免费的写作网站,阿里巴巴上面可以做网站,佛山市公司网站建设哪家好,怎样查询网站的备案号相关的类型
1. Pearson、Spearman和Kendall相关 Pearson 积差相关系数衡量了两个定量变量之间的线性相关程度。#xff08;连续#xff09; Spearman等级相关系数则衡量分级定序变量之间的相关程度。#xff08;分类#xff09; Kendall’s Tau 相关系数也是一种非参数的…相关的类型
1. Pearson、Spearman和Kendall相关 Pearson 积差相关系数衡量了两个定量变量之间的线性相关程度。连续 Spearman等级相关系数则衡量分级定序变量之间的相关程度。分类 Kendall’s Tau 相关系数也是一种非参数的等级相关度量。 cor() 函数可以计算这三种相关系数而 cov() 函数可用来计算协方差。两个函数的参数有 很多其中与相关系数的计算有关的参数可以简化为 cor(x, y NULL, use everything,method c(pearson, kendall, spearman))states-state.x77[,1:6]
cov(states)#协方差
cor - cor(states)#相关性 1.计量资料 计量资料(measurement data)又称定量资料(quantitative data)或数值变量(numericalvariable)资料。为观测每个观察单位某项指标的大小而获得的资料。其变量值是定量的表现为数值大小一般有度量衡单位。根据其观测值取值是否连续又可分为连续型(continuous)或离散型(discrete)两类。前者可在实数范围内任意取值如身高、体重、血压等后者只取整数值如某医院每年的病死人数等。
2.计数资料 计数资料(cnumeration data)又称定性资料(qualitative data)或无序分类变量(unorderedcategorical variable)资料亦称名义变量(nominal variable)资料。为将观察单位按某种属性或类别分组计数分组汇总各组观察单位数后而得到的资料。其变量值是定性的表现为互不相容的属性或类别如试验结果的阳性阴性、家族史的有无等。分两种情形
(1)二分类如检查某小学学生大便中的蛔虫卵以每个学生为观察单位结果可报告为蛔虫卵阴性与阳性两类如观察某药治疗某病患者的疗效以每个患者为观察单位结果可归纳为治愈与未愈两类。两类间相互对立互不相容。
(2)多分类如观察某人群的血型分布以人为观察单位结果可分为A型、B型、AB型与O型为互不相容的四个类别。
3.等级资料 等级资料(ranked data)又称半定量资料(semi-quantitative data)或有序分类变量(ordinalcategorical variable)资料。为将观察单位按某种属性的不同程度分成等级后分组计数分类汇总各组观察单位数后而得到的资料。其变量值具有半定量性质表现为等级大小或属性程度。如观察某人群某血清反应以人为观察单位根据反应强度结果可分一、±、、、、六级又如观察用某药治疗某病患者的疗效以每名患者为观察单位结果可分为治愈、显效、好转、无效四级等。
2. 偏相关 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。你可以使用 ggm 包中的 pcor() 函数计算偏相关系数。 library(ggm)
pcor(c(1,5,2,3,6),cov(states))
[1] 0.3462724 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 。 pcor(c(1,5,2,3,6),cov(states))##控制了变量
相关性的显著性检验 cor.test() 可以使用cor.test()函数对单个的Pearson、Spearman和Kendall相 系数进行检验。简化后的使用格式为 cor.test(x, y,alternative c(two.sided, less, greater),#指定进行双侧检验或单侧检验method c(pearson, kendall, spearman),#计算的相关类型exact NULL, conf.level 0.95, continuity FALSE, ...)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 alternativegreater。在默认 情况下假设为 alternativetwo.side 总体相关系数不等于 0 。 cor.test(states[,3],states[,5])Pearsons 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 这段代码检验了预期寿命和谋杀率的 Pearson 相关系数为 0的原假设。及预期寿命和谋杀率存在相关性。 corr.test()更好 cor.test 每次只能检验一种相关关系。但幸运的是 psych包中提供的 corr.test() 函数可以一次做更多事情。 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。 library(psych)
res -corr.test(states,use pairwise)
#pairwise或complete 分别表示对缺失值执行成对删除或行删除
corr - res$r#可以查看相关性R值
corp - res$p#可以查看P值
res$p.adj#可以查看FDR值
library(psych)
res - corr.test(data, exp, use pairwise, method spearman, adjust holm,#FDR值alpha 0.05)
