So berechnen sie die spearman-rangkorrelation in r

In der Statistik bezeichnet Korrelation die Stärke und Richtung einer Beziehung zwischen zwei Variablen. Der Wert eines Korrelationskoeffizienten kann zwischen -1 und 1 liegen, mit folgenden Interpretationen:

• -1: eine perfekte negative Beziehung zwischen zwei Variablen
• 0: keine Beziehung zwischen zwei Variablen
• 1: eine perfekte positive Beziehung zwischen zwei Variablen

Eine besondere Art der Korrelation ist die Spearman-Rangkorrelation , mit der die Korrelation zwischen zwei Rangvariablen gemessen wird. (z. B. die Rangfolge der Mathematikprüfungsergebnisse eines Schülers im Verhältnis zur Rangfolge seiner naturwissenschaftlichen Prüfungsergebnisse in einer Klasse).

Um die Spearman-Rangkorrelation zwischen zwei Variablen in R zu berechnen, können wir die folgende grundlegende Syntax verwenden:

 corr <- cor. test (x, y, method = ' spearman ')

Die folgenden Beispiele zeigen, wie Sie diese Funktion in der Praxis nutzen können.

Beispiel 1: Korrelation der Spearman-Ränge zwischen Vektoren

Der folgende Code zeigt, wie die Spearman-Rangkorrelation zwischen zwei Vektoren in R berechnet wird:

 #define data
x <- c(70, 78, 90, 87, 84, 86, 91, 74, 83, 85)
y <- c(90, 94, 79, 86, 84, 83, 88, 92, 76, 75)

#calculate Spearman rank correlation between x and y
horn. test (x, y, method = ' spearman ')

	Spearman's rank correlation rho

data: x and y
S = 234, p-value = 0.2324
alternative hypothesis: true rho is not equal to 0
sample estimates:
       rho 
-0.4181818

Aus dem Ergebnis können wir ersehen, dass die Spearman-Rangkorrelation -0,41818 beträgt und der entsprechende p-Wert 0,2324 beträgt.

Dies weist darauf hin, dass zwischen den beiden Vektoren eine negative Korrelation besteht.

Da der p-Wert der Korrelation jedoch nicht kleiner als 0,05 ist, ist die Korrelation statistisch nicht signifikant.

Beispiel 2: Spearman-Rangkorrelation zwischen Spalten im Datenrahmen

Der folgende Code zeigt, wie die Spearman-Rangkorrelation zwischen zwei Spalten in einem Datenrahmen berechnet wird:

 #define data frame
df <- data. frame (team=c('A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'),
                 points=c(67, 70, 75, 78, 73, 89, 84, 99, 90, 91),
                 assists=c(22, 27, 30, 23, 25, 31, 38, 35, 34, 32))

#calculate Spearman rank correlation between x and y
horn. test (df$points, df$assists, method = 'spearman')

	Spearman's rank correlation rho

data: df$points and df$assists
S = 36, p-value = 0.01165
alternative hypothesis: true rho is not equal to 0
sample estimates:
      rho 
0.7818182 

Aus dem Ergebnis können wir ersehen, dass die Spearman-Rangkorrelation 0,7818 und der entsprechende p-Wert 0,01165 beträgt.

Dies weist darauf hin, dass zwischen den beiden Vektoren eine starke positive Korrelation besteht.

Da der p-Wert der Korrelation kleiner als 0,05 ist, ist die Korrelation statistisch signifikant.

Zusätzliche Ressourcen

So berechnen Sie die partielle Korrelation in R
So berechnen Sie die Autokorrelation in R
So berechnen Sie die gleitende Korrelation in R
So melden Sie die Spearman-Korrelation im APA-Format