Phân tích tương quan Canonical (CCA) nhằm mục đích tối đa hóa tương quan thời điểm sản phẩm Pearson thông thường (tức là hệ số tương quan tuyến tính) của các kết hợp tuyến tính của hai bộ dữ liệu.
Bây giờ, hãy xem xét thực tế là hệ số tương quan này chỉ biện pháp tuyến tính hiệp hội - đây là lý do tại sao chúng ta rất cũng sử dụng, ví dụ, Spearman- hoặc Kendall- τ kết nối (cấp bậc) hệ số tương quan mà đo đơn điệu tùy ý (không nhất thiết là tuyến tính) giữa biến.
Do đó, tôi đã nghĩ đến những điều sau đây: một hạn chế của CCA là nó chỉ cố gắng nắm bắt sự liên kết tuyến tính giữa các tổ hợp tuyến tính được hình thành do chức năng mục tiêu của nó. Nó sẽ không thể thực hiện để mở rộng CCA trong một nghĩa nào đó bằng cách phát huy tối đa, nói, Spearman- thay vì Pearson- r ?
Thủ tục như vậy sẽ dẫn đến bất cứ điều gì có thể giải thích thống kê và có ý nghĩa? (Liệu nó có ý nghĩa - ví dụ - để thực hiện CCA trên các cấp bậc ...?) Tôi tự hỏi liệu nó có giúp ích gì khi chúng ta xử lý dữ liệu không bình thường ...