Es bietet eine schnelle M\u00f6glichkeit, die St\u00e4rke linearer Beziehungen zu verstehen, die zwischen Variablen in einem Datensatz bestehen.<\/span><\/p>\n Es gibt vier g\u00e4ngige Methoden zum Erstellen einer Korrelationsmatrix in R:<\/span><\/p>\n Methode 1: die Cor-Funktion (um eine einfache Matrix von Korrelationskoeffizienten zu erhalten)<\/strong><\/span><\/p>\n Methode 2: die rcorr-Funktion (um die p-Werte der Korrelationskoeffizienten zu erhalten)<\/strong><\/span><\/p>\n Methode 3: die Corrplot-Funktion (zur Visualisierung der Korrelationsmatrix)<\/strong><\/span><\/p>\n Methode 4: die ggcorrplot-Funktion (zur Visualisierung der Korrelationsmatrix)<\/strong><\/span><\/p>\n Die folgenden Beispiele zeigen, wie jede Methode mit dem folgenden Datenrahmen in R verwendet wird:<\/span><\/p>\n Mit der R-Base-Funktion cor()<\/strong> k\u00f6nnen wir eine Korrelationsmatrix erstellen, die die Korrelationskoeffizienten zwischen den einzelnen Variablen in unserem Datenrahmen anzeigt:<\/span><\/p>\n Die Korrelationskoeffizienten entlang der Diagonalen der Tabelle sind alle gleich 1, da jede Variable perfekt mit sich selbst korreliert.<\/span><\/p>\n Alle anderen Korrelationskoeffizienten geben die Korrelation zwischen verschiedenen paarweisen Kombinationen von Variablen an. Zum Beispiel:<\/span><\/p>\n Wir k\u00f6nnen die Funktion rcorr()<\/strong> aus dem Hmisc-<\/strong> Paket in R verwenden, um eine Korrelationsmatrix zu erstellen, die die Korrelationskoeffizienten zwischen jeder Variablen in unserem Datenrahmen zeigt:<\/span><\/p>\n Die erste Matrix zeigt die Korrelationskoeffizienten zwischen den Variablen und die zweite Matrix zeigt die entsprechenden p-Werte.<\/span><\/p>\n Beispielsweise betr\u00e4gt der Korrelationskoeffizient zwischen Assists und Rebounds -0,24<\/strong> und der p-Wert dieses Korrelationskoeffizienten betr\u00e4gt 0,5589<\/strong> .<\/span><\/p>\n Dies sagt uns, dass die Korrelation zwischen den beiden Variablen negativ ist, aber es handelt sich nicht um eine statistisch signifikante Korrelation, da der p-Wert nicht weniger als 0,05 betr\u00e4gt.<\/span><\/p>\n Wir k\u00f6nnen die Funktion corrplot()<\/strong> aus dem Paket corrplot<\/strong> in R verwenden, um die Korrelationsmatrix zu visualisieren:<\/span> <\/p>\n Die Farbe und Gr\u00f6\u00dfe der Kreise in der Korrelationsmatrix helfen uns, die Korrelationen zwischen den einzelnen Variablen zu visualisieren.<\/span><\/p>\n Beispielsweise ist der Kreis, in dem sich die Assists- und Rebounds-Variablen schneiden, klein und hellrot, was uns sagt, dass die Korrelation schwach und negativ ist.<\/span><\/p>\n Wir k\u00f6nnen die Funktion ggcorrplot()<\/strong> aus dem Paket ggcorrplot<\/strong> in R verwenden, um die Korrelationsmatrix zu visualisieren:<\/span> <\/p>\n Die Farbe der Quadrate in der Korrelationsmatrix hilft uns, die Korrelationen zwischen den einzelnen Variablen zu visualisieren.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So berechnen Sie die Spearman-Rangkorrelation in R<\/a> Eine Korrelationsmatrix ist eine quadratische Tabelle, die die Korrelationskoeffizienten zwischen Variablen in einem Datensatz anzeigt. Es bietet eine schnelle M\u00f6glichkeit, die St\u00e4rke linearer Beziehungen zu verstehen, die zwischen Variablen in einem Datensatz bestehen. Es gibt vier g\u00e4ngige Methoden zum Erstellen einer Korrelationsmatrix in R: Methode 1: die Cor-Funktion (um eine einfache Matrix von Korrelationskoeffizienten zu […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n cor(df)<\/strong><\/span><\/pre>\n library<\/span> (Hmisc)\n\nrcorr( as.matrix<\/span> (df))<\/strong><\/span><\/pre>\n library<\/span> (corplot)\n\ncorrplot(cor(df))\n<\/strong><\/span><\/pre>\n library<\/span> (ggcorrplot)\n\nggcorrplot(cor(df))<\/strong><\/span><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (assists=c(4, 5, 5, 6, 7, 8, 8, 10),\n rebounds=c(12, 14, 13, 7, 8, 8, 9, 13),\n points=c(22, 24, 26, 26, 29, 32, 20, 14))\n\n#view data frame\n<\/span>df\n\n assists rebound points\n1 4 12 22\n2 5 14 24\n3 5 13 26\n4 6 7 26\n5 7 8 29\n6 8 8 32\n7 8 9 20\n8 10 13 14\n<\/strong><\/span><\/pre>\n Beispiel 1: Die cor-Funktion<\/strong><\/span><\/h3>\n
#create correlation matrix<\/span>\ncor(df)\n\n assists rebound points\nassists 1.0000000 -0.2448608 -0.3295730\nrebounds -0.2448608 1.0000000 -0.5220917\npoints -0.3295730 -0.5220917 1.0000000\n<\/strong><\/span><\/pre>\n\n
Beispiel 2: die rcorr-Funktion<\/strong><\/span><\/h3>\n
library<\/span> (Hmisc)\n\n#create matrix of correlation coefficients and p-values<\/span>\nrcorr( as.matrix<\/span> (df))\n\n assists rebound points\nassists 1.00 -0.24 -0.33\nrebounds -0.24 1.00 -0.52\npoints -0.33 -0.52 1.00\n\nn=8 \n\nP\n assists rebound points\nassists 0.5589 0.4253\nrebounds 0.5589 0.1844\npoints 0.4253 0.1844<\/strong><\/span><\/pre>\n Beispiel 3: Die corrplot-Funktion<\/strong><\/span><\/h3>\n
library<\/span> (corplot)\n\n#visualize correlation matrix<\/span>\ncorrplot(cor(df))\n<\/strong><\/span><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/corrplot1.jpg\")
<\/p>\n Beispiel 4: Die corrplot-Funktion<\/strong><\/span><\/h3>\n
library<\/span> (ggcorrplot)\n\n#visualize correlation matrix<\/span>\nggcorrplot(cor(df))\n<\/strong><\/span><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/corrplot2.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie die partielle Korrelation in R<\/a>
So berechnen Sie die gleitende Korrelation in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"