R语言：计算变量间相关系数+导出矩阵结果

R语言：计算变量间相关系数+导出矩阵结果

• 相关系数可以用来描述定量变量之间的关系

• 相关系数的符号（±）表明关系的方向（正相关或负相关）

• 其值的大小表示关系的强弱程度

• （完全不相关时为0，完全相关时为1）

相关的类型

• Pearson相关系数

• Spearman相关系数

• Kendall相关系数

• 偏相关系数

• 多分格（polychoric）相关系数

• 多系列（polyserial）相关系数

（1）Pearson相关系数：用来衡量两个定量变量之间的线性相关程度cor()函数

（2）Spearman等级相关系数：衡量分级定序变量之间的相关程度cor()函数

（3）Kendall相关系数：是一种非参数的等级相关度量cor()函数

• cor(x, use= , method= )

摘自《R语言实战》

• 默认参数为use="everything"和method="pearson"

• 注：在默认情况下得到的结果是一个方阵（所有变量之间两两计算相关）

（4）偏相关

• 是指在控制一个或多个定量变量时，另外两个定量变量之间的相互关系

• 用ggm包中的pcor()函数计算偏相关系数pcor(u, S)

• 其中的u是一个数值向量

• 前两个数值表示要计算相关系数的变量下标【下面例子中的1，5】

• 其余的数值为条件变量（即要排除影响的变量）的下标【2，3，6】

• S为变量的协方差阵

• 这个示例有助于阐明用法

  

  ：

> library(ggm)

> colnames(states)

[1] "Population" "Income" "Illiteracy" "LifeExp" "Murder""HS Grad"

> pcor(c(1,5,2,3,6),cov(states))

[1] 0.346

本例中，在控制了收入、文盲率和高中毕业率的影响时，人口和谋杀率之间的相关系数为0.346。偏相关系数常用于社会科学的研究中

相关性的显著性检验：

（1）cor.test()函数：cor.test(x, y, alternative = ,method = )

•  缺点：每次只能检验一种相关关系

• 其中的x和y为要检验相关性的变量

• alternative则用来指定进行双侧检验或单侧检验（取值为"two.side"、"less"或"greater"）

• method用以指定要计算的相关类型（"pearson"、"kendall" 或 "spearman" ）

• 当研究的假设为总体的相关系数小于0时，请使用alternative="less" 

• 在研究的假设为总体的相关系数大于0时，应使用alternative="greater"

• 在默认情况下，alternative="two.side"（总体相关系数不等于0）

（2）psych包中提供的corr.test()函数：可以为Pearson、Spearman或Kendall相关计算相关矩阵和显著性水平。【优选】corr.test(states, use="complete")

• 参数use=的取值可为"pairwise"或"complete"（分别表示对缺失值执行成对删除或行删除）

• 参数method=的取值可为"pearson"（默认值）、"spearman"或"kendall"

  代码如下

#相关系数计算

states<- state.x77[,1:6] 

cov(states)#cov()函数可用来计算协方差，#默认参数为use="everything"和                method="pearson"

cor(states)#cor()函数计算三种相关系数

cor(states, method="spearman")#等级相关系数



#计算非方形的相关矩阵

x <- states[, c("Population", "Income", "Illiteracy", "HS Grad")]

y <- states[, c("Life Exp", "Murder")]

cor(x, y)



#偏相关系数计算

library(ggm) 

colnames(states) 

pcor(c(1,5,2,3,6), cov(states))#pcor()前两个数值表示要计算相关系数的变量



#相关性的显著性检验

cor.test(states[, 3], states[, 5])

library(psych)

corr.test(states, use = "complete")