R语言笔记-变量间相关性评价

最新推荐文章于 2024-02-29 22:27:41 发布

PUMC芋圆四号

最新推荐文章于 2024-02-29 22:27:41 发布

阅读量5.2k

点赞数 9

分类专栏： R 文章标签： R 统计学

本文链接：https://blog.csdn.net/ethmery/article/details/109250789

版权

本文介绍了如何使用R语言评估连续变量间的Pearson、Spearman和Kendall相关系数，以及相关系数的假设检验与置信区间。此外，还探讨了分类变量间相关性的测量，包括独立分类变量的Phi、列联系数和Cramer's V，以及配对列联表的一致性——Kappa统计量。

摘要由CSDN通过智能技术生成

文章目录

连续变量间相关性
分类变量间相关性
- 独立分类变量相关性：``assocstats()``
- 配对列联表相关性（一致性）：``kap()``

示例数据： MASS包中的 birthwt数据集。
首先将数据集中的分类变量因子化，具体参考这里。

连续变量间相关性

为便于处理，将数据集中的连续变量抽取为一新的数据集：cont.vars<-dplyr::select(birthwt,age,lwt,bwt)

计算Pearson、Spearman、Kendall相关系数：`cor(,method="")`

计算相关系数矩阵的语法：cor(数据框名,method="相关系数名称")

Pearson相关系数：一般要求两个变量服从正态分布
Spearman和Kendall相关系数：对变量分布没有要求

> cor(cont.vars,method="pearson")
           age       lwt        bwt
age 1.00000000 0.1800732 0.09031781
lwt 0.18007315 1.0000000 0.18573328
bwt 0.09031781 0.1857333 1.00000000
> cor(cont.vars,method="spearman")
           age       lwt        bwt
age 1.00000000 0.1860614 0.06123376
lwt 0.18606140 1.0