Pearson相关性和相关性的显着性

Question

我有一个 6 行 14 列的数据框。我通过以下方式计算 Pearson 相关性：

#read data
data1 <- read.csv("test.csv")

#calculate correlation 
pearson_coef <- cor(data1[sapply(data1, is.numeric)])

我得到了正确的相关系数。现在我想获得相关性的显着性水平。所以我用了：

significance <- cor.test(data1)

但我收到此错误：

Error in cor.test.default(data1) : 
  argument "y" is missing, with no default

我不明白是什么问题。你能帮帮我吗？

此外，我想知道是否可以获得具有 Pearson 相关系数和相关显着性水平的输出（唯一数据框）？

对不起这个问题！

Answer 1

cor.test 有一个非常具体的输入法。假设您的数据中有两个变量x 和y：

cor.test(~ x + y, data)

会得到你想要的。

Answer 2

stats::cor.test 接受两个输入，x 和 y，它们是相同长度的数字 向量 -- 请参阅文档，?cor.test -- 长和短，你无法喂cor.test 和data.frame。

要获得所需的行为，您可以使用 psych 包及其 corr.test() 函数 -- 请尝试以下操作：

# install.packages("psych")
library(psych)
corr.test(data1[sapply(data1, is.numeric)])

这将返回相关矩阵、样本大小和 p 值矩阵。根据您的示例，您可以使用以下内容仅提取 p 值并将它们分配给significance：

significance <- corr.test(data1[sapply(data1, is.numeric)])$p

---

N.B. 这将对返回的 p 值应用一个调整因子。根据psych::corr.test 的文档：

“对于对称矩阵，原始概率报告在对角线下方，相关性针对对角线上方的多次比较进行了调整。在 x 和 y 不同的情况下，默认为多次测试调整概率。”

你可以像这样使用adjust = "none"关闭p-value调整...

corr.test(data1[sapply(data1, is.numeric)], adjust = "none")

...但是，在解释此类结果时应谨慎。 有关调整后的 p 值的更多信息，请参阅?p.adjust。

Answer 3

如果没有可重现的示例，这有点繁琐。我将使用 iris 数据集作为您的示例。您的cor.test() 调用不起作用的原因是您需要指定要比较的变量。查看?cor.test 了解更多详情。

但是，如果您想使用数据框解决此问题，我建议您使用 dplyr 包。首先，您需要了解如何从cor.test() 对象中提取值。运行关联：

iris.cor <- cor.test(iris$Petal.Width, iris$Petal.Length)

然后看dataframe的结构：

str(iris.cor)

请注意，您可以像这样从 cor.test() 对象中提取值：

iris.cor$estimate
iris.cor$p.value

现在，如果您想将这些值包含在数据框中，有几种方法可以做到。我更喜欢dplyr 解决方案，但有很多方法可以给这只猫剥皮。

library(dplyr)

iris %>%
  summarise(coef=cor.test(Petal.Width, Petal.Length)$estimate,
            pval=cor.test(Petal.Width, Petal.Length)$p.value)

这样的好处是可以轻松添加cor.test()对象的其他元素或添加分组变量：

iris %>%
  group_by(Species) %>%
  summarise(coef=cor.test(Petal.Width, Petal.Length)$estimate,
            pval=cor.test(Petal.Width, Petal.Length)$p.value)

在一天结束时，R 总是有几种做事方式。这是一个。