Ich habe einen iterativen Kalibrierungsprozess, der nach einem optimalen Punkt im 24-dimensionalen Raum sucht.Der Prozess verhält sich gut und hat Konvergenz garantiert (im Sinne einer Konvergenz zu einem Zufallsvektor mit fester Verteilung).Typischerweise erreicht der Prozess nach etwa 3 Iterationen eine starke Korrelation zwischen aufeinanderfolgenden Proben.Mit stark meine ich, dass die Korrelation schnell Werte über 0,98 oder so erreicht.Ich suche nach einer Stoppregel, die eine empfindlichere Statistik verfolgt, um zu sagen, wann wir die maximale lineare "Korrelation" erreicht haben.An diesem Punkt kann ich den Prozess stoppen und die Leistung des Instruments mit seinen Anforderungen mit einem völlig anderen Test vergleichen (keine praktische Methode zur Kalibrierung).Ich erinnere mich, dass beim Versuch, lineare Assoziationsmaße (wie Korrelation) zu vergleichen, Vorsicht geboten ist, um zu sagen, dass ein Vektorpaar linearer abhängig ist als ein anderes Paar.Dies ist insbesondere dann der Fall, wenn alle Paare in der Korrelation sehr nahe an 1 liegen.
Ich habe JMP-Einkäufe getätigt und mir die multivariaten nichtparametrischen Methoden angesehen.Ich fand es sehr interessant, dass die Hoeffding-D-Methode im Vergleich zur Korrelation oder einer anderen nichtparametrischen Methode sehr gute Arbeit bei der Verteilung der Ränge leistet.
Meine allgemeinere Frage ist, welche Methode (Statistik) am besten geeignet ist Wertung die Stärke der linearen Abhängigkeit und nicht nur die Beurteilung der Bedeutung der Beziehung und verwendet die relativen Werte dieser Statistik legal, um verschiedene Paare von Vektoren zu vergleichen.Wenn ich über die D-Methode von Hoeffding lese, heißt es, dass sie die lineare Abhängigkeit von allen Alternativen am besten erkennt.Vielleicht ist es eine gute Möglichkeit zu wissen, wann zwei aufeinanderfolgende Stichproben eines Zufallsvektors nahe genug sind, um diesen Prozess zu stoppen.
