Du kannst die Funktion cor( ) verwenden, um Korrelationen zu erzeugen, und die Funktion cov( ), um Kovarianzen zu erzeugen.
Ein vereinfachtes Format ist cor(x, use=, method= ), wobei
Option
Beschreibung
x
Matrix oder Datenrahmen
verwenden
Legt den Umgang mit fehlenden Daten fest. Die Optionen sind all.obs (setzt voraus, dass keine Daten fehlen - fehlende Daten führen zu einem Fehler), complete.obs (listenweise Löschung) und pairwise.complete.obs (paarweise Löschung)
Methode
Gibt die Art der Korrelation an. Die Optionen sind Pearson, Spearman oder Kendall.
# Correlations/covariances among numeric variables in# data frame mtcars. Use listwise deletion of missing data.
cor(mtcars, use="complete.obs", method="kendall")
cov(mtcars, use="complete.obs")Bereitgestellt von
Leider erzeugen weder cor( ) noch cov( ) Signifikanztests, obwohl du die Funktion cor.test( ) verwenden kannst, um einen einzelnen Korrelationskoeffizienten zu testen.
Die Funktion rcorr( ) im Paket Hmisc erzeugt Korrelationen/Kovarianzen und Signifikanzniveaus für Pearson und Spearman Korrelationen. Die Eingabe muss jedoch eine Matrix sein und es wird eine paarweise Löschung verwendet.
# Correlations with significance levels
library(Hmisc)
rcorr(x, type="pearson")# type can be pearson or spearman#mtcars is a data frame
rcorr(as.matrix(mtcars))Bereitgestellt von
Du kannst das Format cor(X, Y) oder rcorr(X, Y) verwenden, um Korrelationen zwischen den Spalten von X und den Spalten von Y zu erzeugen. Dies ähnelt den Befehlen VAR und WITH in SAS PROC CORR.
# Correlation matrix from mtcars# with mpg, cyl, and disp as rows# and hp, drat, and wt as columns
x <- mtcars[1:3]
y <- mtcars[4:6]
cor(x, y)Bereitgestellt von
Andere Arten von Korrelationen
# polychoric correlation# x is a contingency table of counts
library(polycor)
polychor(x)# heterogeneous correlations in one matrix# pearson (numeric-numeric),# polyserial (numeric-ordinal),# and polychoric (ordinal-ordinal)# x is a data frame with ordered factors# and numeric variables
library(polycor)
hetcor(x)# partial correlations
library(ggm)
data(mydata)
pcor(c("a","b","x","y","z"), var(mydata))# partial corr between a and b controlling for x, y, zBereitgestellt von
Korrelationen visualisieren
Verwende corrgram( )um Korrelationsdiagramme zu erstellen.
Verwende pairs() oder splom(), um Streudiagramm-Matrizen zu erstellen.
Du kannst die Funktion cor( ) verwenden, um Korrelationen zu erzeugen, und die Funktion cov( ), um Kovarianzen zu erzeugen.
Ein vereinfachtes Format ist cor(x, use=, method= ), wobei
Leider erzeugen weder cor( ) noch cov( ) Signifikanztests, obwohl du die Funktion cor.test( ) verwenden kannst, um einen einzelnen Korrelationskoeffizienten zu testen.
Die Funktion rcorr( ) im Paket Hmisc erzeugt Korrelationen/Kovarianzen und Signifikanzniveaus für Pearson und Spearman Korrelationen. Die Eingabe muss jedoch eine Matrix sein und es wird eine paarweise Löschung verwendet.
Du kannst das Format cor(X, Y) oder rcorr(X, Y) verwenden, um Korrelationen zwischen den Spalten von X und den Spalten von Y zu erzeugen. Dies ähnelt den Befehlen VAR und WITH in SAS PROC CORR.
Andere Arten von Korrelationen
Korrelationen visualisieren
Verwende corrgram( )um Korrelationsdiagramme zu erstellen.
Verwende pairs() oder splom(), um Streudiagramm-Matrizen zu erstellen.
Zum Üben
Probiere diesen interaktiven Kurs über überwachtes Lernen in R aus: Regression