Canada Data

调了与统计显著性相差两个标准误差以上的结果（非零相关性的概率超过 98%）。我们测量的许多因素都属于这一类，这就是我们尽管数据集较小但仍要分享的原因。就相关性数字而言，请记住 0.00 表示无相关性，而 1.0 表示完全相关。我们认为，在像 Google 这样的算法中，数百个因素可能共同发挥作用，0.05-0.1 范围内的数据很有趣，而 0.1-0.3 范围内的数据可能值得更多关注。 排名相关性- 相关性是比较排名较高的页面与排名较低的页面，报告中和下面的数据集报告整个数据集的平均相关性（除非另有说明），以标准误差作为准确性的衡量标准。


常识至关重要- 您将看到一些数据点，就像在我们的网 华侨非洲电话号码资源 页结果集中一样，这些数据点表明，不遵循普遍接受的“最佳实践”（例如在 URL 中使用查询城市的名称）的网站排名会更高。我们强烈建议读者将这些数据作为指导方针，而不是规则（例如，许多在 URL 中使用城市名称的结果可能是具有多个“城市”页面的全国连锁店，因此在 Google 眼中，它们并不像同行那样“本地化”）。 解决了这些问题后，让我们深入研究数据集，您可以在此处下载完整版本： 这20个城市包括： 印第安纳波利斯 奥斯汀 西雅图 波特兰 巴尔的摩 波士顿 孟菲斯 丹佛 纳什维尔 密尔沃基 拉斯维加斯 路易斯维尔 阿尔伯克基 图森 亚特兰大 弗雷斯诺 萨克拉门托 奥马哈 迈阿密 克利夫兰 11 种业务类型/查询包括： 餐厅 洗车 律师 瑜伽馆 书店 公园 冰淇淋 健身房 干洗店 医院 有趣的是，我们收集的结果似乎表明，在多个城市中，Google Places 排名算法并没有太大差异，但是当考虑到业务/查询类型时，有迹象表明 Google 确实可能正在改变排名的计算方式（另一种解释是，不同业务部门根据其类型对因素的权重有很大不同）。


对于这一轮相关性分析，我们聘请了 Matthew Peters 博士 （华盛顿大学应用数学博士），让他根据数据撰写一份研究报告。在讨论城市/查询类型所起的作用时，他指出： 城市不是任何变量的显著变异源，这表明 Google 的算法对所有城市都相同。但是，对于 24 个变量中的 9 个，我们可以拒绝零假设，即业务类型不是相关系数中显著的变异源， a =0.05。这种情况不太可能偶然发生。不幸的是，这个结果有一个警告。方差分析的结果假设残差呈正态分布，但在大多数情况下，残差并不像 Shapiro-Wilk 检验那样呈正态分布。