correl函数相关系数⼤⼩意义_【R语⾔】相关性分析、相关系 本篇⽂章介绍基于R语⾔的相关性分析、相关系数的显著性检验及可视化，该教程为个⼈笔记，⼤家也可参考学习，不⾜之处也欢迎⼤家批评指正！
相关性分析⽤于评估两个或多个变量之间的关联，能通过定量指标描述变量之间的强弱、直接或间接联系。相关系数是对变量之间的相关程度的定量描述，相关系数值介于-1~1之间，越接近0相关性越低，越接近-1或1相关性越⾼；正负号表明相关⽅向，正号为正相关、负号为负相关。当数据呈正态分布时，才可以使⽤相关性分析。可以使⽤Shapiro-Wilk test进⾏检查数据是否满⾜正态分布。 该案例中⽰例数据包含多样性(diversity)、⽣物量(biomass)、产量(yield)和种植密度(density)四个指标(单位请⾃动忽略，数据仅作为⽰例使⽤)。
⼀、常见的变量间相关系数
1、Pearson相关系数：Pearson相关系数是⽤于表⽰相关性⼤⼩的最常⽤指标，适⽤于两个正态分布的连续变量。
2、Spearman等级相关系数：⼜称为秩相关系数，利⽤两变量的秩次⼤⼩来进⾏分析，属于⾮参数统计⽅法。适⽤于不满⾜Pearson相关系数正态分布要求的连续变量，也可以⽤于有序分类变量的之间的相关性测量。
3、Kendall's Tau相关系数：Kendall's Tau相关系数是⼀种⾮参数检验。适⽤于两个有序分类变量。
裂隙水4、偏相关：当要进⾏相关性分析的两个变量其取值受到其他变量影响时，可以利⽤偏相关分析对其他变量进⾏控制，在控制其他变量基础之上进⾏这两个变量之间相关性分析。适⽤于考虑第三⽅影响的两个变量之间的相关性分析。
⼆、R语⾔的实现
极速互联
1、Pearson、Kendall、Spearman相关
##读⼊数据df##查看数据df
##正态分布检验st(df$st(df$st(df$st(df$density)
结果符合正态分布
##计算列与列之间的协⽅差cov(df)聚乙烯
##计算列与列之间的相关系数，默认的⽅法为pearsoncor(df)
水晶报表
##计算列与列之间的pearson、kendall、spearman相关系数cor(df, method = "pearson")cor(df, method = "kendall")cor(df, method = "spearman")
t66手机
2、偏相关
偏相关是指在控制⼀个或多个定量变量时，另外两个定量变量之间的相互关系。
##使⽤ggm包的pcor()函数library(ggm)##控制yield(第三列)时，计算diversity(第⼀列)和biomass(第⼆列)的偏相关系数##前两个数值表⽰要计算相关系数的变量，其余
3、相关系数的显著性检验
##相关性的显著性检验(pearson、kendall、spearman相关系数)##计算好相关矩阵后，对其进⾏显著性检验，可以使⽤st()函数和psych包的st()函数##co
##psych包的st()函数可以检验相关系数矩阵library("psych")cor##查看相关系数rcor$r##查看相关系数的显著性检验结果pcor$p
4、可视化
4.1 corrplot包
##使⽤ corrplot() 函数实现可视化library(corrplot)##默认图corrplot(cor$r, p.mat = cor$p, insig = 'label_sig', sig.level = c(.001, .01, .05), = 1.5)
鄞州区*** p<0.001; ** p<0.01; * p<0.05, the same below.
##作图并加上显著性(上半部分)corrplot(cor$r, p.mat = cor$l = "black",method = "circle",type = "upper",tl.pos = "d",order="AOE", insig = 'label_sig', sig.le
#设置颜⾊，颠倒系统默认的颜⾊color"#053061", "#FFFFFF","#FDDBC7","#F4A582","#D6604D","#B2182B","#67001F"))
###颠倒系统默认的颜⾊(红蓝⾊互换位置)corrplot(cor$r, p.mat = cor$l = "black",method = "circle",order="AOE",type = "upper",tl.pos = "d",col = color(500),
4.2 PerformanceAnalytice包
#加载PerformanceAnalytics包library(PerformanceAnalytics)chart.Correlation(cor$r)
