典型相关分析R语言

相关性分析

gaom

在我们平时分析的时候，经常会遇到样品间的相关性检验分析，并以此判断对我们后续分析的影响。今天主要跟大家讨论一下简单的相关性分析以及结果展示。 利用的测试数据还是之前我们在geo数据库中随便找的一份表达谱数据。首先还是导入数据，进行简单分析，获取相关数值。

rm(list=ls())#先把我们的R清空一下

data<-read.table(file =\语言绘图\\\\相关性分析\\\\test_data.txt\,header = T,row.names =1,sep=\)#读取数据

cor(data,method =\)#方法可选pearson、kendall、spearman。 ## T01 T02 T03 T04 T05 T06 T07

## T01 1.0000000 0.9626878 0.9820587 0.9775637 0.9672888 0.9664156 0.9752635

## T02 0.9626878 1.0000000 0.9871793 0.9739935 0.9779155 0.9794141 0.9786400

## T03 0.9820587 0.9871793 1.0000000 0.9823576 0.9819684 0.9808063 0.9833352

##

相关分析的类型

典型相关分析：用于探究一组解释变量与一组反应变量时间的关系。

典型相关分析函数：cancor（x，y，xcenter=T，ycenter=T） x为第一组变量数据矩阵 y为第二组变量数据矩阵

xcenter表示第一组变量是否中心化 ycenter表示第二组变量是否中心化

自编典型相关函数：cancor.test（x，y，plot=T） x为第一组变量数据矩阵 y为第二组变量数据矩阵 plot为是否绘制典型相关图

例1：d11.1 生理指标与训练指标之间的典型相关性。 生理指标：体重（x1）、腰围（x2）、脉搏（x3）； 训练指标：引体向上次数（y1）、起坐次数（y2）、跳跃次数（y3）。

> X<-read.table(\ > R<-cor(X)

> R

x1 x2 x3 y1 y2 y3 x1 1.0000 0.8702 -0.36576 -0.3897 -0.4931 -0.22630 x2 0.8702 1.0000 -0.35289 -0.5522 -0.6456 -0.19150 x3 -0.3658 -0.3529 1.00000 0.1

#read data

data=read.csv("edited_life_history_data.csv")

head(data)

life.history <- read.csv("edited_life_history_data.csv")

dose <- factor(c("1 Gy", "2 Gy", "4 Gy", "5.5 Gy", "Sham"))

dose <- relevel(dose, "Sham")

head(life.history)

colnames(life.history)[1]="Group"

life.history$dose = relevel(life.history$Group,"Sham")

lh <- data.frame(life.history$Average.Egg.Size..LxW.,

life.history$Early.Life.Hatching.Success....hatche

#read data

data=read.csv("edited_life_history_data.csv")

head(data)

life.history <- read.csv("edited_life_history_data.csv")

dose <- factor(c("1 Gy", "2 Gy", "4 Gy", "5.5 Gy", "Sham"))

dose <- relevel(dose, "Sham")

head(life.history)

colnames(life.history)[1]="Group"

life.history$dose = relevel(life.history$Group,"Sham")

lh <- data.frame(life.history$Average.Egg.Size..LxW.,

life.history$Early.Life.Hatching.Success....hatche

R语言常用计量分析包

CRAN任务视图：计量经济学

线形回归模型（Linear regression models）

线形模型可用stats包中lm()函数通过OLS来拟合，该包中也有各种检验方法用来比较模型，如：summary() 和anova()。

lmtest包里的coeftest()和waldtest()函数是也支持渐近检验（如：z检验而不是检验，卡方检验而不是F检验）的类似函数。

car包里的linear.hypothesis()可检验更一般的线形假设。

HC和HAC协方差矩阵的这些功能可在sandwich包里实现。

car和lmtest包还提供了大量回归诊断和诊断检验的方法。

工具变量回归（两阶段最小二乘）由AER包中的ivreg()提供，其另外一个实现sem包中的tsls()。

微观计量经济学（Microeconometrics）

许多微观计量经济学模型属于广义线形模型，可由stats包的glm()函数拟合。包括用于选择类数据（choice data）的Logit和probit模型，用于计数类数据（count data）的poisson模型。这些模型回归元的值可用effects获得并可视化。

负二项广义线形模型

R语言判别分析实验报告

班级：应数1201 学号：12404108 姓名：麦琼辉

时间：2014年11月28号

1 实验目的及要求

1) 了解判别分析的目的和意义；

2) 熟悉R语言中有关判别分析的算法基础。

2 实验设备（环境）及要求

个人计算机一台，装有R语言以及RStudio并且带有MASS包。

3 实验内容

企业财务状况的判别分析

4 实验主要步骤

1) 数据管理：实验对21个破产的企业收集它们在前两年的财务数据，对25个

财务良好的企业也收集同一时期的数据。数据涉及四个变量：CF_TD（现金/总债务）；NI_TA（净收入/总资产）；CA_CL（流动资产/流动债务）；CA_NS（流动资产/净销售额），一个分组变量：企业现状（1：非破产企业，2：破产企业）。

