我有一个迭代的校准过程，该过程正在24维空间中寻找最佳点。该过程行为良好，并保证了收敛性（就收敛到具有固定分布的随机向量而言）。通常，该过程在约3次迭代后会在连续样本之间获得强相关性。我的意思是说，相关性很快达到了0.98左右的值。我正在寻找一条跟踪规则，该规则跟踪更敏感的统计数据，以说何时达到最大线性“相关性”。到那时，我可以停止该过程，并通过完全不同的测试（不是一种实用的校准方法）将仪器性能与其要求进行比较。我记得在尝试比较线性关联的度量（如相关性）时要谨慎，以说一对向量比另一对向量更线性。当所有对的相关性都非常接近1时，尤其如此。
我进行了一些JMP购物，并研究了多元非参数方法。我发现非常有趣的是，与相关或其他任何非参数方法相比，Hoeffding的D方法在扩展等级方面做得非常好。
我更笼统的问题是哪种方法（统计方法）最适合得分线性相关性的强度，而不是简单地评估关系的重要性，并且正在使用此统计法则的相对值来比较不同的向量对。当我读到Hoeffding的D方法时，它确实说过，这是检测对所有替代品的线性依赖性的最佳方法。因此，也许这是一种了解随机向量的两个连续样本何时足够接近以停止该过程的好方法。
