“用R进行相关分析”的版本间的差异
来自OBHRM百科
Lichaoping（讨论 | 贡献） |
Lichaoping（讨论 | 贡献） （→结果整理） |
||
| 第41行： | 第41行： | ||
tempR[upper.tri(tempR, diag =T)]<-"" # 将相关系数矩阵上半角和对角线赋值为空白，即"" | tempR[upper.tri(tempR, diag =T)]<-"" # 将相关系数矩阵上半角和对角线赋值为空白，即"" | ||
| − | library(gtools) # | + | library(gtools) # 启用gtools |
tempP<-cor.result$p # 从cor.result提取p值 | tempP<-cor.result$p # 从cor.result提取p值 | ||
tempP<-gtools::stars.pval(tempP) # 根据p值，转换为相应的星号（*） | tempP<-gtools::stars.pval(tempP) # 根据p值，转换为相应的星号（*） | ||
| 第49行： | 第49行： | ||
| − | m_sd<-round(psych::describe(epi)[3:4],digits) # 计算平均值和标准差。其中的3: | + | m_sd<-round(psych::describe(epi)[3:4],digits) # 计算平均值和标准差。其中的3:4是只保留平均值和标准差两列 |
m_sd$names<-rownames(m_sd) # 新增一列，命名为names，从rownames提取names的值 | m_sd$names<-rownames(m_sd) # 新增一列，命名为names，从rownames提取names的值 | ||
2022年6月21日 (二) 08:56的版本
脚本与注释
datafilename <- "http://personality-project.org/r/datasets/maps.mixx.epi.bfi.data" # 指定文件名与路径 mydata <- read.table(datafilename,header=TRUE) # 读取数据到mydata attach(mydata) # 激活mydata library(psych) # 启用psych包 epi <- data.frame(epiE ,epiS ,epiImp ,epilie ,epiNeur) # 从mydata中提取数据子集，只包括要分析的变量 corr.test(epi) # 相关分析
结果
> corr.test(epi)
Call:corr.test(x = epi)
Correlation matrix # 相关分析的结果，可以复制到WORD，然后文字转换成表格
epiE epiS epiImp epilie epiNeur
epiE 1.00 0.85 0.80 -0.22 -0.18
epiS 0.85 1.00 0.43 -0.05 -0.22
epiImp 0.80 0.43 1.00 -0.24 -0.07
epilie -0.22 -0.05 -0.24 1.00 -0.25
epiNeur -0.18 -0.22 -0.07 -0.25 1.00
Sample Size
[1] 231
Probability values (Entries above the diagonal are adjusted for multiple tests.)
epiE epiS epiImp epilie epiNeur
epiE 0.00 0.00 0.00 0.00 0.02
epiS 0.00 0.00 0.00 0.53 0.00
epiImp 0.00 0.00 0.00 0.00 0.53
epilie 0.00 0.43 0.00 0.00 0.00
epiNeur 0.01 0.00 0.26 0.00 0.00
To see confidence intervals of the correlations, print with the short=FALSE option
结果整理
用R不仅可以完成统计分析，而且可以将统计分析的结果以自己想用的方式输出。在OBHRM研究中，描述性统计一般需要报告：平均值、标准差和相关系数，相关系数还需要标上显著性。下面我们来看，如何汇总得到这些结果。
cor.result<-corr.test(epi) # 将相关分析的结果保存为cor.result digits<-3 # 设定所有数据显示为3位小数 tempR<-cor.result$r # 从cor.result提取相关系数 tempR<-formatC(tempR,format='f', digits) # 将所有相关系数调整为3位小数 tempR[upper.tri(tempR, diag =T)]<-"" # 将相关系数矩阵上半角和对角线赋值为空白，即"" library(gtools) # 启用gtools tempP<-cor.result$p # 从cor.result提取p值 tempP<-gtools::stars.pval(tempP) # 根据p值，转换为相应的星号（*） tempP[upper.tri(tempP, diag =T)]<-"" # 将p值矩阵上半角和对角线赋值为空白，即"" result<-as.data.frame(matrix(paste(tempR,tempP,sep=""),nrow=nrow(tempR), dimnames=dimnames(tempR))) # 合并相关系数矩阵和p值矩阵（已根据p值调整为星号） m_sd<-round(psych::describe(epi)[3:4],digits) # 计算平均值和标准差。其中的3:4是只保留平均值和标准差两列 m_sd$names<-rownames(m_sd) # 新增一列，命名为names，从rownames提取names的值 m_sd<-m_sd[,c(3,1,2)] # 调整顺序，将names放在第1列 result<-cbind(m_sd,result) # 合并平均值、标准差和相关系数矩阵（已经根据p值标上星号），得到result，可以输出到csv或excel文件
