Одним из способов количественной оценки связи между двумя переменными является использование коэффициента корреляции Пирсона , который является мерой линейной связи между двумя переменными . Он всегда принимает значение от -1 до 1, где:
- -1 указывает на совершенно отрицательную линейную корреляцию между двумя переменными
- 0 указывает на отсутствие линейной корреляции между двумя переменными
- 1 указывает на совершенно положительную линейную корреляцию между двумя переменными.
В этом руководстве объясняется, как рассчитать корреляцию между несколькими переменными в R, используя в качестве примера следующий фрейм данных:
#create data frame
df <- data.frame(a <- c(2, 3, 3, 5, 6, 9, 14, 15, 19, 21, 22, 23),
b <- c(23, 24, 24, 23, 17, 28, 38, 34, 35, 39, 41, 43),
c <- c(13, 14, 14, 14, 15, 17, 18, 19, 22, 20, 24, 26),
d <- c(6, 6, 7, 8, 8, 8, 7, 6, 5, 3, 3, 2))
Пример 1: Корреляция между двумя переменными
Следующий код показывает, как вычислить корреляцию между двумя переменными во фрейме данных:
cor(df$a, df$b)
[1] 0.9279869
Пример 2: Корреляция между несколькими переменными
Следующий код показывает, как вычислить корреляцию между тремя переменными во фрейме данных:
cor(df[, c('a', 'b', 'c')])
a b c
a 1.0000000 0.9279869 0.9604329
b 0.9279869 1.0000000 0.8942139
c 0.9604329 0.8942139 1.0000000
Способ интерпретации вывода следующий:
- Корреляция между a и b составляет 0,9279869.
- Корреляция между a и c составляет 0,9604329.
- Корреляция между b и c составляет 0,8942139.
Пример 3: Корреляция между всеми переменными
Следующий код показывает, как вычислить корреляцию между всеми переменными во фрейме данных:
cor(df)
a b c d
a 1.0000000 0.9279869 0.9604329 -0.7915488
b 0.9279869 1.0000000 0.8942139 -0.7917973
c 0.9604329 0.8942139 1.0000000 -0.8063549
d -0.7915488 -0.7917973 -0.8063549 1.0000000
Пример 4: Корреляция только между числовыми переменными
Следующий код показывает, как вычислить корреляцию только между числовыми переменными во фрейме данных:
cor(df[, unlist ( lapply(df, is. numeric ))])
a b c d
a 1.0000000 0.9279869 0.9604329 -0.7915488
b 0.9279869 1.0000000 0.8942139 -0.7917973
c 0.9604329 0.8942139 1.0000000 -0.8063549
d -0.7915488 -0.7917973 -0.8063549 1.0000000
Пример 5: Визуализация корреляций
В следующем коде показано, как создать парный график — тип графика, который позволяет визуализировать взаимосвязь между каждой парной комбинацией переменных:
#load psych package
library(psych)
#create pairs plot
pairs. panels(df)

Дополнительные ресурсы
Как рассчитать частичную корреляцию в R
Как рассчитать точечно-бисериальную корреляцию в R
Как рассчитать скользящую корреляцию в R