简单相关系数

简单相关系数的代码实现
1.XY都是随机变量，地位对称
2.相关系数只反映两变量之间线性相关的程度，不能说明其非线性相关关系。
3.虽能度量相关关系，但是不能度量变量间的因果关系
公式

library('charlatan') # 造假数据的包
# 创建10个名
name = ch_name(10)# 创建10个均分分布的数据 看看直方图
# 产生数据
set.seed(1) # 保持每次产生数据已知
x1 = ch_unif(10)
hist(x1,breaks = 4)
x2 = ch_unif(10)/200
hist(x2,breaks = 4)
y = 0.5*x1+0.14*x2+rnorm(1) # 加噪声# 法1
# 计算相关系数
fun_rxy = function(x,y){x_bar = mean(x)y_bar = mean(y)print(x_bar)print(y_bar)fenzi = sum((x-x_bar)*(y-y_bar))print(fenzi)fenmu = sqrt(sum((x-x_bar)^2)*sum((y-y_bar)^2))print(fenmu)r_xy = fenzi/fenmuprint('相关系数为：')print(r_xy)
}
fun_rxy(x1,y)# 法2
## pearson系数
pearson<-function(x,y){xp<-sum(x)/length(x)yp<-sum(y)/length(y)f1 = f2 = f3 = 0for (i in 1:length(x)){f1 = f1 + (x[i]-xp)*(y[i]-yp)f2 = f2 + (x[i]-xp)^2f3 = f3 + (y[i]-yp)^2}cor = f1/(sqrt(f2)*sqrt(f3))return(cor)
}
pearson(x1,y)cor(x1,y,method = "pearson")

偏相关系数

  设x1 ，x2，y是三个变量，如果要计算x2给定的条件下， x1 和y的相关系数，应该用偏相关系数更合理，那么偏相关系数为：

公式：

#-------------偏相关系数
#R语言包里面有 偏相关系数
library(ggm)
df = data.frame(x1,x2,y)
jsbl = c(1,3) # x1,y计算相关系数
kzbl = c(2) # x2下标是控制变量
con = c(jsbl,kzbl)
c1 = cov(df) # 协方差pcor1 = function (u, S)
{k <- solve(S[u, u],tol=2e-21)k[1, 2]/sqrt(k[1, 1] * k[2, 2])
}
pcor1(con,c1) # 偏相关# 法2
r_yx1x2 = (cor(x1,y)-cor(x2,y)*cor(x1,x2))/(sqrt(1-cor(x2,y)^2)*sqrt(1-cor(x1,x2)^2))
r_yx1x2

spearman相关系数

在给定一列数对（x1,y1），····，（xn,yn）之后，要检验他们所代表的二元变量X和Y是否相关。首先将X和Y的观测值分别排序，分别得各自得秩统计量，Spearman相关检验的含义是直接对秩统计量计算相关系数，即计算R和S的相关系数：
公式：

其中：

#------------spearman----
# 法1
##  spearman系数
cor(x,y,method = "spearman")
spearman<-function(x,y){u<-rank(x)v<-rank(y)up<-sum(u)/length(u)vp<-sum(v)/length(v)f1 = f2 = f3 = 0for (i in 1:length(u)){f1 = f1 + (u[i]-up)*(v[i]-vp)f2 = f2 + (u[i]-up)^2f3 = f3 + (v[i]-vp)^2}cor = f1/(sqrt(f2)*sqrt(f3))return(cor)
}
spearman(x1,y)#法2
##  spearman系数
f1 = 0
cor(x1,y,method = "spearman")
spearman<-function(x,y){n<-length(x)u<-rank(x)v<-rank(y)f1 = f2 = f3 = 0for (i in 1:n){f1 = f1 + (u[i]-v[i])^2}cor = 1-6*f1/(n*(n^2-1))return(cor)
}
spearman(x1,y)

复相关系数

      简单相关系数和偏相关系数实际上均是讨论两个变量的关系，但常常我们会讨论一个变量和一组变量的相关，这叫复相关系数。实际上一个变量和一组变量的复相关是以这个变量为被解释变量，以这组变量为回归因子，建立回归模型的可决系数R2.

