主要内容

partialcorr

线性或秩偏相关系数

所有的页面崩溃

语法

ρ= partialcorr (x)
ρ= partialcorr (x, z)
ρ= partialcorr (x, y, z)
ρ= partialcorr (___、名称、值)
(ρ,pval) = partialcorr (___)

描述

例子

ρ= partialcorr (x)返回示例线性双变量之间的偏相关系数x,剩余的变量控制x。

例子

ρ= partialcorr (x,z)返回示例线性双变量之间的偏相关系数x,控制变量z。

例子

ρ= partialcorr (x,y,z)返回示例线性双变量之间的偏相关系数x和y,控制变量z。

例子

ρ= partialcorr (___,名称,值)返回样本线性偏相关系数与附加选项指定一个或多个名称-值对的观点,从任何以前的语法使用输入参数。例如,您可以指定是否使用皮尔逊或枪兵部分相关性,或指定如何处理缺失值。

例子

(ρ,pval)= partialcorr (___)还返回一个矩阵pval的p值测试的假设不偏相关的一个——或者双向选择,是一个非零偏相关。

例子

全部折叠

打开生活的脚本

计算偏相关系数对变量之间的输入矩阵。

加载示例数据。转换的性别hospital.Sex数字组标识符。

负载医院;hospital.SexID = grp2idx(hospital.Sex);

创建一个包含示例数据的输入矩阵。

x =[医院。年代exID hospital.Age hospital.Smoker hospital.Weight];

在每一行x包含一个病人的性别、年龄、吸烟状况、和重量。

计算部分对变量之间的相关系数x,而控制剩余的变量的影响x。

ρ= partialcorr (x)
ρ=4×41.0000 -0.0105 0.0273 0.9421 -0.0105 1.0000 0.0419 0.0369 0.0273 0.0419 1.0000 0.0451 0.9421 0.0369 0.0451 1.0000

矩阵ρ例如,表明性别和体重之间的相关性为0.9421在控制了其他变量x。你可以返回 p 值作为第二输出,并检查确认是否这些相关性显著。

更清晰的显示,以适当的变量和行标签创建一个表。

ρ= array2table(ρ,…“VariableNames”,{“SexID”,“年龄”,“抽烟”,“重量”},…“RowNames”,{“SexID”,“年龄”,“抽烟”,“重量”});disp (的偏相关系数)
偏相关系数
disp(ρ)
SexID年龄吸烟者体重说说SexID 1岁-0.01052 0.027324 0.9421 -0.01052 0.045106 0.027324 - 0.041945 0.041945 - 0.036873吸烟者1重量0.9421 0.036873 0.045106 1
打开生活的脚本

测试部分的变量之间的相关性对输入矩阵,同时控制了第二组变量的影响。

加载示例数据。转换的性别hospital.Sex数字组标识符。

负载医院;hospital.SexID = grp2idx(hospital.Sex);

创建两个矩阵包含样例数据。

x =[医院。时代的医院。血压]; z = [hospital.SexID hospital.Smoker hospital.Weight];

的x矩阵中包含的变量为偏相关测试。的z矩阵包含了变量来控制。的测量血压两列中包含:第一列包含上部(收缩压)号码,第二列包含较低(舒张压)号码。partialcorr对待每一列作为一个独立的变量。

测试部分对变量之间的相关性x,而控制变量的影响z。计算相关系数。

(ρ,pval) = partialcorr (x, z)
ρ=3×31.0000 0.1300 0.0462 0.1300 1.0000 0.0012 0.0462 0.0012 1.0000
pval =3×30 0 0.2044 0.6532 0.2044 0.9903 0.6532 0.9903 0

大值pval表明之间没有显著相关性要么年龄和血压测量在控制了性别、吸烟状况、和重量。

清晰的展示,以适当的变量创建表和行标签。

ρ= array2table(ρ,…“VariableNames”,{“年龄”,“BPTop”,“BPBottom”},…“RowNames”,{“年龄”,“BPTop”,“BPBottom”});pval = array2table (pval,…“VariableNames”,{“年龄”,“BPTop”,“BPBottom”},…“RowNames”,{“年龄”,“BPTop”,“BPBottom”});disp (的偏相关系数)
偏相关系数
disp(ρ)
年龄BPTop BPBottom ________替年龄1 0.13 0.046202 0.13 BPTop 1 0.0012475 BPBottom 0.046202 - 0.0012475 1
disp (“假定值”)
假定值
disp (pval)
____ ____年龄BPTop BPBottom ________年龄0 0.20438 0.65316 BPTop 0.20438 0 0.99032 BPBottom 0.65316 - 0.99032 0
打开生活的脚本

测试部分对变量之间的相关性x和y输入矩阵,同时控制第三个变量的影响。

加载示例数据。转换的性别hospital.Sex数字组标识符。

负载医院;hospital.SexID = grp2idx(hospital.Sex);

创建三个矩阵包含样例数据。

x = [hospital.BloodPressure];y =[医院。体重hospital.Age];z =[医院。年代exID hospital.Smoker];

partialcorr可以测试之间的偏相关变量的对吗x(收缩压和舒张压的测量)y(体重和年龄),而控制变量z(性别和吸烟状况)。的测量血压两列中包含:第一列包含上部(收缩压)号码,第二列包含较低(舒张压)号码。partialcorr对待每一列作为一个独立的变量。

测试部分对变量之间的相关性x和y,而控制变量的影响z。计算相关系数。

(ρ,pval] = partialcorr (x, y, z)
ρ=2×2-0.0257 0.1289 0.0292 0.0472
pval =2×20.8018 0.2058 0.7756 0.6442