2) 调入数据：对数据复制，然后在RStudio编辑器中执行如下命令。

case5=read.table(‘clipboard’,head=T) head(case5)

3) Fisher判别效果（等方差，线性判别lda）：采用Bayes方式，即先验概率

为样本例数，相关的RStudio程序命令如下所示。

library(MASS)

ld=lda(G~.,data=case5);ld

R语言常用计量分析包

CRAN任务视图：计量经济学

线形回归模型（Linear regression models）

线形模型可用stats包中lm()函数通过OLS来拟合，该包中也有各种检验方法用来比较模型，如：summary() 和anova()。

lmtest包里的coeftest()和waldtest()函数是也支持渐近检验（如：z检验而不是检验，卡方检验而不是F检验）的类似函数。

car包里的linear.hypothesis()可检验更一般的线形假设。

HC和HAC协方差矩阵的这些功能可在sandwich包里实现。

car和lmtest包还提供了大量回归诊断和诊断检验的方法。

工具变量回归（两阶段最小二乘）由AER包中的ivreg()提供，其另外一个实现sem包中的tsls()。

微观计量经济学（Microeconometrics）

许多微观计量经济学模型属于广义线形模型，可由stats包的glm()函数拟合。包括用于选择类数据（choice data）的Logit和probit模型，用于计数类数据（count data）的poisson模型。这些模型回归元的值可用effects获得并可视化。

负二项广义线形模型

R语言常用计量分析包

CRAN任务视图：计量经济学

线形回归模型（Linear regression models）

线形模型可用stats包中lm()函数通过OLS来拟合，该包中也有各种检验方法用来比较模型，如：summary() 和anova()。

lmtest包里的coeftest()和waldtest()函数是也支持渐近检验（如：z检验而不是检验，卡方检验而不是F检验）的类似函数。

car包里的linear.hypothesis()可检验更一般的线形假设。

HC和HAC协方差矩阵的这些功能可在sandwich包里实现。

car和lmtest包还提供了大量回归诊断和诊断检验的方法。

工具变量回归（两阶段最小二乘）由AER包中的ivreg()提供，其另外一个实现sem包中的tsls()。

微观计量经济学（Microeconometrics）

许多微观计量经济学模型属于广义线形模型，可由stats包的glm()函数拟合。包括用于选择类数据（choice data）的Logit和probit模型，用于计数类数据（count data）的poisson模型。这些模型回归元的值可用effects获得并可视化。

负二项广义线形模型

R语言主成分和因子分析

主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。

探索性因子分析（EFA）是一系列用来发现一组变量的潜在结构的方法，通过寻找一组更小 的、潜在的或隐藏的结构来解释已观测到的、变量间的关系。

1.R中的主成分和因子分析

R的基础安装包中提供了PCA和EFA的函数，分别为princomp （）和factanal（） psych包中有用的因子分析函数 函数 描述 principal（） 含多种可选的方差放置方法的主成分分析 fa（） 可用主轴、最小残差、加权最小平方或最大似然法估计的因子分析 fa.parallel（） 含平等分析的碎石图 factor.plot（） 绘制因子分析或主成分分析的结果 fa.diagram（） 绘制因子分析或主成分分析的载荷矩阵 scree（） 因子分析和主成分分析的碎石图 PCA/EFA 分析流程： （1）数据预处理；PCA和EFA都是根据观测变量间的相关性来推导结果。用户可以输入原始数据矩阵或相关系数矩阵列到principal()和fa（）函数中，若输出初始结果，相关系数矩阵将会被自动计算，在计算前请确保数据中没有缺失值；

（2

实验五数据结构（向量、因子、列表）

实验目的：

1.熟悉R中数据基本结构特点及使用方法 2.熟悉R中向量的编辑方法 3.熟悉R中因子的设置方法 4.熟悉R中列表的编辑方法

实验要求：完成每个实验内容的同时，在每题后面附上程序代码。要求独立完成。

实验内容：

一、编写一个函数，具有如下功能： 1.输入参数为一个向量或者数据框

2.计算向量（或数据框中的列向量）的均值、方差、标准差、中位数 3.计算向量（或数据框中的列向量）的标准化得分

4.将2与3中的计算结果存储到一个列表中作为函数返回对象 > f<-function(x){ + mean<-mean(x) + var<-var(x) + sd<-sd(x)

+ median<-median(x) + m<-(x-mean(x))/sd(x)

+ j<-list(f.mean=mean,f.var=var,f.sd=sd,f.median=median,f.m=m) + j + }

二、有三组学生使用了不同的数学辅导教材，期末考试成绩如下。问这三组学生的成绩有无显著差异？（使用stack函数将三组向量合并成一个向量以及一个平行因子，然后使用aov函数或者oneway.test函数进行方差分析。）

99 88 99 89 94 90 第一组

55 50 67 67 56 56 第二组

79 56 89 99 70 89 第三组

> x1<-c(99,88,99,89,94,90) > x2<-c(55,50,67,67,56,56) > x3<-c(79,56,89,99,70,89) > f<-stac