然资源从矿产资源、水资源、森林资源三个方面来评价其指标如图2所示。广矿产资激自然费潍—+—水瓷弹L—冉林资龈广毗坍矿产品种比似卜—主要矿产T业锅苴人均涪往价值i--矿石甲均品乜叶产资谭丌发利用状况r_^琦水蚩探量t--甲位面粮水赉潭置卜-水蒉源利用牛L咪硗彝承匾状况广—彝杯捌盖半叶年A林凡均最值量图2自然资源评价指标结构圈(2)评价指标体系的神经网络结构为了获得各评价指标的权重．我们采用了神经网络技术，首先要确定各神经网单元数，根据前面所列出的区域自然资源条件评价指标体系，各神经网络的具体参数如表l所示。其中隐含层神经单元数可自行设定，一般来说，问题越复杂需要的隐含层单元数越多，或者同样的问题，隐含层单元越多越易收敛。但过多的隐含层单元会增加计算量，目前其选择还没有有效的方法．需要根据网络大小来确定。本文根据如下规则确定隐含层的神经元数：隐含层的神经元数目大于输入层神经元和输出层神经元数目和的一半，小于输入层神经元和输出层神经元数目的和。万方数据86 山东科技大学学报(自然科学版) 第20卷衰1区域资津条件评价吝神经网络参数衰(3)网络训练网络建立后．需要选择样本对网络进行训练学习．选择样本的数据值相差很大，不能直接进行比较，因此在网络训练时首先要对样本数据进行初始化．本文通过建立评价指标隶属度函数的方法对样本数据进行初始化，其详细内容可见参考文献[4]。原则上样本数量是越多越好，但也应根据网络大小确定合适的样本效，过大或过小都会使计算不准确．本文根据一般选择样本的方法确定了二十个样本对此神经网络进行训练，得出神经网络的训练结果如表2所示。衰2自然资源神经网络备神经元杈位系蠡衰蠢古层单元——一——j!—．查l_呈兰至__—————————————一 输出层单元1 2 3 4 5 6 7 8 9 10建立神经网络学习算法的目的是确定评价指标的权重，而神经网络训练得到的结果只是各神经网络神经元之间的关系，要想得到输入因素相对于输出因素之间的真实关系，也就是输入因索对输出因素的决策权重，还需要对各神经元之间的权重加以分析处理，为此利用以下几项指标来描述输入因素和输出因素之间的关系。①相关显著性系数P％=三眠(1一￡～)／(1+t一‘)(6)…z=％ (7)②相关指数Rd=I(1一e一，)／(1+e一，)I (8)Y=7f， (9)o绝对影响系数S#=Ro／三R“ (10)上述公式中：i为神经网络输入单元，净l，…m；』为神经网络输出单元。J=1，…n；^为神经网络的隐含单元，女=1，…P；弛f为输入层神经元i和隐含层神经元^之间的权系数；t‘协为输出层神经元j和隐含层神经元^之同的权系效。上面三个相关系效中绝对影响系数S就是我们所要求的权重。运用公式(6)～(10)得出各评价指标的权重，如表3所示。衰3区域自然资鼍条件评价指标权I指标名称 权 t优势矿产品品种比例主耍矿产工业储量潜在价值矿石平均品位矿产费源开发利用状况人均水资穰t单位面积水资源量术蚤谭利用事木赍曩水质状况森#曩董事全年裘#人均采齿量O．o．0O 09”O．0926o．IOOO0．1045o．小结本文利用人工神经网络技术确定评价指标权重与实际情况基本相符。我们的目的主要是验证人工神经网络方法，因此评价指标的选取不是特别完善。但这足以证明本方法的可行性。参考文献：[1】王爱民．神苎网络应用干模糊嫁畚评价的研宽【J】．童蛀I枉理论与实袁．1995，(10)：37-42．【2】詹丽艳．孛卫柬．应用^工神燕丹喀进行企业综备芷济拉苴评估[J】．蕾理工程学报．) 相关资源
暂无评论，赶快抢占沙发吧。}