Ini memberikan cara cepat untuk memahami kekuatan hubungan linier yang ada antar variabel dalam kumpulan data.<\/span><\/p>\n Ada empat cara umum untuk membuat matriks korelasi di R:<\/span><\/p>\n Metode 1: fungsi cor (untuk mendapatkan matriks koefisien korelasi sederhana)<\/strong><\/span><\/p>\n Metode 2: fungsi rcorr (untuk mendapatkan nilai p dari koefisien korelasi)<\/strong><\/span><\/p>\n Metode 3: fungsi corrplot (untuk memvisualisasikan matriks korelasi)<\/strong><\/span><\/p>\n Metode 4: fungsi ggcorrplot (untuk memvisualisasikan matriks korelasi)<\/strong><\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan setiap metode dengan bingkai data berikut di R:<\/span><\/p>\n Kita dapat menggunakan fungsi R base cor()<\/strong> untuk membuat matriks korelasi yang menunjukkan koefisien korelasi antara setiap variabel dalam bingkai data kita:<\/span><\/p>\n Koefisien korelasi sepanjang diagonal tabel semuanya sama dengan 1 karena setiap variabel berkorelasi sempurna dengan variabelnya sendiri.<\/span><\/p>\n Semua koefisien korelasi lainnya menunjukkan korelasi antara kombinasi variabel berpasangan yang berbeda. Misalnya:<\/span><\/p>\n Kita dapat menggunakan fungsi rcorr()<\/strong> dari paket Hmisc<\/strong> di R untuk membuat matriks korelasi yang menunjukkan koefisien korelasi antara setiap variabel dalam bingkai data kita:<\/span><\/p>\n Matriks pertama menunjukkan koefisien korelasi antar variabel dan matriks kedua menunjukkan nilai p yang sesuai.<\/span><\/p>\n Misalnya, koefisien korelasi antara assist dan rebound adalah -0,24<\/strong> dan nilai p dari koefisien korelasi ini adalah 0,5589<\/strong> .<\/span><\/p>\n Hal ini menunjukkan bahwa korelasi antara kedua variabel adalah negatif tetapi korelasi tersebut tidak signifikan secara statistik karena nilai p tidak kurang dari 0,05.<\/span><\/p>\n Kita dapat menggunakan fungsi corrplot()<\/strong> dari paket corrplot<\/strong> di R untuk memvisualisasikan matriks korelasi:<\/span> <\/p>\n Warna dan ukuran lingkaran pada matriks korelasi membantu kita memvisualisasikan korelasi antar masing-masing variabel.<\/span><\/p>\n Misalnya, lingkaran tempat perpotongan variabel assist dan rebound berwarna kecil dan berwarna merah terang, yang menunjukkan bahwa korelasinya lemah dan negatif.<\/span><\/p>\n Kita dapat menggunakan fungsi ggcorrplot()<\/strong> dari paket ggcorrplot<\/strong> di R untuk memvisualisasikan matriks korelasi:<\/span> <\/p>\n Warna kotak dalam matriks korelasi membantu kita memvisualisasikan korelasi antara setiap variabel.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara menghitung korelasi rank Spearman di R<\/a> Matriks korelasi adalah tabel persegi yang menunjukkan koefisien korelasi antar variabel dalam suatu kumpulan data. Ini memberikan cara cepat untuk memahami kekuatan hubungan linier yang ada antar variabel dalam kumpulan data. Ada empat cara umum untuk membuat matriks korelasi di R: Metode 1: fungsi cor (untuk mendapatkan matriks koefisien korelasi sederhana) cor(df) Metode 2: fungsi […]<\/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 Contoh 1: Fungsi cor<\/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
Contoh 2: fungsi rcorr<\/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 Contoh 3: Fungsi corrplot<\/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 Contoh 4: Fungsi corrplot<\/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 Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menghitung korelasi parsial di R<\/a>
Cara menghitung korelasi geser di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"