1、关键点
#典型相关分析#
#典型相关分析是用于分析两组随机变量之间的相关程度的一种统计方法，它能够有效地揭示两组随机变量之间的相互（线性依赖）关系
#例如 研究生入学考试成绩与本科阶段一些主要课程成绩的相关性
#将研究两组变量的相关性问题转化为研究两个变量的相关性问题 此类相关为典型相关#
#总体典型相关
#样本典型相关
#典型相关计算 cancor(x,y,xcenter=TRUE,ycenter=TRUE)
#x,y是相应的数据矩阵 xcenter，ycenter是逻辑变量 TRUE是将数据中心化 FALSE是不中心化
2、典型相关分析的简单步骤：
#1.载入原始数据
#2.原始数据标准化 scale
#3.典型相关分析
3、案例分析
#现对20名中年人测得三个生理指标：体重(X1) 腰围(X2) 脉搏(X3)
#三个训练指标:引体向上(Y1) 起座次数(Y2) 跳跃次数(Y3) 试分析这组数据的相关性
#用数据框的形式输入数据 test<-data.frame( X1=c(191, 193, 189, 211, 176, 169, 154, 193, 176, 156, 189, 162, 182, 167, 154, 166, 247, 202, 157, 138), X2=c(36, 38, 35, 38, 31, 34, 34, 36, 37, 33, 37, 35, 36, 34, 33, 33, 46, 37, 32, 33), X3=c(50, 58, 46, 56, 74, 50, 64, 46, 54, 54, 52, 62, 56, 60, 56, 52, 50, 62, 52, 68), Y1=c( 5, 12, 13, 8, 15, 17, 14, 6, 4, 15, 2, 12, 4, 6, 17, 13, 1, 12, 11, 2), Y2=c(162, 101, 155, 101, 200, 120, 215, 70, 60, 225, 110, 105, 101, 125, 251, 210, 50, 210, 230, 110), Y3=c(60, 101, 58, 38, 40, 38, 105, 31, 25, 73, 60, 37, 42, 40, 250, 115, 50, 120, 80, 43) ) #为了消除数量级的影响 将数据标准化处理 调用scale函数 test<-scale(test) #对标准化的数据做典型相关分析 ca<-cancor(test[,1:3],test[,4:6]) #查看分析结果 ca
#计算数据在典型变量下的得分 U=AX V=BY U<-as.matrix(test[, 1:3])%*% ca$xcoef V<-as.matrix(test[, 4:6])%*% ca$ycoef #画出U1、V1和U3、V3为组表的数据散点图 plot(U[,1], V[,1], xlab="U1", ylab="V1") plot(U[,3], V[,3], xlab="U3", ylab="V3"
由散点图可知 第一典型相关变量分布在一条直线附近 ；第三典型相关变量数据很分散。
#典型相关系数的显著性检验
#作为相关分析的目的 就是选择多少对典型变量？因此需要做典型相关系数的显著性检验
#若认为相关系数k为0 就没有必要考虑第k对典型变量了
#相关系数检验R程序 source("E:/R/corcoef.test.R") corcoef.test(r=ca$cor,n=20,p=3,q=3)
最终程序运行结果显示选择第一对典型相关变量。
orcoef.test<-function(r, n, p, q, alpha=0.1){ #r为相关系数 n为样本个数 且n>p+q m<-length(r); Q<-rep(0, m); lambda <- 1 for (k in m:1){ lambda<-lambda*(1-r[k]^2); #检验统计量 Q[k]<- -log(lambda) #检验统计量取对数 } s<-0; i<-m for (k in 1:m){ Q[k]<- (n-k+1-1/2*(p+q+3)+s)*Q[k] #统计量 chi<-1-pchisq(Q[k], (p-k+1)*(q-k+1)) if (chi>alpha){ i<-k-1; break } s<-s+1/r[k]^2 } i #显示输出结果 选用第几对典型变量 }
典型相关系数检验 R语言程序 corcoef.test.R 将其保存在计算机的E盘的R文件夹下
请发表评论