J'ai un processus d'étalonnage itératif qui recherche un point optimal dans un espace à 24 dimensions.Le processus se comporte bien et a une convergence garantie (dans le sens de la convergence vers un vecteur aléatoire à distribution fixe).En général, le processus réalise une forte corrélation entre les échantillons successifs après environ 3 itérations.Par fort, je veux dire que la corrélation atteint rapidement des valeurs supérieures à 0,98 ou plus.Je recherche une règle d'arrêt qui suit une statistique plus sensible pour dire quand nous avons atteint la "corrélation" linéaire maximale.À ce stade, je peux arrêter le processus et comparer les performances de l'instrument par rapport à ses exigences avec un test totalement différent (ce n'est pas un moyen pratique de calibrer).Je rappelle que la prudence est de mise lorsque l'on tente de comparer des mesures d'association linéaire (comme la corrélation) pour dire qu'une paire de vecteurs est plus linéairement dépendante qu'une autre paire.Ceci est particulièrement vrai lorsque toutes les paires sont très proches de 1 en corrélation.
J'ai fait quelques achats JMP et regardé les méthodes non paramétriques multivariées.J'ai trouvé très intéressant que la méthode D de Hoeffding fasse un très bon travail pour répartir les rangs par rapport à la corrélation ou à toute autre méthode non paramétrique.
Ma question plus générale est de savoir quelle méthode (statistique) est la meilleure notation la force de la dépendance linéaire et ne pas simplement évaluer la signification de la relation et utilise les valeurs relatives de cette statistique juridique pour comparer différentes paires de vecteurs.Quand je lis la méthode D de Hoeffding, cela dit que c'est la meilleure pour détecter la dépendance linéaire contre toutes les alternatives.C'est donc peut-être un bon moyen de savoir quand deux échantillons successifs d'un vecteur aléatoire sont suffisamment proches pour arrêter ce processus.