res$p.adj#可以查看FDR值
res$r#可以查看相关性R值 相关性方法选择
正态分布Pearson 直线相关(linear correlation)又称简单相关(simple correlation),用于双变量正态分布(bivariate normaldistribution)资料。直线相关的性质可由散点图直观的说明。 相关系数(coefficient of correlation)又称Pearson积差相关系数(coefficient of product-momentcorrelation),以符号r表示样本相关系数符号p表示其总体相关系数。它用来说明具有直线关系的两变量间相关的密切程度与相关方向。R²取值在0到1之间且无单位其数值大小反映了回归贡献的相对程度也就是在Y的总变异中回归关系所能解释的百分比。回归平方和越接近总平方和则r绝对值越接近1,说明相关的实际效果越好。 正态分布检测t检验连续变量和卡方检验分类变量-CSDN博客 data - iris##鸢尾花数据集
data1 - data[,c(1,5)]
data2 - data1[data1$Speciessetosa|data1$Speciesversicolor,]
##提取鸢尾花数据集的部分数据进行分析shapiro.test(data2$Sepal.Length)
#W 0.96964, p-value 0.02076 不符合正太分布#密度图
ggdensity(data2$Sepal.Length, main Density plot of sepal length,xlab sepal length)
#正态性测试对样本量敏感。小样本最常通过正态性测试。
#因此重要的是将外观检查和显着性测试相结合以做出正确的决定
#综合分析也可以采用t检验秩相关Spearman 秩相关(rank correlation)或称等级相关是用双变量等级数据作直线相关分析这类方法对原变量分布不作要求属于非参数统计方法。适用于下列资料①不服从双变量正态分布而不宜作积差相关分析这一点从原始数据的基本统计描述或直观的散点图中可以看出②总体分布型未知例如限于仪器测量精度个别样品的具体数值无法读出而出现“超限值”时(如X0.001);③原始数据是用等级表示。用等级相关系数r来说明两个变量间直线相关关系的密切程度与相关方向。
相关性热图
corrplot包corrplot函数
数据处理计算相关性系数和P值
rm(list ls())
library(corrplot)
# 计算相关性
corData cor(mtcars,method pearson, # 计算相关性的方法有pearson, spearman, kendalluse pairwise.complete.obs) # 缺失值处理的方式
# 计算相关性的P值和置信区间
testRes cor.mtest(mtcars,conf.level 0.95, # 置信区间method pearson) # 计算相关性的方法有pearson, spearman, kendall
corrp - testRes$p 绘图
#pdf(plot.pdf,width 4,height 4)##保存图片
# 绘图
?corrplot
corrplot(corData,method square, # 图案形状 square方框,circle圆, ellipse椭圆, number数字, shade阴影花纹, color颜色方框, pie饼图type full, # 绘制范围full全部, lower下半部分, upper半部分colcolorRampPalette(c(#0000ff,#ffffff,#ff0000))(100), # 主体颜色bg white, # 背景颜色# col.lim c(-1,1), # 数据颜色的范围是相关性数据的话直接is.corr T就好title ABCD, # 标题is.corr T, # 输入相关性矩阵数据范围-1到1add F, # 是否在原来的图层上添加图形diag T, # 是否显示主对角outline green, # 轮廓True或False或设置颜色mar c(5, 4, 4, 2), # bottomlefttopright 指定的边距行数(需要一定的边距才能显示标题)addgrid.col NA, # 网格线的颜色NA为不绘制NULl为默认的灰色addCoefasPercent F, # 是否把相关性数值改为百分数order original, # 排序方式 c(original, AOE, FPC, hclust, alphabet)hclust.method c(complete, ward, ward.D, ward.D2, single, average,mcquitty, median, centroid),#position of text labels标签参数好像没有缩短图例的参数tl.pos lt, # 位置lt, ld, td, d or n tl.cex 1, # 字体的大小tl.col black, # 字体的颜色tl.offset 0.4, # 标签离图案的距离tl.srt 60, # 坐标轴标签旋转角度#color-legend;图例参数cl.pos r, # 图例位置r右边 b下边 n不显示cl.length NULL, # 数字越大图例的分隔越稠cl.cex 0.8, # 图例的字体大小cl.ratio 0.2, # 图例的宽度cl.align.text c, # 图例文字的对齐方式 l左对齐 c居中 r右对齐cl.offset 1, # 图例文字距离图例颜色条的距离 居中时无效#数值显示number.cex 1, # 相关性数字标签的字体大小number.font 2, # 相关性数字标签的字体number.digits 2, # 相关性数字标签保留的小数点位数na.label , # 当为NA时显示的内容## P值矩阵p.mat testRes$p, sig.level 0.05, # 当p大于sig.level时触发动作insig label_sig, # sig.level, insig, pch, pch.col, pch.cex,label_sig(星号)#置信区间plotCI n, # c(n, square, circle, rect)lowCI.mat testRes$lowCI, # p值置信区间下边界数据uppCI.mat testRes$uppCI, # p值置信区间上边界数据
