相关性的显著性检验

2019独角兽企业重金招聘Python工程师标准>>>

• 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)

 

 

 

转载于:https://my.oschina.net/u/1785519/blog/1563111