为此,您可以使用包 mc2d 中的Iman和Conover方法 .
首先,创建您的设置 . 我假设Y和Z是不相关的,因为上面没有明确的相关性 . (如果不是,只需相应地更改相关矩阵 . )
library(mc2d)
x1
x2
x3
mat
corr
我们现在可以测试随机样本的实际相关性......所有这些似乎都是独立的,如预期的那样 .
cor(mat, method="spearman")
......产生:
x1 x2 x3
x1 1.00000000 0.01602557 -0.0493488
x2 0.01602557 1.00000000 0.0124209
x3 -0.04934880 0.01242090 1.0000000
我们现在将Iman和Conover方法应用于数据 .
matc
这样做会产生以下相关性:
Spearman Rank Correlation Post Function
x1 x2 x3
x1 1.0000000 -0.59385975 -0.56201396
x2 -0.5938597 1.00000000 -0.04115543
x3 -0.5620140 -0.04115543 1.00000000
最后,通过运行 head(matc) ,我们可以看到修改过的示例的初始行:
x1 x2 x3
[1,] 1.1375395 0.3081750 2.26850817
[2,] 2.9387996 0.4434207 0.08940867
[3,] 1.0918648 0.4175625 2.29498679
[4,] 10.0273879 1.1478072 0.16099230
[5,] 1.5093832 0.4023230 2.57870672
[6,] 0.9474039 2.1134685 0.95268424