<\/p>\n
In de statistiek gebruiken we vaak dePearson-correlatieco\u00ebffici\u00ebnt<\/a> om de lineaire relatie tussen twee variabelen te meten.<\/span><\/p>\n Soms willen we echter de relatie tussen twee variabelen begrijpen terwijl we een derde variabele controleren<\/strong> .<\/span><\/p>\n Stel dat we bijvoorbeeld het verband willen meten tussen het aantal studie-uren van een leerling en het eindexamencijfer, terwijl we controleren voor het huidige cijfer van de leerling in de klas.<\/span><\/p>\n In dit geval kunnen we parti\u00eble correlatie<\/strong> gebruiken om de relatie tussen het aantal gestudeerde uren en het eindexamencijfer te meten.<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u een gedeeltelijke correlatie in R kunt berekenen.<\/span><\/p>\n Stel dat we het volgende gegevensframe hebben dat het huidige cijfer, het totale aantal gestudeerde uren en het eindexamencijfer voor 10 studenten weergeeft:<\/span><\/p>\n Om de gedeeltelijke correlatie tussen elke paarsgewijze combinatie van variabelen in het dataframe te berekenen, kunnen we de functie pcor()<\/strong> uit de ppcor-bibliotheek<\/a> gebruiken:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Gedeeltelijke correlatie tussen gestudeerde uren en eindexamencijfer:<\/strong><\/span><\/p>\n De gedeeltelijke correlatie tussen het aantal gestudeerde uren en het eindexamencijfer is 0,191<\/strong> , wat een kleine positieve correlatie vertegenwoordigt. Naarmate het aantal studie-uren toeneemt, stijgen ook de examencijfers, ervan uitgaande dat het huidige cijfer constant blijft.<\/span><\/p>\n De p-waarde voor deze gedeeltelijke correlatie is 0,623<\/strong> , wat niet statistisch significant is bij \u03b1 = 0,05.<\/span><\/p>\n Gedeeltelijke correlatie tussen huidig cijfer en eindexamencijfer:<\/strong><\/span><\/p>\n De deelcorrelatie tussen het huidige cijfer en het eindexamencijfer is 0,736<\/strong> , wat een sterke positieve correlatie vertegenwoordigt. Naarmate het huidige cijfer stijgt, stijgen ook de examenscores, ervan uitgaande dat het aantal gestudeerde uren constant blijft.<\/span><\/p>\n De p-waarde voor deze gedeeltelijke correlatie is 0,024<\/strong> , wat statistisch significant is bij \u03b1 = 0,05.<\/span><\/p>\n Gedeeltelijke correlatie tussen huidig cijfer en bestudeerde uren:<\/strong><\/span><\/p>\n De gedeeltelijke correlatie tussen het huidige cijfer, het aantal gestudeerde uren en het eindexamencijfer is -0,311<\/strong> , wat een licht negatieve correlatie vertegenwoordigt. Naarmate het huidige cijfer stijgt, neigt het eindexamencijfer te dalen, ervan uitgaande dat het eindexamencijfer constant blijft.<\/span><\/p>\n De p-waarde<\/a> voor deze gedeeltelijke correlatie is 0,415<\/strong> , wat niet statistisch significant is bij \u03b1 = 0,05.<\/span><\/p>\n Het resultaat vertelt ons ook dat de methode die werd gebruikt om de gedeeltelijke correlatie te berekenen \u201cPearson\u201d was.<\/span><\/p>\n In de functie pcor()<\/strong> zouden we ook „kendall“ of „pearson“ kunnen specificeren als alternatieve methoden om correlaties te berekenen.<\/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> In de statistiek gebruiken we vaak dePearson-correlatieco\u00ebffici\u00ebnt om de lineaire relatie tussen twee variabelen te meten. Soms willen we echter de relatie tussen twee variabelen begrijpen terwijl we een derde variabele controleren . Stel dat we bijvoorbeeld het verband willen meten tussen het aantal studie-uren van een leerling en het eindexamencijfer, terwijl we controleren voor […]<\/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-913","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: gedeeltelijke correlatie 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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe kruiscorrelatie in R te berekenen<\/a>
Hoe de glijdende correlatie in R te berekenen<\/a>
Hoe de punt-biseri\u00eble correlatie in R te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"