总体典型相关

我用内置的检验，老是发现不对，也不知道错在哪里！

#--------------典型相关系数和典型变量求解
## 定义函数,求两个矩阵的典型变量和典型相关系数
My.rtest = function(x,y){# 计算相关系数矩阵R11 = cov(x)R12 = cov(x,y)R21 = cov(y,x)R22 = cov(y)M1 = solve(R11)%*%R12%*%solve(R22)%*%R21M2 = solve(R22)%*%R21%*%solve(R11)%*%R12#使用函数eigen()计算特征值和特征向量ev1 = eigen(M1) ev2 = eigen(M2) lamda0 = ev1$val #访问列表values项，即特征值lamda = sqrt(lamda0) #典型相关系数#a_k = solve(R11)^(0.5)%*%ev1$val#b_k = (1/lamda[1])*solve(R22)^(0.5)%*%R21%*%lamdaalpha = ev1$vec #访问列表vectros项，即特征向量beta = ev2$vec #访问列表vectros项，即特征向量#求典型变量u和v的系数u = t(alpha) #第k行即第k个典型变量的系数v = t(beta) #第k行即第k个典型变量的系数#print(a_k)#u = t(a_k)%*%x#v = t(b_k)%*%yresult = list(lamda=lamda,u=u,v=v)print(result)
}#随机产生数据矩阵
#x1 = matrix(runif(10,0,5),10)
#x2 = matrix(runif(10,0,10),10)
#x = cbind(x1,x2)#y1 = matrix(runif(10,-2,5),10)
#y2 = matrix(runif(10,3,6),10)
#y3 = matrix(runif(10,-10,6),10)
#y =cbind(y1,y2,y3)x1=c(191, 193, 189, 211, 176, 169, 154, 193, 176, 156, 189, 162, 182, 167, 154, 166, 247, 202, 157, 138)
x2=c(36, 38, 35, 38, 31, 34, 34, 36, 37, 33, 37, 35, 36, 34, 33, 33, 46, 37, 32, 33)
x3=c(50, 58, 46, 56, 74, 50, 64, 46, 54, 54, 52, 62, 56, 60, 56, 52, 50, 62, 52, 68)
x = scale(cbind(x1,x2,x3))
y1=c( 5, 12, 13,  8, 15, 17, 14,  6,  4, 15, 2, 12,  4,  6, 17, 13,  1, 12, 11,  2)
y2=c(162, 101, 155, 101, 200, 120, 215,  70,  60, 225, 110, 105, 101, 125, 251, 210,  50, 210, 230, 110)
y3=c(60, 101, 58, 38, 40, 38, 105, 31, 25, 73, 60, 37, 42, 40, 250, 115, 50, 120, 80, 43)
y = scale(cbind(y1,y2,y3))#调用该函数
My.rtest(x,y)# R语言内置检验
ca = cancor(x,y)
ca

【R语言】典型相关分析，自写函数计算相关系数相关推荐

R语言tidyquant包的tq_transmute函数计算持有某只股票的天、月、周收益率、ggplot2使用条形图（bar plot）可视化股票月收益率数据条形图
R语言tidyquant包的tq_transmute函数计算持有某只股票的天.月.周收益率.ggplot2使用条形图(bar plot)可视化股票月收益率数据条形图目录
R语言典型相关分析：NBA球员身体素质与统计数据关联性
昨天万众瞩目的2017NBA总决赛G1,想必各位JRs们都看了吧?不是骑士不尽力,奈何对面有高达,比赛结果是书包杜和打卡库双星闪耀先下一城.恰好前两天的数模课上的是多元统计,于是便复习了下主成分分析与 ...
R语言epiDisplay包的kap函数计算配对列联表的计算一致性的比例以及Kappa统计量的值（总一致性、期望一致性）、使用xtabs函数生成二维列联表、使用wttable参数设置权重表参数为w2
R语言使用epiDisplay包的kap函数计算配对列联表的计算一致性的比例以及Kappa统计量的值(总一致性.期望一致性).使用xtabs函数生成二维列联表.使用wttable参数设置权重表参数为w ...
R语言epiDisplay包的alpha函数计算dataframe数据中指定数据列之间的信度分析、克朗巴哈系数、标准化系数、每当剔除某一条目后系数的变化、设置reverse参数不对任何数据对象进行反序
R语言使用epiDisplay包的alpha函数计算dataframe数据中指定数据列之间的信度分析.克朗巴哈系数(Cronbach's α).标准化
R语言epiDisplay包的kap函数计算Kappa统计量的值（总一致性、期望一致性）、对多个评分对象的结果进行一致性分析、评分的类别为多个类别、如果评分中包含缺失值则标准误及其相关统计量则无法计算
R语言使用epiDisplay包的kap函数(kap.m.raters)函数计算Kappa统计量的值(总一致性.期望一致性).对多个评分对象的结果进行一致性分析.评分的类别为多个类别.如果评分中包含缺 ...
R语言缺失值：is.na函数查看数据对象中是否包含缺失值NA、特定数据编码为编码为缺失值NA、na.rm=TRUE参数获得有效的计算结果、complete.cases函数筛选数据、na.omit函数
R语言缺失值:is.na函数查看数据对象中是否包含缺失值NA.特定数据编码为编码为缺失值NA.na.rm=TRUE参数获得有效的计算结果.complete.cases函数筛选数据.na.omit函数 ...
R语言dplyr包使用dplyr函数使用group_by函数、summarise函数和mutate函数计算分组占比实战
R语言dplyr包使用dplyr函数使用group_by函数.summarise函数和mutate函数计算分组占比实战目录 R语言dplyr包使用dplyr函数使用group_by函数.summar ...
python实现典型相关分析_R语言典型相关分析
1 关键点:典型相关分析典型相关分析是用于分析两组随机变量之间的相关程度的一种统计方法,它能够有效地揭示两组随机变量之间的相互(线性依赖)关系例如研究生入学考试成绩与本科阶段一些主要课程成绩的相 ...
predict函数 R_学习|R语言做机器学习的常用函数总结
预测函数:predict() type="prob"判别该量度的昆虫归类为A.B和C的概率:type="response":判别该量度的昆虫的类别: 预测分类的 ...

【R语言】典型相关分析，自写函数计算相关系数