- cor.test()
使用cor.test()函数对单个Pearson、Spearman、Kendall相关系数进行检验,格式为
cor.test(x,y,laternative = ,method =)
x、y:要检验相关性的变量
alternative:指定双侧检验或单侧检验,取值为 two.side,less,或者greater
当研究的假设为总体的相关系数小于 0 时,请使用alternative = “less”
当研究的假设为总体的相关系数大于 0 时,使用alternative=“greater”
method:指定要计算的相关类型(pearson、kendall、speraman)
例
> cor.test(states[,3], states[,5])
Pearson's product-moment correlation
data: states[, 3] and states[, 5]
t = 6.8479, df = 48, p-value = 1.258e-08
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.5279280 0.8207295
sample estimates:
cor
0.7029752
- corr.test()
psych包中提供的corr.test()函数可以一次做更多的事情,该函数可以为Pearson、Pearmen或Kendall相关计算相关矩阵和显著水平
例
> library(psych)
> corr.test(states, use="complete")
Call:corr.test(x = states, use = "complete")
Correlation matrix
Population Income Illiteracy Life Exp Murder HS Grad
Population 1.00 0.21 0.11 -0.07 0.34 -0.10
Income 0.21 1.00 -0.44 0.34 -0.23 0.62
Illiteracy 0.11 -0.44 1.00 -0.59 0.70 -0.66
Life Exp -0.07 0.34 -0.59 1.00 -0.78 0.58
Murder 0.34 -0.23 0.70 -0.78 1.00 -0.49
HS Grad -0.10 0.62 -0.66 0.58 -0.49 1.00
Sample Size
[1] 50
Probability values (Entries above the diagonal are adjusted for multiple tests.)
Population Income Illiteracy Life Exp Murder HS Grad
Population 0.00 0.59 1.00 1.0 0.10 1
Income 0.15 0.00 0.01 0.1 0.54 0
Illiteracy 0.46 0.00 0.00 0.0 0.00 0
Life Exp 0.64 0.02 0.00 0.0 0.00 0
Murder 0.01 0.11 0.00 0.0 0.00 0
HS Grad 0.50 0.00 0.00 0.0 0.00 0
To see confidence intervals of the correlations, print with the short=FALSE option
#参数 use = 的取值为“pairwise”或“complete”分别表示对缺失值执行成对删除或行删除
#参数 method = 的取值为“pearson”(默认值)、“spearman”或“kendall”,可以看到人口数量和高中率的相关关系(-0.10)并不显著地不为0
- 其他显著性检验
偏相关系数的检验,在多元正态性的假设下,ggm包中的pcor.test()可以用来控制一个或者多个额外变量时两个变量之间的条件独立性,使用格式为
pcor.test(r,q,n)
r:是由pocr()函数计算的偏相关系数
q:为要控制的变量数(以数值表示位置)
n:为样本大小
psych包中的r.test()函数提供了多种实用的显著性检验方法,此函数可用来检验
a、某种相关系数的显著性
b、两个独立相关系数的差异是否显著
c、两个基于一个共享变量得到的非独立相关系数的差异是否显著
d、两个基于完全不同的变量得到的非独立相关系数的差异是否显著
更多参阅help(r.test)