ऐसा लगता है कि आदेश दिए गए माप के साथ प्रबंधन करने के लिए शोधकर्ताओं ने आमतौर पर पॉलीकोरिक सहसंबंध के साथ सौदा किया । (उदाहरण के लिए, कारक विश्लेषण करने से पहले मैट्रिक्स बनाने के लिए।) ऐसा क्यों?
केंडल ताऊ रैंक सहसंबंध गुणांक और स्पीयरमैन के रैंक सहसंबंध गुणांक भी आदेशित डेटा के लिए उपयुक्त हैं।
इन सहसंबंध गुणांकों के लिए कोई भी बिंदु 'समर्थक' और 'उल्लंघन' का स्वागत है।
4
जैसा कि आपके विकिपीडिया लिंक में कहा गया है, पॉलीकोरिक सहसंबंध मानता है कि प्रकट ऑर्डिनल चर अव्यक्त वैरिएबल वेरिएबल्स को वर्गीकृत करने से आते हैं; केंडल के ताऊ और स्पीयरमैन के संबंध इस बात को नहीं मानते हैं। इसके अलावा, मतभेद केंडल ताऊ या स्पीयरमैन की आरएचओ में शामिल हैं? यदि ऐसा कुछ बचा है जो पहले से ही कवर नहीं है, तो कृपया स्पष्ट करने के लिए संपादित करें।
—
गंग - मोनिका
क्या इसका मतलब है कि पोलिकोरिक सामान्य मामले में कम उपयुक्त है?
—
drobnbobn
इसका मतलब है कि जब बहुधा सामान्य चर को वर्गीकृत करने और अन्यथा नहीं से प्रकट ऑर्गेनिक चर आते हैं तो पॉलीकोरिक उपयुक्त है। (व्यवहार में, यह तब अधिक पसंद है जब आप यह मानने के लिए तैयार हैं और अन्यथा नहीं, क्योंकि आप शायद ही कभी जानते होंगे और वास्तव में इस धारणा की जांच नहीं कर सकते।) OTOH, यह शायद ज्यादातर मामलों में ज्यादा अंतर नहीं करता है, एक सादृश्य के लिए। , मेरा जवाब यहां देखें: अंतर-लॉग-लॉग-एंड-प्रोबिट-मॉडल ।
—
गंग -