输入参数为图像的数据矩阵，可以为uint8型，uint16型，但最好转化double类型方便计算以便获取更好的结果，返回值即为该图像在某方向（水平、竖直、斜线方向）的相关系数以及作相关系数图所需的参数序列

论文研究-面板数据空间误差分量模型的空间相关性检验.pdf,  将截面误差分量模型(spatial error components, SEC)扩展至面板数据, 推导其联合检验、边际检验及条件检验, 并通过Monte Carlo模拟实验证明: 当随机效应存在时, 条件检验更为有效; 当随机效应不存在时, 边际检验更为有效; 空间权重矩阵的选取与随机效应是否存在相关, 但未标准化的空间权重矩阵更适合检验空间相关性; 此外, 更大的N或T使得检验更为有效. 研究同时发现, 当真实数据生成过程为面板数据SEC模型时, 传统空间经济计量模型中的Moran I、LM-Error及LM-Lag检验均失效.

自动汇总 新闻文本自动摘要，以Textrank为基础，合并标题特征，单句位置特征，重要实体特征，线索词特征，做句子的综合权重计算，并使用MMR算法，兼顾自动摘要的主题相关性和摘要。 查看新闻摘要示例

相关系数计算不是使用内置函数 corr 或 corr2 而是使用 conv2 实现的。 函数 corr 用于模板匹配目的相对较慢，并且还需要额外考虑控制边界和选择帧图像上的感兴趣区域。 但是，通过使用 conv2，模板匹配速度得到了加快，运行时间也减少到了一个合理的值。

基于spss软件对数据进行相关性分析实验报告.rar

（请记住：本自述文件包含仅在使用暗模式主题时才能读取的方程式） 像父亲一样，儿子一样-德国的代际收入流动 1分析的目的和结构： 估算德国的经济流动性，并找出德国代际收入弹性的地区差异。 基本的理论模型是人力资本理论。 数据准备和线性回归在stata do文件中进行。 可视化，分位数回归和转换矩阵在r脚本中进行。 脚本中详细描述了每个步骤。 但是，本自述文件除了提供代码外，还提供了其他计量经济学框架。 2分析方法： 经验策略：找出相关的代克孩子的长期收入

[PearsonR, PearsonP, SpearmanR, SpearmanP, yhat, R2 ] = BenStuff_CrossValCorr( x,y, [MathMagic], [OmNullModel] ) 留一法交叉验证的简单线性回归输入变量： x, y：数据向量（x(n) 和 y(n) 对应一对观测值） MathMagic：可选参数； 默认为 1 - 避免使用 MathMagic 的强大功能循环遍历 n 模型（ http://stats.stackexchange.com/questions/164223/proof-of-loocv-formula ） OmNullModel：可选参数； 默认为 1 - R2 的空模型应该是“全知的”吗？ 如果设置为 1（默认），R2 将比较解释方差与围绕 *all* 数据点均值的方差； 如果设置为 0 将与迭代特定的平均值进行比

相关性分析，目前相关性分析领域比较先进的算法

相关性算法----皮尔逊算法的实现，内涵java实现版本和python实现版本，已测。

在这篇文章中，我讨论了因果关系的潜在结果和图形方法，以及它们与经济学实证工作的相关性。 我回顾了一些关于有向无环图的工作，包括最近的“The Book of Why”（[Pearl 和 Mackenzie，2018 年]）。 我还讨论了由鲁宾和合著者开发的潜在结果框架，建立在 Neyman 的工作基础上。 然后，我讨论了这些方法在经济学实证工作中的相对优点，重点是每个问题都能很好地回答，以及为什么经济学中的大部分工作在精神上更接近潜在的结果框架。