kappa系数怎么计算
这是十分正常的。P值小于0.001只是表明你的kappa系数明显大于0，也就是你的样本显示出的一致性并不是由于随机造成的。你的kappa系数是0.712，接近1，因此明显大于0是应该的，这是一个自然而然的结果，不要担心。如果此时P值大于0.05反而不妙，说明你的样本显示出的一致性是由于随机造成的，也就是不能肯定你的两个结果或方法存在一致性。
kappa系数的计算公式
两幅栅格图的kappa计算公式为 k = (Po-Pc)/(1-Pc)设栅格总象元数为n，真实栅格为1的象元数为a1，为0的象元数为a0，模拟栅格为1的象元数为b1，为0的象元数为b0，两个栅格对应象元值相等的象元数为s，则Po = s/n， Pc = (a1*b1+a0*b0)/(n*n)在arcmap里，a1、a0、b1、b0从属性表可读出，s用raster calculator配合con()函数不难求出。kappa计算结果为-1~1，但通常kappa是落在 0~1 间，可分为五组来表示不同级别的一致性：0.0~0.20极低的一致性(slight)、0.21~0.40一般的一致性(fair)、0.41~0.60 中等的一致性(moderate)、0.61~0.80 高度的一致性(substantial)和0.81~1几乎完全一致(almost perfect)。
kappa系数,如何计算每一分类的kappa和总体kappa
Kappa系数：是一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。两幅栅格图的kappa计算公式为 k = (Po-Pc)/(1-Pc)设栅格总象元数为n，真实栅格为1的象元数为a1，为0的象元数为a0，模拟栅格为1的象元数为b1，为0的象元数为b0，两个栅格对应象元值相等的象元数为s，则Po = s/n， Pc = (a1*b1+a0*b0)/(n*n)在arcmap里，a1、a0、b1、b0从属性表可读出，s用raster calculator配合con()函数不难求出。kappa计算结果为-1~1，但通常kappa是落在 0~1 间，可分为五组来表示不同级别的一致性：0.0~0.20极低的一致性(slight)、0.21~0.40一般的一致性(fair)、0.41~0.60 中等的一致性(moderate)、0.61~0.80 高度的一致性(substantial)和0.81~1几乎完全一致(almost perfect)。
kappa一致性系数和spearman系数的区别
kappa一致性系数和spearman系数的区别是：（1）kappa一致性系数： 它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方减去某一类中地表真实像元总数与该类中被误分成该类像元总数之积对所有类别求和的结果所得到的。 计算公式编辑 两幅栅格图的kappa计算公式为 k = (Po-Pc)/(1-Pc) 设栅格总象元数为n，真实栅格为1的象元数为a1，为0的象元数为a0，模拟栅格为1的象元数为b1，为0的象元数为b0，两个栅格对应象元值相等的象元数为s，则 Po = s/n， Pc = (a1*b1+a0*b0)/(n*n) 在arcmap里，a1、a0、b1、b0从属性表可读出，s用raster calculator配合con()函数不难求出。 kappa计算结果为-1~1，但通常kappa是落在 0~1 间，可分为五组来表示不同级别的一致性：0.0~0.20极低的一致性(slight)、0.21~0.40一般的一致性(fair)、0.41~0.60 中等的一致性(moderate)、0.61~0.80 高度的一致性(substantial)和0.81~1几乎完全一致(almost perfect)。（2）spearman系数：对不服从正态分布的资料、原始资料等级资料、一侧开口资料、总体分布类型未知的资料不符合使用积矩相关系数来描述关联性。此时可采用秩相关（rank correlation），也称等级相关，来描述两个变量之间的关联程度与方向。 计算步骤： ⑴编秩：将两变量X、Y成对的观察值分别从小到大顺序编秩，用pi表示xi的秩次；用qi表示yi的秩次。若观察值相同取平均秩次。 ⑵将秩次带入公式计算： ⑶由样本算得的秩相关系数是否有统计学意义，应作假设检验。 检验编辑 ⑴建立假设检验，确定检验水准： ⑵计算检验统计量： 查秩相关系数界值表，若超过界值表，则拒绝 ； 作 检验。
