Het biedt een snelle manier om de kracht van lineaire relaties tussen variabelen in een dataset te begrijpen.<\/span><\/p>\n Er zijn vier veelgebruikte manieren om een correlatiematrix in R te maken:<\/span><\/p>\n Methode 1: de cor-functie (om een eenvoudige matrix van correlatieco\u00ebffici\u00ebnten te verkrijgen)<\/strong><\/span><\/p>\n Methode 2: de rcorr-functie (om de p-waarden van de correlatieco\u00ebffici\u00ebnten te verkrijgen)<\/strong><\/span><\/p>\n Methode 3: de corrplotfunctie (om de correlatiematrix te visualiseren)<\/strong><\/span><\/p>\n Methode 4: de ggcorrplot-functie (om de correlatiematrix te visualiseren)<\/strong><\/span><\/p>\n De volgende voorbeelden laten zien hoe u elke methode kunt gebruiken met het volgende dataframe in R:<\/span><\/p>\n We kunnen de functie R base cor()<\/strong> gebruiken om een correlatiematrix te maken die de correlatieco\u00ebffici\u00ebnten tussen elke variabele in ons dataframe toont:<\/span><\/p>\n De correlatieco\u00ebffici\u00ebnten langs de diagonaal van de tabel zijn allemaal gelijk aan 1, omdat elke variabele perfect met zichzelf gecorreleerd is.<\/span><\/p>\n Alle andere correlatieco\u00ebffici\u00ebnten geven de correlatie aan tussen verschillende paarsgewijze combinaties van variabelen. Bijvoorbeeld:<\/span><\/p>\n We kunnen de functie rcorr()<\/strong> uit het Hmisc-<\/strong> pakket in R gebruiken om een correlatiematrix te maken die de correlatieco\u00ebffici\u00ebnten tussen elke variabele in ons dataframe toont:<\/span><\/p>\n De eerste matrix toont de correlatieco\u00ebffici\u00ebnten tussen de variabelen en de tweede matrix toont de overeenkomstige p-waarden.<\/span><\/p>\n De correlatieco\u00ebffici\u00ebnt tussen assists en rebounds is bijvoorbeeld -0,24<\/strong> en de p-waarde van deze correlatieco\u00ebffici\u00ebnt is 0,5589<\/strong> .<\/span><\/p>\n Dit vertelt ons dat de correlatie tussen de twee variabelen negatief is, maar het is geen statistisch significante correlatie aangezien de p-waarde niet minder dan 0,05 is.<\/span><\/p>\n We kunnen de functie corrplot()<\/strong> uit het corrplot-<\/strong> pakket in R gebruiken om de correlatiematrix te visualiseren:<\/span> <\/p>\n De kleur en grootte van de cirkels in de correlatiematrix helpen ons de correlaties tussen elke variabele te visualiseren.<\/span><\/p>\n De cirkel waar de assists- en rebounds-variabelen elkaar kruisen is bijvoorbeeld klein en lichtrood, wat ons vertelt dat de correlatie zwak en negatief is.<\/span><\/p>\n We kunnen de functie ggcorrplot()<\/strong> uit het pakket ggcorrplot<\/strong> in R gebruiken om de correlatiematrix te visualiseren:<\/span> <\/p>\n De kleur van de vierkanten in de correlatiematrix helpt ons de correlaties tussen elke variabele te visualiseren.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe de Spearman-rangcorrelatie in R te berekenen<\/a> Een correlatiematrix is een vierkante tabel die decorrelatieco\u00ebffici\u00ebnten tussen variabelen in een dataset weergeeft. Het biedt een snelle manier om de kracht van lineaire relaties tussen variabelen in een dataset te begrijpen. Er zijn vier veelgebruikte manieren om een correlatiematrix in R te maken: Methode 1: de cor-functie (om een eenvoudige matrix van correlatieco\u00ebffici\u00ebnten te […]<\/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":[],"class_list":["post-2951","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld 1: De cor-functie<\/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
Voorbeeld 2: de rcorr-functie<\/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 Voorbeeld 3: De corrplotfunctie<\/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 Voorbeeld 4: De corrplotfunctie<\/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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe de gedeeltelijke correlatie in R te berekenen<\/a>
Hoe de glijdende correlatie in R te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"