spearman相关系数

这篇文章的相关分析主要涉及的是数值型变量，分析方法包括相关系数的计算、相关关系的检验以及相关系数的可视化，从两变量说起，延伸到多变量。 两变量 相关系数 （Pearson相关系数、Spearman相关系数、Kendall相关系数，由method指定，默认Pearson相关系数） 相关系数检验 （H0：p=0，不仅可以得到检验结果，同时可以得到相关系数） 相关系数可视化 两变量可考虑作散点图 多变量 相关系数 同上，cor(mtcars) 相关系数检验 略有差别 library(psych) corr.test(mtcars) 相关系数可视化 涉及到多变量之间的两两相关分析·，观察系数矩阵是比较麻烦的，不如图形直观，这里介绍两种。 library(corrplot) corr<-cor(mtcars) corrplot(corr = corr, type="lower", method="ellipse",order="AOE") library(corrgram) corrgram(mtcars,upper.panel = NULL) 来源： CSDN 作者： 老身聊发少年狂 链接： https://blog.csdn.net/weixin_43850016/article/details/103871764

在多元分析中我们经常要用到相关系数。常用的相关系数有三种：Pearson相关系数，Kendall相关系数和Spearman相关系数。 一、Pearson相关系数 Pearson相关系数是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。 按照大学的线性数学水平来理解, 它比较复杂一点,可以看做是两组数据的向量夹角的余弦. 皮尔逊相关的约束条件 1 两个变量间有线性关系 2 变量是连续变量 3 变量均符合正态分布,且二元分布也符合正态分布 4 两变量独立 皮尔逊相关系数适用于： (1)两个变量之间是线性关系，都是连续数据。 (2)两个变量的总体是正态分布，或接近正态的单峰分布。 (3)两个变量的观测值是成对的，每对观测值之间相互独立。 二、Kendall相关系数 Kendall相关系数是以 Maurice Kendall 命名的，并经常用希腊字母τ（tau）表示其值。Kendall相关系数用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况，Kendall相关系数的取值范围在-1到1之间，当τ为1时，表示两个随机变量拥有一致的等级相关性；当τ为-1时，表示两个随机变量拥有完全相反的等级相关性；当τ为0时，表示两个随机变量是相互独立的。 三、Spearman相关系数 Spearman等级相关系数又称秩相关系，它以Charles Spearman命名