Вопрос по корреляционной адаптометрии Опции

[scrappy]

Уважаемые форумчане и эксперты, возник вопрос по корреляционной адаптометрии: а именно как сделать преобразование Фишера для коэффициентов корреляций?
Можно ли это сделать в spss statistics или где-нибудь еще? Или же вообще можно без него обойтись?

[nokh]

Сообщение #19 подкорректировал, материалы к сообщению прикрепил.

[100$]

Сообщение #19 подкорректировал, материалы к сообщению прикрепил.

Указанную главу в монографии прочел и вижу решение этой задачи немного иначе.

Поскольку вектор признакового описания объектов содержит 11 координат, возникает соблазн изучения совместного распределения всех этих цитокинов, интерлейкинов и гормонов стресса. Тут бы я срочно вспомнил, что многомерные обобщения rho Спирмена предлагались Реймхартом и ван Зейленом (1978), Вольфом (1980) и Джо (1990).
Посему для всех 4 групп я бы рассчитал соответствующие многомерные rho, состряпал бы из них интересующий меня линейный контраст и уж его-то с чувством, с толком, с расстановкой бутстрапировал бы до упаду. Опосля чего с устатку накатил бы шамбертена.

P.S. Для датасета "Доноры" многомерный Спирмен rho(11)=0.007547. При тестировании матрицы попарных пирсоновских корреляций chi2=43.35[0.87], т.е. нулевая гипотеза о том, что корреляционная матрица не отличается от единичной, не отвергается. Словом, вес корреляционного графа для нее можно и не рассчитывать ).

P.P.S. На стр. 176 монографии формула для G записана так, что формально условию |rij|>=cutoff соответствует и главная диагональ корр. матрицы. Де-факто же (как это следует из скрипта) суммируются только наддиагональные модули. В общем, на будущее в таких формулах при значке суммы надо просто указывать соотношение для i и j: "j>i".

Сообщение отредактировал 100$ - 7.01.2020 - 13:12

[nokh]

Указанную главу в монографии прочел и вижу решение этой задачи немного иначе.

За поправку спасибо.
Что касается многомерного подхода, то он, наряду с другими, имеет право на существование. Возможно, он лучше. Возможно ещё лучше брать из него главные компоненты или главные координаты. Но этим нужно специально заниматься, считать, сравнивать с результатами классического подхода и т.д. Я же пытался действовать в рамках используемой большинством практиков схемы, но поскольку сразу же обнаружил в ней минусы, то пришлось не ограничиться внедрением ресемплинга, а влезть поглубже. А о статистическом уровне массовых работ по КА можно судить по статьям отсюда: http://adaptometry.narod.ru/Index.htm
Не хватило времени и сил поработать со второй составляющей корреляционной адаптометрии - дисперсией, которая вроде рассчитывается именно как многомерная дисперсия (могу ошибаться).
А в чём считали многомерного Спирмена? Попытался в Нmisc под R, но у меня пакет встал с предупреждениями об ошибках и пока не считает вообще ничего...

P.S. А вообще методика КА оказалась интересной. Я уже в 3 областях попробовал и везде "работает". У меня даже появилась своя идея объяснения эффекта в плюс к тем 7, что есть на сайте. Не такая крутая, конечно, но зато статистическая (и может быть самая правильная ;) ). Но это тоже нужно специально проверять, долго возиться с данными, причём чужими...

Сообщение отредактировал nokh - 10.01.2020 - 11:10