Efficient algorithms for the sensitivities of the Pearson correlation coefficient and its statistical significance to online data
在线新增数据对皮尔逊相关系数及其显著性影响的高效算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用相关统计量的在线敏感性，时间序列仅为应用动机，不足以据此分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
在线新增数据对皮尔逊相关系数及其显著性影响的高效算法
- 研究问题
- 新增观测最多能使皮尔逊相关系数及其 p 值改变多少，如何以高效算法量化持续数据更新中的敏感性？
- 方法与思路
- 作者利用 Welford 在线方差算法的恒等式构建最大变化的优化问题，推导闭式解，并设计线性和常数时间算法。
- 材料陈述的贡献
- 摘要称，提供相关系数与显著性敏感性的理论框架和可高效计算的解，并提供以 Cython 封装 C 的软件实现。
- 阅读关注点
- 应核对新增数据的数量与取值约束、p 值采用的检验，以及各算法复杂度对应的输入规模和数值稳定性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审和期刊接收均未核实；摘要未说明新增数据限制，也未说明依赖数据下的检验有效性。
原文摘要
Reliably measuring the collinearity of bivariate data is crucial in statistics, particularly for time-series analysis or ongoing studies in which incoming observations can significantly impact current collinearity estimates. Leveraging identities from Welford's online algorithm for sample variance, we develop a rigorous theoretical framework for analyzing the maximal change to the Pearson correlation coefficient and its p-value that can be induced by additional data. Further, we show that the resulting optimization problems yield elegant closed-form solutions that can be accurately computed by linear- and constant-time algorithms. Our work not only creates new theoretical avenues for robust correlation measures, but also has broad practical implications for disciplines that span econometrics, operations research, clinical trials, climatology, differential privacy, and bioinformatics. Software implementations of our algorithms in Cython-wrapped C are made available at https://github.com/marc-harary/sensitivity for reproducibility, practical deployment, and future theoretical development.