)添加下三角上下三角不一致
add T, diag F,
#添加图形
corrplot(corData,method number, type lower, #下三角colcolorRampPalette(c(#0000ff,#ffffff,#ff0000))(100), # 主体颜色add T, # 是否在原来的图层上添加图形diag F, # 是否显示主对角order original, na.label , # 当为NA时显示的内容p.mat testRes$p, # P值矩阵sig.level 0.05, # 当p大于sig.level时触发动作
)
dev.off()ggcorrplot包ggcorrplot函数
数据
rm(list ls())
library(ggcorrplot)
library(ggtext)
data(mtcars)
corr - round(cor(mtcars), 2)#相关系数保留2位小数
p.mat - cor_pmat(mtcars)##P值作图
(这个图例要小很多)
?ggcorrplot
ggcorrplot(corr, method square, #square, circletype full , #full完全(默认)lower下三角upper上三角ggtheme ggplot2::theme_minimal,title ABCD,show.legend TRUE, #是否显示图例。legend.title CorrA, #指定图例标题。show.diag T , #对角线colors c(blue, white, red), #颜色设置outline.color white, #指定方形或圆形的边线颜色hc.order FALSE, #是否按hclust(层次聚类顺序)排列##显示相关性系数设置lab F , #是否添加相关系数lab_col black, #相关系数的颜色只有当labTRUE时有效lab_size 4, #指定相关系数大小只有当labTRUE时有效。#P值显示p.mat p.mat , #p.mat p_mat,insig pch, pch.col red, pch.cex 4,sig.level 0.05,#P值insig c(pch, blank),#显示Xpch 8, #8为星号pch.cex 4, #大小#标签tl.cex 10, #指定变量文本的大小tl.col black, #指定变量文本的颜色tl.srt 45, #指定变量文本的旋转角度。digits 2 #指定相关系数的显示小数位数(默认2)。)
dev.off() 如果需要显示相关性系数展示
##显示相关性系数设置 lab T , #是否添加相关系数 lab_col black, #相关系数的颜色只有当labTRUE时有效 lab_size 4, #指定相关系数大小只有当labTRUE时有效。
计算矩阵后使用pheatmap作图
pheatmap作图可以更好的展示P值
数据准备
rm(list ls())
library(ggcorrplot)
library(ggtext)
library(psych)
library(pheatmap)
library(reshape2)data(mtcars)
corr - round(cor(mtcars), 2)
p.mat - cor_pmat(mtcars)
table(p.mat0.05)#P计数##对所有p值进行判断p0.01的以“**”标注p值0.01p0.05的以“*”标注
if (!is.null(p.mat)){ssmt - p.mat 0.01p.mat[ssmt] -**smt - p.mat 0.01 p.mat 0.05p.mat[smt] - *p.mat[!ssmt!smt]-
} else {p.mat - F
} 作图
#自定义颜色范围
mycol-colorRampPalette(c(blue,white,tomato))(100)
#绘制热图,可根据个人需求调整对应参数
?pheatmap
pheatmap(corr,scale none,#均一化处理cluster_row T, #行距类cluster_col T, #列聚类treeheight_col 0, #设置为0 即不显示聚类树treeheight_row 20,#行聚类树borderNA,#边框颜色display_numbers p.mat,##显著性标记fontsize_number 12, number_color white,cellwidth 20, #格子宽度cellheight 20,#格子高度colormycol,#颜色legendT,#是否显示图例mainABCD)#标题
dev.off() 参考
1医学统计学/孙振球徐勇勇主编.—4版.一北京人民卫生出版社2014
2R语言实战/(美)卡巴科弗(Kabacoff,R.I.)著;高涛肖楠陈钢译.--北京人民邮电出版社
2013.1
3R语言---相关系数_r语言相关系数-CSDN博客
