自相关性分析

相关性分析与相关系数 相关性分析用于探索两组数据集中数据之间的关系，即使它们采用不同的度量单位。而相关系数 (R) 则量化了这种关系的强度和方向。 计算方法： 相关系数是两组数据集的协方差与其标准偏差乘积的商。 结果解读： R > 0： 表示正相关，即一组数据中的较大值对应于另一组数据中的较大值。 R < 0> 表示负相关，即一组数据中的较大值对应于另一组数据中的较小值。 R = 0： 表示不存在线性相关关系，但并不排除其他类型的关系。 R 的绝对值越接近 1，相关性越强；越接近 0，相关性越弱。

快速相关算法在C语言中高效、稳定地计算两个向量之间的相关性。将其编译为fastcorr.dll后可供Matlab调用。另提供备用函数SLOWCORRELATION，仅供参考，实际计算中效率较低。

基于akshare数据采集的相关性分析结果

局部空间自相关分析方法主要包括以下三种： 空间联系的局部指标 (LISA) G 统计量 Moran 散点图

解读斯皮尔曼相关性系数 斯皮尔曼相关性系数，也称为等级相关系数，用于评估两个变量之间单调关系的强弱。它并不关注变量间具体的数值关系，而是着眼于它们在排序上的变化趋势。当一个变量的值上升时，另一个变量是倾向于同步上升还是下降，斯皮尔曼相关性系数都能将其捕捉。 这种非参数的统计方法，由英国心理学家查尔斯·斯皮尔曼于20世纪初提出，在无需假设数据服从特定分布的情况下，也能有效衡量变量间的关联程度。无论是线性关系还是非线性关系，只要存在单调趋势，斯皮尔曼相关性系数都能给出可靠的评估结果。

综合多篇文章，总结了计算变量相关性的三个主要参数：皮尔逊相关系数、距离相关和最大信息系数。文章详细介绍了它们各自的计算方法和应用场景。

典型相关性分析（CCA）是一种多元统计方法，用于探索两组变量之间的关系。它通过寻找使两组变量之间相关性最大的线性组合来实现其目标。CCA的基本步骤包括：数据准备，数据标准化以确保变量具有一致尺度，构建典型变量，计算它们之间的相关性，并解释典型变量的贡献。该方法在金融、生态学和心理学等领域有广泛应用。

空间自相关指标显著性检验通过标准化 Z 值实现。Moran's I 显著性检验公式为： E(I) = 1/(n-1)

含噪正弦信号的自相关分析 本程序分析了一个由正弦信号和高斯白噪声叠加而成的信号 x(n) 的自相关函数。信噪比设定为 10dB。 程序步骤： 生成信号： 定义正弦信号 s(n) 的频率、幅度和相位。 生成高斯白噪声 u(n)，并根据信噪比要求调整其功率。 将正弦信号与噪声叠加，得到信号 x(n)。 计算自相关函数： 使用 Matlab 函数 xcorr 计算信号 x(n) 的自相关函数。 结果分析： 绘制自相关函数图像。 观察自相关函数的特点，例如峰值位置、衰减情况等。 分析这些特点如何反映原始信号的周期性以及噪声的影响。 结论： 通过自相关函数的分析，我们可以提取出被噪声掩盖的正弦信号的周期信息。尽管噪声的存在会影响自相关函数的形状，但正弦信号的周期性仍然可以通过自相关函数的峰值位置清晰地识别出来。

给定信号向量“y”，计算其自相关函数的估计值。此方法从延迟1开始，直至延迟$p$，适用于实数或复数信号向量。