Email Dataset

见是关于语言的。他反对我使用标准差来表示一个点与平均值之间的距离，单位是平均值的标准误差。正如维基百科所指出的， “平均值的标准误差（即使用样本平均值作为估计总体平均值的方法）是这些样本平均值的标准差” 。 因此，根据维基百科，一个数字与平均值估计值之间的标准误差长度的计数将是我们的平均值估计值的标准差。除了技术上正确之外，它还符合上下文，即样本平均值的准确性。 ）反驳“非线性不是使用 相关性的正当理由”的说法 我写道：“皮尔逊相关系数只适用于测量线性相关系数，而我们所观察的许多值并非如此。


如果某个事物具有很好的指数相关性（例如链接计数通常具有这种相关性），我们不想不公平地给它们打低分。” 回应说，他引用了一位他认为“完全正确”的消息来源：“兰德，你（或本）使用斯皮尔曼相关而不是皮尔逊相关的理 贝宁数字数据 由是错误的。 两种相关性之间的区别不在于一个描述的是线性相关性，另一个描述的是指数相关性，而是它们在使用的变量类型上有所不同。斯皮尔曼和皮尔逊都试图通过单调函数找出两个变量是否相关，不同之处在于它们处理的变量类型不同 皮尔逊处理非排序或连续变量，而斯皮尔曼处理排序数据。” 的来源以及 本人的观点都是错误的。


想要测量非线性相关性（例如指数相关性）是使用 而不是 的正当理由。“ 处理非排序或连续变量，而 处理排序数据”这一观点是正确的，因为要计算 相关性，可以将连续变量转换为排序指数，然后应用 。 但是，原始变量最初不需要是排序指数。如果是这样， 会产生与 相同的结果，并且没有任何意义。 我的观点是 反对的，即皮尔逊相关性只能衡量线性相关性，而斯皮尔曼相关性可以衡量其他类型的相关性，例如指数相关性，这是完全正确的。我们可以快速引用维基百科来表明，斯皮尔曼相关性可以衡量任何单调相关性（包括指数相关性），而皮尔逊相关性只能衡量线性相关性。