<\/p>\n
Nelle statistiche, spesso utilizziamo il coefficiente di correlazione di Pearson<\/a> per misurare la relazione lineare tra due variabili.<\/span><\/p>\n Tuttavia, a volte vogliamo comprendere la relazione tra due variabili controllandone una terza<\/strong> .<\/span><\/p>\n Ad esempio, supponiamo di voler misurare l’associazione tra il numero di ore di studio di uno studente e il voto dell’esame finale, controllando il voto attuale dello studente nella classe.<\/span><\/p>\n In questo caso, potremmo utilizzare la correlazione parziale<\/strong> per misurare il rapporto tra le ore studiate e il voto dell’esame finale.<\/span><\/p>\n Questo tutorial spiega come calcolare una correlazione parziale in R.<\/span><\/p>\n Supponiamo di avere il seguente frame di dati che mostra il voto corrente, il totale delle ore studiate e il voto dell’esame finale per 10 studenti:<\/span><\/p>\n Per calcolare la correlazione parziale tra ciascuna combinazione di variabili a coppie nel dataframe, possiamo utilizzare la funzione pcor()<\/strong> dalla libreria ppcor<\/a> :<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n Correlazione parziale tra ore studiate e voto dell’esame finale:<\/strong><\/span><\/p>\n La correlazione parziale tra ore studiate e voto dell’esame finale \u00e8 0,191<\/strong> , che rappresenta una piccola correlazione positiva. All\u2019aumentare del numero di ore di studio, anche i punteggi degli esami tendono ad aumentare, presupponendo che il voto attuale rimanga costante.<\/span><\/p>\n Il valore p per questa correlazione parziale \u00e8 0,623<\/strong> , che non \u00e8 statisticamente significativo con \u03b1 = 0,05.<\/span><\/p>\n Correlazione parziale tra voto attuale e voto dell’esame finale:<\/strong><\/span><\/p>\n La correlazione parziale tra il voto corrente e il voto dell’esame finale \u00e8 0,736<\/strong> , che rappresenta una forte correlazione positiva. All\u2019aumentare del voto attuale, anche i punteggi degli esami tendono ad aumentare, presupponendo che il numero di ore studiate rimanga costante.<\/span><\/p>\n Il valore p per questa correlazione parziale \u00e8 0,024<\/strong> , che \u00e8 statisticamente significativo con \u03b1 = 0,05.<\/span><\/p>\n Correlazione parziale tra voto attuale e ore studiate:<\/strong><\/span><\/p>\n La correlazione parziale tra voto attuale, ore studiate e voto dell’esame finale \u00e8 -0,311<\/strong> , che rappresenta una leggera correlazione negativa. All’aumentare del voto corrente, il voto dell’esame finale tende a diminuire, presupponendo che il voto dell’esame finale rimanga costante.<\/span><\/p>\n Il valore p<\/a> per questa correlazione parziale \u00e8 0,415<\/strong> , che non \u00e8 statisticamente significativo con \u03b1 = 0,05.<\/span><\/p>\n Il risultato ci dice anche che il metodo utilizzato per calcolare la correlazione parziale era \u201cPearson\u201d.<\/span><\/p>\n Nella funzione pcor()<\/strong> potremmo anche specificare “kendall” o “pearson” come metodi alternativi per calcolare le correlazioni.<\/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> Nelle statistiche, spesso utilizziamo il coefficiente di correlazione di Pearson per misurare la relazione lineare tra due variabili. Tuttavia, a volte vogliamo comprendere la relazione tra due variabili controllandone una terza . Ad esempio, supponiamo di voler misurare l’associazione tra il numero di ore di studio di uno studente e il voto dell’esame finale, controllando […]<\/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 Esempio: correlazione parziale in R<\/strong><\/span><\/h2>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (currentGrade = c(82, 88, 75, 74, 93, 97, 83, 90, 90, 80),\n hours = c(4, 3, 6, 5, 4, 5, 8, 7, 4, 6),\n examScore = c(88, 85, 76, 70, 92, 94, 89, 85, 90, 93))\n\n#view data frame\n<\/span>df\n\n currentGrade hours examScore\n1 82 4 88\n2 88 3 85\n3 75 6 76\n4 74 5 70\n5 93 4 92\n6 97 5 94\n7 83 8 89\n8 90 7 85\n9 90 4 90\n10 80 6 93\n<\/strong><\/pre>\n library<\/span> (ppcor)<\/span>\n\n#calculate partial correlations<\/span>\npcor(df)\n\n$estimate\n currentGrade hours examScore\ncurrentGrade 1.0000000 -0.3112341 0.7355673\nhours -0.3112341 1.0000000 0.1906258\nexamScore 0.7355673 0.1906258 1.0000000\n\n$p.value\n currentGrade hours examScore\ncurrentGrade 0.00000000 0.4149353 0.02389896\nhours 0.41493532 0.0000000 0.62322848\nexamScore 0.02389896 0.6232285 0.00000000\n\n$statistic\n currentGrade hours examScore\ncurrentGrade 0.0000000 -0.8664833 2.8727185\nhours -0.8664833 0.0000000 0.5137696\nexamScore 2.8727185 0.5137696 0.0000000\n\n$n\n[1] 10\n\n$gp\n[1] 1\n\n$method\n[1] \"pearson\"\n<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come calcolare la correlazione incrociata in R<\/a>
Come calcolare la correlazione scorrevole in R<\/a>
Come calcolare la correlazione punto-biseriale in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"