的结果pval表明,在控制了性别和吸烟状况,之间没有显著相关性的病人的血压测量病人的体重或年龄。

清晰的展示,以适当的变量创建表和行标签。

ρ= array2table(ρ,…“RowNames”,{“BPTop”,“BPBottom”},…“VariableNames”,{“重量”,“年龄”});pval = array2table (pval,…“RowNames”,{“BPTop”,“BPBottom”},…“VariableNames”,{“重量”,“年龄”});disp (的偏相关系数)
偏相关系数
disp(ρ)
体重年龄说BPTop -0.02568 0.12893 BPBottom 0.029168 - 0.047226
disp (“假定值”)
假定值
disp (pval)
体重年龄_________ BPTop 0.80182 - 0.2058 BPBottom 0.77556 - 0.64424
打开生活的脚本

测试变量的假设对没有相关性,对备择假设,相关性大于0。

加载示例数据。转换的性别hospital.Sex数字组标识符。

负载医院;hospital.SexID = grp2idx(hospital.Sex);

创建三个矩阵包含样例数据。

x = [hospital.BloodPressure];y =[医院。体重hospital.Age];z =[医院。年代exID hospital.Smoker];

partialcorr可以测试之间的偏相关变量的对吗x(收缩压和舒张压的测量)y(体重和年龄),而控制变量z(性别和吸烟状况)。的测量血压两列中包含:第一列包含上部(收缩压)号码,第二列包含较低(舒张压)号码。partialcorr对待每一列作为一个独立的变量。

使用right-tailed测试计算相关系数。

(ρ,pval) = partialcorr (x, y, z,“尾巴”,“对”)
ρ=2×2-0.0257 0.1289 0.0292 0.0472
pval =2×20.5991 0.1029 0.3878 0.3221

的结果pval表明,partialcorr不拒绝零假设的变量之间的非零相关性x和y后,控制变量z当备择假设是相关性大于0。

清晰的展示,以适当的变量创建表和行标签。

ρ= array2table(ρ,…“RowNames”,{“BPTop”,“BPBottom”},…“VariableNames”,{“重量”,“年龄”});pval = array2table (pval,…“RowNames”,{“BPTop”,“BPBottom”},…“VariableNames”,{“重量”,“年龄”});disp (的偏相关系数)
偏相关系数
disp(ρ)
体重年龄说BPTop -0.02568 0.12893 BPBottom 0.029168 - 0.047226
disp (“假定值”)
假定值
disp (pval)
体重年龄_________ BPTop 0.59909 - 0.1029 BPBottom 0.38778 - 0.32212

输入参数

全部折叠

数据矩阵,作为指定n——- - - - - -px矩阵。的行x对应于观测,列对应的变量。

数据类型:单|双

数据矩阵,作为指定n——- - - - - -py矩阵。的行y对应于观测,列对应的变量。

数据类型:单|双

数据矩阵,作为指定n——- - - - - -pz矩阵。的行z对应于观测,列对应变量。

数据类型:单|双

名称-值对的观点

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

例子:“类型”、“枪兵”,“行”,“完成”计算枪兵只使用部分相关性的数据行不包含缺失值。

类型的局部相关性计算,指定为逗号分隔组成的“类型”和一个以下。

皮尔森的 计算皮尔逊(线性)部分的相关性。
“枪兵” 计算枪兵(排名)部分的相关性。

例子:“类型”,“枪兵”

行计算,使用指定为逗号分隔组成的“行”和一个以下。

“所有” 使用输入的所有行不管缺失的值(南年代)。
“完成” 只使用输入没有缺失值的行。
“成对” 计算ρ(i, j)使用行没有缺失值的列我或j。

例子:“行”,“完成”

备择假设测试,指定为逗号分隔组成的“尾巴”和一个以下。

“两个” 测试相关的备择假设不是0。
“对” 测试备择假设相关性大于0。
“左” 测试相关的备择假设小于0。

例子:“尾巴”,“对”

输出参数

全部折叠

样本线性偏相关系数,作为一个矩阵返回。

  • 如果你输入只有一个x矩阵,ρ是一个对称的px——- - - - - -px矩阵。(我,j)th条目示例之间的线性偏相关我th和jth列x。

  • 如果你输入x和z矩阵,ρ是一个对称的px——- - - - - -px矩阵。(我,j)th条目示例之间的线性偏相关我th和jth列x控制变量z。

  • 如果你输入x,y,z矩阵,ρ是一个px——- - - - - -py矩阵,(我,j)th条目示例之间的线性偏相关我th列x和jth列y控制变量z。

的协方差矩阵[x, z]是

年代 = ( 年代 x x 年代 x z 年代 x z T 年代 z z ) ,

的偏相关矩阵x,控制了z,可以定义正式作为一个标准化的协方差矩阵:年代xx- (年代xz年代zz1年代xzT)。

p值,返回一个矩阵。的每个元素pval是p对应元素的值ρ。

如果pval (i, j)很小,那么相应的偏相关吗ρ(i, j)统计上显著不同于0。

partialcorr计算p线性和等级值部分使用学生的相关性t分布相关的转换。这是准确的线性偏相关时x和z是正常的,但是是一个大样本近似。

引用

斯图尔特[1],艾伦·k·奥德,阿诺德。肯德尔的先进的统计理论。第六版,卷2,28章,威利,2004年。

[2]费舍尔,罗纳德·A。偏相关系数的分布。密特隆3 (1924):329 - 332

另请参阅

|||

之前介绍过的R2006a

统计和机器学习工具箱文档

金宝app

试着用MATLAB仿真软金宝app件,和其他产品下载188bet金宝搏

得到审判现在