Hay un medio muy sencillo por el cual usar casi cualquier medida de correlación para ajustar regresiones lineales, y que reproduce mínimos cuadrados cuando se usa la correlación de Pearson.
βy−βxx0
0
β~y−β~xx0
Esta definición funciona, por ejemplo, con todo tipo de correlaciones robustas y basadas en rangos. También se puede usar para obtener un intervalo para la pendiente (de la manera habitual, al encontrar las pendientes que marcan el límite entre correlaciones significativas y correlaciones insignificantes).
y−β~x
Aquí está la correlación trazada contra la pendiente para los car
datos en R:
La correlación de Pearson cruza 0 en la pendiente de mínimos cuadrados, 3.932
La correlación de Kendall cruza 0 en la pendiente de Theil-Sen, 3.667
La correlación de Spearman cruza 0 dando una pendiente de "línea de Spearman" de 3.714
Esas son las tres estimaciones de pendiente para nuestro ejemplo. Ahora necesitamos intercepciones. Por simplicidad, solo usaré la media residual para la primera intersección y la mediana para las otras dos (no importa mucho en este caso):
intercept
Pearson: -17.573 *
Kendall: -15.667
Spearman: -16.285
* (la pequeña diferencia de mínimos cuadrados se debe al error de redondeo en la estimación de la pendiente; sin duda, hay un error de redondeo similar en las otras estimaciones)
Las líneas ajustadas correspondientes (usando el mismo esquema de color que el anterior) son:
Editar: en comparación, la pendiente de correlación de cuadrante es 3.333
Tanto la correlación de Kendall como las pendientes de correlación de Spearman son sustancialmente más robustas a los valores atípicos influyentes que los mínimos cuadrados. Vea aquí un ejemplo dramático en el caso de Kendall.