1.线性回归R方法

通过计算R方来看每个变量间的相关性

代码如下

X=[ones(length(X_pre),1),X_pre];  %注意：要计算具有常数项（截距）的模型的系数估计值，请在矩阵 X 中包含一个由 1 构成的列
[b,bint,r,rint,stats]=regress(Y,X); 
R2=stats(1);

2.Pearson相关系数

%默认类型为Pearson系数
[xiangguanxing,p_value]=corr(data,'Type','Pearson');

数据如下所示

 每一列为一个特征的数据集，第一列为因变量，需要计算其他自变量与它的相关性

 相关性结果（xianguanxing）：

p值显著性检验结果（p_value）：

显著性水平通常由研究者在进行统计分析之前事先设定，代表了对研究结果的显著性要求。常见的显著性水平是 0.05 或 0.01，分别对应着 5% 和 1% 的显著性水平。

当研究中进行假设检验并计算得到的 p 值小于设定的显著性水平时，可以认为结果是显著的。

 一般低于0.01（双侧，即正负）为极显著相关，低于0.05（双侧）为显著相关。

如xianzhuxing(12,1)=0.7299，p_value(12,1)=0.0020，p值低于0.01，则为极显著相关。

3.其他相关系数

[xiangguanxing,p_value]=corr(data,'Type','Kendall');  %Kendall相关系数

[xiangguanxing,p_value]=corr(data,'Type','Spearman');  %Spearman相关系数