Fornisce un modo rapido per comprendere la forza delle relazioni lineari esistenti tra le variabili in un set di dati.<\/span><\/p>\n Esistono quattro modi comuni per creare una matrice di correlazione in R:<\/span><\/p>\n Metodo 1: la funzione cor (per ottenere una semplice matrice di coefficienti di correlazione)<\/strong><\/span><\/p>\n Metodo 2: la funzione rcorr (per ottenere i p-value dei coefficienti di correlazione)<\/strong><\/span><\/p>\n Metodo 3: la funzione corrplot (per visualizzare la matrice di correlazione)<\/strong><\/span><\/p>\n Metodo 4: la funzione ggcorrplot (per visualizzare la matrice di correlazione)<\/strong><\/span><\/p>\n Gli esempi seguenti mostrano come utilizzare ciascun metodo con il seguente frame di dati in R:<\/span><\/p>\n Possiamo utilizzare la funzione R base cor()<\/strong> per creare una matrice di correlazione che mostra i coefficienti di correlazione tra ciascuna variabile nel nostro frame di dati:<\/span><\/p>\n I coefficienti di correlazione lungo la diagonale della tabella sono tutti pari a 1 perch\u00e9 ogni variabile \u00e8 perfettamente correlata con se stessa.<\/span><\/p>\n Tutti gli altri coefficienti di correlazione indicano la correlazione tra diverse combinazioni di variabili a coppie. Per esempio:<\/span><\/p>\n Possiamo utilizzare la funzione rcorr()<\/strong> del pacchetto Hmisc<\/strong> in R per creare una matrice di correlazione che mostri i coefficienti di correlazione tra ciascuna variabile nel nostro frame di dati:<\/span><\/p>\n La prima matrice mostra i coefficienti di correlazione tra le variabili e la seconda matrice mostra i corrispondenti valori p.<\/span><\/p>\n Ad esempio, il coefficiente di correlazione tra assist e rimbalzi \u00e8 -0,24<\/strong> e il valore p di questo coefficiente di correlazione \u00e8 0,5589<\/strong> .<\/span><\/p>\n Questo ci dice che la correlazione tra le due variabili \u00e8 negativa ma non \u00e8 una correlazione statisticamente significativa poich\u00e9 il valore p non \u00e8 inferiore a 0,05.<\/span><\/p>\n Possiamo usare la funzione corrplot()<\/strong> dal pacchetto corrplot<\/strong> in R per visualizzare la matrice di correlazione:<\/span> <\/p>\n Il colore e la dimensione dei cerchi nella matrice di correlazione ci aiutano a visualizzare le correlazioni tra ciascuna variabile.<\/span><\/p>\n Ad esempio, il cerchio in cui si intersecano le variabili assist e rimbalzi \u00e8 piccolo e rosso chiaro, il che ci dice che la correlazione \u00e8 debole e negativa.<\/span><\/p>\n Possiamo utilizzare la funzione ggcorrplot()<\/strong> dal pacchetto ggcorrplot<\/strong> in R per visualizzare la matrice di correlazione:<\/span> <\/p>\n Il colore dei quadrati nella matrice di correlazione ci aiuta a visualizzare le correlazioni tra ciascuna variabile.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come calcolare la correlazione del rango di Spearman in R<\/a> Una matrice di correlazione \u00e8 una tabella quadrata che mostra i coefficienti di correlazione tra le variabili in un set di dati. Fornisce un modo rapido per comprendere la forza delle relazioni lineari esistenti tra le variabili in un set di dati. Esistono quattro modi comuni per creare una matrice di correlazione in R: Metodo […]<\/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 Esempio 1: la funzione 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
Esempio 2: la funzione 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 Esempio 3: la funzione 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 Esempio 4: la funzione 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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare la correlazione parziale in R<\/a>
Come calcolare la correlazione scorrevole in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"