Zum Inhalt springen

Korrelationsmatrix

aus Wikipedia, der freien Enzyklopädie
(Weitergeleitet von Stichproben-Korrelationsmatrix)

In der Stochastik ist die Korrelationsmatrix eine symmetrische und positiv semidefinite Matrix, die die Korrelation zwischen den Komponenten eines Zufallsvektors erfasst. Die Korrelationsmatrix kann aus der Varianz-Kovarianzmatrix erhalten werden und umgekehrt.

Die Korrelationsmatrix als Matrix aller paarweisen Korrelationskoeffizienten der Elemente eines Zufallsvektors 𝐗=(X1,X2,…,Xn)⊤ enthält Informationen über die Korrelationen zwischen seinen Komponenten.[1] Analog zur Varianz-Kovarianzmatrix 𝜮 ist die Korrelationsmatrix definiert als[2]

𝐏≡Corr⁡(𝐗)=(ρ11ρ12⋯ρ1nρ21ρ22⋯ρ2n⋮⋮⋱⋮ρn1ρn2⋯ρnn)=(1ρ12⋯ρ1nρ211⋯ρ2n⋮⋮⋱⋮ρn1ρn2⋯1),

wobei ρij=Cov⁡(Xi,Xj)/Var⁡(Xi)Var⁡(Xj)=σij/σiσj der Korrelationskoeffizient zwischen Xi und Xj ist.

Beispielsweise beinhaltet die zweite Zeile von 𝐏 die Korrelation von X2 mit jeder anderen X-Variablen. Die Korrelationsmatrix in der Grundgesamtheit wird als 𝐏ρ bzw. 𝐏 und die Stichproben-Korrelationsmatrix als 𝐑 bezeichnet. Wenn man die Diagonalmatrix 𝐃=(diag⁡(𝜮))1/2=diag⁡(σ1,σ2,…,σn) definiert, dann erhält man 𝐏 durch 𝜮 und umgekehrt:

𝐏=𝐃−1𝜮𝐃−1

oder äquivalent

𝜮=𝐃𝐏𝐃.

Stichproben-Korrelationsmatrix

[Bearbeiten | Quelltext bearbeiten]

Eine Schätzung der Korrelationsmatrix in der Grundgesamtheit 𝐏^ erhält man, indem man die Korrelationskoeffizienten in der Grundgesamtheit ρij durch die empirischen Korrelationskoeffizienten (ihre empirischen Gegenstücke) rij ersetzt. Dies führt zur Stichproben-Korrelationsmatrix 𝐑

𝐑=𝐏^=Corr⁡(𝐗)^=(1r12⋯r1kr211⋯r2k⋮⋮⋱⋮rk1rk2⋯1).

Einzelnachweise

[Bearbeiten | Quelltext bearbeiten]
  1. ↑ Ludwig Fahrmeir, Thomas Kneib, Stefan Lang, Brian Marx: Regression: models, methods and applications. Springer Science & Business Media, 2013, ISBN 978-3-642-34332-2, S. 646 ff.
  2. ↑ Rencher, Alvin C., und G. Bruce Schaalje: Linear models in statistics. John Wiley & Sons, 2008, S. 77.
  3. ↑ Rencher, Alvin C., und G. Bruce Schaalje: Linear models in statistics. John Wiley & Sons, 2008, S. 247.