标签：test let value 期望值 png 统计 大于 两种 size
相关分析是数据分析的一个基本方法，可以用于发现不同变量之间的关联性，关联是指数据之间变化的相似性，这可以通过相关系数来描述。发现相关性可以帮助你预测未来，而发现因果关系意味着你可以改变世界。
如果随机变量X和Y是相互独立的，那么协方差
Cov(X,Y) = E{ [X-E(X)] [Y-E(Y)] } = 0，
这意味着当协方差Cov(X,Y) 不等于 0 时，X和Y不相互独立，而是存在一定的关系，此时，称作X和Y相关。在统计学上，使用协方差和相关系数来描述随机变量X和Y的相关性：
协方差：如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。从数值来看，协方差的数值越大，两个变量同向程度也就越大。
，µ是变量的期望。
相关系数：相关系数消除了两个变量变化幅度的影响，只是单纯反应两个变量每单位变化时的相似程度。
，δ是变量的标准差。
相关系数用于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、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）。
例如，下面两种情况中，很容易看出X和Y都是同向变化的，而这个“同向变化”有个非常显著特征：X、Y同向变化的过程，具有极高的相似度。
1，观察协方差，情况一的协方差是：
情况二的协方差是：
协方差的数值相差一万倍，只能从两个协方差都是正数判断出在这两种情况下X、Y都是同向变化，但是一点也看不出两种情况下X、Y的变化都具有相似性这一特点。
2，观察相关系数，情况一的相关系数是：
情况二的相关系数是：
虽然两种情况的协方差相差1万倍，但是，它们的相关系数是相同的，这说明，X的变化与Y的变化具有很高的相似度。
R可以计算多种相关系数，包括Pearson相关系数、Spearman相关系数、Kendall相关系数、偏相关系数、多分格（polychoric）相关系数和多系列（polyserial）相关系数。下面让我们依次理解这些相关系数。
1，Pearson、Spearman和Kendall相关系数
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，Spearman等级相关系数则衡量分级定序变量之间的相关程度，Kendall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()函数可以计算协方差。
cor(x, y = NULL, use = "everything", method = c("pearson", "kendall", "spearman")) cov(x, y = NULL, use = "everything", method = c("pearson", "kendall", "spearman"))
参数注释：
例如，使用R基础安装包中的state.x77数据集，它提供了美国50个州的人口、收入、文盲率（Illiteracy）、预期寿命（Life Exp）、谋杀率和高中毕业率（HS Grad）等数据。
states <- state.x77[,1:6] > cor(states) Population Income Illiteracy Life Exp Murder HS Grad Population 1.00000000 0.2082276 0.1076224 -0.06805195 0.3436428 -0.09848975 Income 0.20822756 1.0000000 -0.4370752 0.34025534 -0.2300776 0.61993232 Illiteracy 0.10762237 -0.4370752 1.0000000 -0.58847793 0.7029752 -0.65718861 Life Exp -0.06805195 0.3402553 -0.5884779 1.00000000 -0.7808458 0.58221620 Murder 0.34364275 -0.2300776 0.7029752 -0.78084575 1.0000000 -0.48797102 HS Grad -0.09848975 0.6199323 -0.6571886 0.58221620 -0.4879710 1.00000000
可以看到，收入和高中毕业率之间存在很强的正相关（约0.620），文盲率和谋杀率之间存在很强的正相关（约0.703），文盲率和高中毕业率之间存在很强的负相关（约-0.657），预期寿命和谋杀率之间存在很强的负相关（约-0.781）等。
2，偏相关
偏相关是指在控制一个或多个定量变量（称作条件变量）时，另外两个定量变量之间的相关关系。可以使用ggm包中的pcor()函数计算偏相关系数。
pcor(u, S)
参数注释：
例如：在控制了收入、文盲率和高中毕业率的条件下，计算的人口和谋杀率之间的偏相关系数为0.346：
> library(igraph) > library(ggm) > colnames(states) [1] "Population" "Income" "Illiteracy" "Life Exp" "Murder" "HS Grad" > pcor(c(1,5,2,3,6),cov(states)) [1] 0.3462724
在计算好相关系数之后，需要对相关性进行显著性检验，常用的原假设是变量间不相关（即总体的相关系数为0），可以使用cor.test()函数对单个的Pearson、Spearman和Kendall相关系数进行显著性检验，以验证原假设是否成立。如果p值很小，说明变量之间存在相关性，相关性的大小由相关系数确定。
显著性检验返回的结果中，p值（p value）就是当原假设为真时所得到的样本观察结果出现的概率。如果p值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，p值越小，我们拒绝原假设的理由越充分。
小概率原理是指：在统计学中，通常把在现实世界中发生几率小于5%的事件称之为“不可能事件”，通常把显著性水平定义为0.05，或0.025。当p值小于显著性水平时，把原假设视为不可能事件，因为拒绝原假设。
1，cor.test()检验
cor.test()每次只能检验一种相关关系，原假设是变量间不相关，即总体的相关系数是0。
cor.test(x, y, alternative = c("two.sided", "less", "greater"), method = c("pearson", "kendall", "spearman"), exact = NULL, conf.level = 0.95, continuity = FALSE, ...)
参数注释:
例如，下面的代码用于检验预期寿命和谋杀率的Pearson相关系数为0的原假设，
> cor.test(states[,3],states[,5]) Pearson‘s 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
检验的结果是：p值（p-value=1.258e-08)，样本估计的相关系数cor 是 0.703，这说明：
假设总体的相关度为0，则预计在1千万次中只会有少于1次的机会见到0.703的样本相关度，由于这种情况几乎不可能发生，所以拒绝原假设，即预期寿命和谋杀率之间的总体相关度不为0。
2，corr.test()检验
psych包中的corr.test()函数，可以依次为Pearson、Spearman或Kendall计算相关矩阵和显著性水平。
corr.test(x, y = NULL, use = "pairwise",method="pearson",adjust="holm", alpha=.05,ci=TRUE)
参数注释：
3，偏相关的显著性检验
在多元正态性的假设下，psych包中的pcor.test()函数用于检验在控制一个或多个条件变量时，两个变量之间的独立性。
pcor.test(r, q, n)
参数注释：
参考文档：
标签：test let value 期望值 png 统计 大于 两种 size
原文地址：https://www.cnblogs.com/ljhdo/p/5038541.html
