统计学 > 方法论
[提交于 2025年7月11日
(v1)
,最后修订 2025年7月16日 (此版本, v3)]
标题: 实数和复数值多变量数据的总相关性/对偶相关性/相干性,冗余/协同性,复杂性,以及O-信息
标题: Total/dual correlation/coherence, redundancy/synergy, complexity, and O-information for real and complex valued multivariate data
摘要: 首先,假设高斯性,给出了以下信息理论度量的方程:总相关性/相干性(TC)、双总相关性/相干性(DTC)、O-信息、TSE复杂性以及冗余-协同指数(RSI)。 由于这些度量是协方差矩阵"S"及其逆矩阵"S^-1"的函数,因此相关的Wishart分布和逆Wishart分布值得关注。 DTC被证明是逆Wishart对"S^-1"和其对角矩阵"D=diag(S^-1)"之间的Kullback-Leibler(KL)散度,这有助于将其解释为“总部分相关性”的度量,-lndetP,检验假设H0: P=I,其中"P"是标准化的逆协方差(即P=(D^-1/2)(S^-1)(D^-1/2))。 本文的第二个目标是将所有这些度量推广到结构化的变量组。 例如,考虑三个或更多组,每组包含三个或更多变量,每组内主要存在冗余,但组间存在协同作用。 O-信息将忽略组间的协同作用(因为系统中冗余更常见)。 相反,这里提出的结构化O-信息度量将正确报告组间的主导协同作用。 这是向结构化多变量信息度量的一个相关推广。 第三个目标是提出一个框架,用于量化变量之间的“连接”对系统TC、DTC、O-信息和TSE复杂性的贡献。 第四个目标是提出冗余-协同指数的推广,用于量化一组变量对系统冗余-协同平衡的贡献。 最后,表明此处推导的表达式可以直接应用于来自几种其他椭圆分布的数据。 所有程序代码、数据文件和可执行文件均可获得(https://osf.io/jd37g/)。
当前浏览上下文:
math.ST
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.