R语⾔进⾏的变量相关性显著性检验
R语⾔进⾏的变量相关性显著性检验
快递啥时候上班
在计算好相关系数以后，如何对它们进⾏统计显著性检验呢？
常⽤的原假设为变量间不相关（即总体的相关系数为0）。可以使⽤st()函数对单个的Pearson、Spearman和Kendall相关系数进⾏检验。
简化后的使⽤格式为：
准噶尔部st(x,y,alternative="……",method="……")
其中x和y为要检验相关性的变量，alternative则⽤来指定进⾏单侧检验或双侧检验，取值为two.side、less、greater，⽽method⽤以指定要计算的相关类型（“pearson”、“Kendall”、“spearman”）.
当研究的假设为总体的相关系数⼩于0时，请使⽤alternative=“less”；
在研究的假设为总体的相关系数⼤于0时，应该使⽤alternative=“greater”；
在默认情况下，假设为总体相关系数不等于0，alternative=“two.side”.
例如语句：st(states[,3],states[,5])
遗憾的是，st每次只能检验⼀种相关关系，⽽st()函数可以⼀次做更多事情。
使⽤格式：
最遥远的地方打一成语u=的取值可以为pairwi或complete，其中pairwi表⽰对缺失值执⾏成对删除，⽽complete表⽰对缺失值执⾏⾏删除；
轻率的意思是什么
参数method取值可为“pearson ”、“spearson”、“kendall”.
另外，在多元正态性的假设下，psych包中的st()函数可以⽤来检验在⼀个或多个额外变量时两个变量之间的条件独⽴性。
使⽤格式：
其中r是偏相关系数矩阵；
q为要控制的变量数u（以数值表⽰位置）；
n为样本⼤⼩。
实战
pearson检验
输⼊下⾯的命令实现检验：
三苏祠st(data $ x, data $ y,alternative = “two.sided”,method = “pearson”,conf.level = 0.95)
结果为：
Pearson's product-moment correlation
data: data $ x and data $ y
t =5.0618, df =98, p-value =1.946e-06
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.28425950.5981865
sample estimates:
cor
0.4552588
从中可以看出⼆者的相关性系数为0.4552588，检验p值为1.946e-06<0.05。故x和y是有相关性的，但相关性并不是太⼤。
kendall检验
输⼊下⾯的代码进⾏检验：
考古学家英文
结果为：
Kendall's rank correlation tau
data: data $ x and data $ y
z =4.572, p-value =4.83e-06
alternative hypothesis: true tau is not equal to 0
sample estimates:
tau
公司员工证明0.3110132
从中可以看出⼆者的相关性度量值为0.3110132，检验p值为4.83e-06<0.05。故x和y是有相关性的，但相关性也并不是太⼤。
spearman检验
输⼊下⾯的代码进⾏检验：
结果为：
Spearman's rank correlation rho
data: data $ x and data $ y
S =90673.21, p-value =1.874e-06
alternative hypothesis: true rho is not equal to 0
武汉最低工资sample estimates:
rho
0.4559064
从中可以看出⼆者的相关性度量值为0.4559064，检验p值为1.874e-06<0.05。故x和y是有相关性的，但相关性也并不是太⼤。
