<\/p>\n
Der Korrelationskoeffizient nach Pearson<\/a> kann verwendet werden, um den linearen Zusammenhang zwischen zwei Variablen zu messen.<\/span><\/p>\n Dieser Korrelationskoeffizient nimmt immer einen Wert zwischen -1<\/strong> und 1<\/strong> an, wobei:<\/span><\/p>\n Um festzustellen, ob ein Korrelationskoeffizient statistisch signifikant ist, k\u00f6nnen Sie den entsprechenden t-Score und p-Wert berechnen.<\/span><\/p>\n Die Formel zur Berechnung des t-Scores eines Korrelationskoeffizienten (r) lautet:<\/span><\/p>\n t = r\u221a n-2<\/span> \/ \u221a 1-r 2<\/sup><\/span><\/span><\/p>\n Der p-Wert wird als entsprechender zweiseitiger p-Wert f\u00fcr die t-Verteilung mit n-2 Freiheitsgraden berechnet.<\/span><\/p>\n Um den p-Wert eines Pearson-Korrelationskoeffizienten in R zu berechnen, k\u00f6nnen Sie die Funktion cor.test()<\/strong> verwenden.<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Der folgende Code zeigt, wie Sie mit der Funktion cor.test()<\/strong> den p-Wert des Korrelationskoeffizienten zwischen zwei Variablen in R berechnen:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir sehen:<\/span><\/p>\n Da der Korrelationskoeffizient negativ ist, deutet dies darauf hin, dass zwischen den beiden Variablen eine negative lineare Beziehung besteht.<\/span><\/p>\n Da der p-Wert des Korrelationskoeffizienten jedoch nicht weniger als 0,05 betr\u00e4gt, ist die Korrelation statistisch nicht signifikant.<\/span><\/p>\n Beachten Sie, dass wir auch cor.test(x, y)$p.value<\/strong> eingeben k\u00f6nnen, um nur den p-Wert f\u00fcr den Korrelationskoeffizienten zu extrahieren:<\/span><\/p>\n Der p-Wert f\u00fcr den Korrelationskoeffizienten betr\u00e4gt 0,1114995<\/strong> .<\/span><\/p>\n Dies entspricht dem p-Wert der vorherigen Ausgabe.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So berechnen Sie die partielle Korrelation in R<\/a> Der Korrelationskoeffizient nach Pearson kann verwendet werden, um den linearen Zusammenhang zwischen zwei Variablen zu messen. Dieser Korrelationskoeffizient nimmt immer einen Wert zwischen -1 und 1 an, wobei: -1 : Perfekt negative lineare Korrelation zwischen zwei Variablen. 0 : Keine lineare Korrelation zwischen zwei Variablen. 1: Perfekt positive lineare Korrelation zwischen zwei Variablen. Um festzustellen, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
horn. test<\/span> (x,y)\n<\/strong><\/pre>\n Beispiel: Berechnen Sie den P-Wert f\u00fcr den Korrelationskoeffizienten in R<\/strong><\/span><\/h2>\n
#create two variables\n<\/span>x <- c(70, 78, 90, 87, 84, 86, 91, 74, 83, 85)\ny <- c(90, 94, 79, 86, 84, 83, 88, 92, 76, 75)\n\n#calculate correlation coefficient and corresponding p-value\n<\/span>horn. test<\/span> (x,y)\n\n\tPearson's product-moment correlation\n\ndata: x and y\nt = -1.7885, df = 8, p-value = 0.1115\nalternative hypothesis: true correlation is not equal to 0\n95 percent confidence interval:\n -0.8709830 0.1434593\nsample estimates:\n horn \n-0.5344408\n<\/strong><\/span><\/pre>\n\n
#create two variables\n<\/span>x <- c(70, 78, 90, 87, 84, 86, 91, 74, 83, 85)\ny <- c(90, 94, 79, 86, 84, 83, 88, 92, 76, 75)\n\n#calculate p-value for correlation between x and y\n<\/span>horn. test<\/span> (x, y)$p.value\n\n[1] 0.1114995\n<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So berechnen Sie die Spearman-Korrelation in R<\/a>
So berechnen Sie die gleitende Korrelation in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"