[英]Multiple correlation coefficient in R
我正在尋找一種方法來計算R http://en.wikipedia.org/wiki/Multiple_correlation中的多重相關系數,是否有內置函數來計算它? 我有一個因變量和三個獨立變量。 我無法在網上找到它,任何想法?
內置函數lm
提供至少一個版本,不確定這是否是您正在尋找的:
fit <- lm(yield ~ N + P + K, data = npk)
summary(fit)
得到:
Call:
lm(formula = yield ~ N + P + K, data = npk)
Residuals:
Min 1Q Median 3Q Max
-9.2667 -3.6542 0.7083 3.4792 9.3333
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 54.650 2.205 24.784 <2e-16 ***
N1 5.617 2.205 2.547 0.0192 *
P1 -1.183 2.205 -0.537 0.5974
K1 -3.983 2.205 -1.806 0.0859 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.401 on 20 degrees of freedom
Multiple R-squared: 0.3342, Adjusted R-squared: 0.2343
F-statistic: 3.346 on 3 and 20 DF, p-value: 0.0397
關於正在發生什么的更多信息?summary.lm
和?lm
。
嘗試這個:
# load sample data
data(mtcars)
# calculate correlation coefficient between all variables in `mtcars` using
# the inbulit function
M <- cor(mtcars)
# M is a matrix of correlation coefficient which you can display just by
# running
print(M)
# If you want to plot the correlation coefficient
library(corrplot)
corrplot(M, method="number",type= "lower",insig = "blank", number.cex = 0.6)
計算多重相關系數的最簡單方法(即一方面兩個或多個變量之間的相關性,另一方面另一個變量之間的相關性)是創建一個多元線性回歸(預測一個變量的值被視為依賴於值將兩個或多個變量視為獨立的,然后計算因變量的預測值和觀測值之間的相關系數。
例如,我們使用內置的mtcars
數據集創建一個名為mpg.model
的線性模型,其中mpg
作為因變量, wt
和cyl
作為自變量:
> mpg.model <- lm(mpg ~ wt + cyl, data = mtcars)
創建上述模型后,我們將mpg
的觀察值(嵌入在對象中,在model
數據框內)與相同變量(也嵌入)的預測值相關聯:
> cor(mpg.model$model$mpg, mpg.model$fitted.values)
[1] 0.9111681
R實際上會為你做這個計算,但沒有告訴你,當你要求它創建一個模型的摘要時(如Brian的答案): lm
對象的摘要包含R平方,這是方形的相關系數。 因此,獲得相同結果的另一種方法是從summary.lm
對象中提取R平方並獲取它的平方根,因此:
> sqrt(summary(mpg.model)$r.squared)
[1] 0.9111681
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.