我有一個迭代的校準過程，該過程正在24維空間中尋找最佳點。該過程行為良好，並保證了收斂性（就收斂到具有固定分佈的隨機向量而言）。通常，該過程在約3次迭代後會在連續樣本之間獲得強相關性。我的意思是說，相關性很快達到了0.98左右的值。我正在尋找一條跟踪規則，該規則跟踪更敏感的統計數據，以說何時達到最大線性“相關性”。到那時，我可以停止該過程，並通過完全不同的測試（不是一種實用的校準方法）將儀器性能與其要求進行比較。我記得在嘗試比較線性關聯的度量（如相關性）時要謹慎，以說一對向量比另一對向量更線性。當所有對的相關性都非常接近1時，尤其如此。
我進行了一些JMP購物，並研究了多元非參數方法。我發現非常有趣的是，與相關或其他任何非參數方法相比，Hoeffding的D方法在擴展排名方面做得很好。
我更籠統的問題是哪種方法（統計方法）最適合得分線性相關性的強度，而不是簡單地評估關係的重要性，並且正在使用此統計法則的相對值來比較不同的向量對。當我讀到Hoeffding的D方法時，它確實說過，這是檢測對所有替代品的線性依賴性的最佳方法。因此，也許這是一種了解隨機向量的兩個連續樣本何時足夠接近以停止該過程的好方法。
