R语言相关性分析

Posted 2023-05-04

参考技术A 1.  R语言自带函数cor(data, method=" ")可以快速计算出相关系数 ，数据类型：data.frame

 如data.frame为：zz, 绘图如下：

a. single protein：线性回归画法

1. ggplot(zz,aes(x=a, y=HDL))+

   geom_point(alpha=1,colour="#FFA54F")+

   geom_smooth(method = lm,colour="#8B658B")+

   #scale_color_brewer(palette = "Set1")+

   theme_bw()+

   labs(x="Ferritin",y="HDL.C",title="Pearson’s correlation test of ferritin and HDL.C")+

   annotate("text", x = 1000, y = 2.5, label = "r = -0.51",colour="black",size=4)

2. library(ggstatsplot)

 ggscatterstats(data = alldata,

               y = TRANSFUSION.UNIT,

                x = NPTXR,

                centrality.para = "mean",  #"mean" or "median"                         

               margins = "both",                                       

                xfill = "#D8BFD8",

                yfill = "#EEDD82",

                #line.size= ,

                line.color="#8B6969",

               point.color="#2F4F4F",

                marginal.size=4,

               marginal.type = "density", # "histogram", "boxplot", "density", "violin", "densigram")

                title = "Relationship between TRANSFUSION.UNIT and NPTXR")

b. ggcorrplot, 全部蛋白 global correlation map 画法

ggcorrplot(cor(alldata))

2.  summary(lm(y~x),method=" ") %>%.[["coefficients"]]   正规线性回归

     (其实就是：a<-lm(y~x1+x2+...,data)

      plot(summary(lm(y~x),method=" ")) #绘图

3.  ggcor部分数据绘图:  数据类型为data.frame，纵坐标为各指标or各蛋白，行为观测值。

data <- fortify_cor(alldata[,10:11],alldata,cluster.type = "col")

ggcor<-ggcor(data,label_size=0.5) +

  geom_colour()+

  theme(axis.text.x = element_text(colour = "black",size = 4.7),

                                                        axis.text.y=element_text(size=5.5),

                                                        axis.ticks=element_blank())+

  geom_num(aes(num=r),colour="black",size=1.5)

4. corrr包画法

datasets::mtcars %>%

  correlate() %>%

  focus(-cyl, -vs, mirror = TRUE) %>%

  rearrange() %>%

  network_plot(min_cor = .2)

拓端tecdat|R语言代码编写相关分析和稳健线性回归分析

R语言相关分析和稳健线性回归分析

目录

​​怎么做测试​​

​​功率分析​​

---

介绍

下面以物种多样性为例子展示了如何在R语言中进行相关分析和线性回归分析。

 

怎么做测试

相关和线性回归示例

 

Data = read.table(textConnection(Input),header=TRUE)

 

数据简单图

                                                                      

plot(Species ~ Latitude, 
     data=Data, 
     pch=16,
     xlab = "Latitude", 
     ylab = "Species")

 

 

相关性

可以使用 cor.test函数。它可以执行Pearson，Kendall和Spearman相关。

 

皮尔逊相关

皮尔逊相关是最常见的相关形式。假设数据是线性相关的，并且残差呈正态分布。

 

cor.test( ~ Species + Latitude, 
         data=Data,
         method = "pearson",
         conf.level = 0.95)



Pearsons product-moment correlation



t = -2.0225, df = 15, p-value = 0.06134



       cor

-0.4628844

 

 

肯德尔相关

肯德尔秩相关是一种非参数检验，它不假设数据的分布或数据是线性相关的。它对数据进行排名以确定相关程度。

 

 

cor.test( ~ Species + Latitude, 
         data=Data,
         method = "kendall",
         continuity = FALSE,
         conf.level = 0.95)

 

Kendalls rank correlation tau

 

z = -1.3234, p-value = 0.1857

 

       tau

-0.2388326

 

 

 

斯皮尔曼相关

Spearman等级相关性是一种非参数检验，它不假设数据的分布或数据是线性相关的。它对数据进行排序以确定相关程度，并且适合于顺序测量。

 

 

 

 

 

线性回归

线性回归可以使用 lm函数执行。可以使用lmrob函数执行稳健回归。

 

summary(model)                    # shows parameter estimates,
                                  # p-value for model, r-square

 

            Estimate Std. Error t value Pr(>|t|) 

(Intercept)  585.145    230.024   2.544   0.0225 *

Latitude     -12.039      5.953  -2.022   0.0613 .

 

Multiple R-squared:  0.2143,  Adjusted R-squared:  0.1619

F-statistic:  4.09 on 1 and 15 DF,  p-value: 0.06134

 

 



Response: Species

          Sum Sq Df F value  Pr(>F) 

Latitude  1096.6  1  4.0903 0.06134 .

Residuals 4021.4 15

 

 

 

绘制线性回归

 

plot(Species ~ Latitude,
     data = Data,
     pch=16,
     xlab = "Latitude", 
     ylab = "Species")

abline(int, slope,
       lty=1, lwd=2, col="blue")     #  style and color of line

 

 

检查模型的假设

 

 

线性模型中残差的直方图。这些残差的分布应近似正态。

 

 

 

 

残差与预测值的关系图。残差应无偏且均等。 

 

 

 

稳健回归

该线性回归对响应变量中的异常值不敏感。

 

 

summary(model)                    # shows parameter estimates, r-square

 

            Estimate Std. Error t value Pr(>|t|) 

(Intercept)  568.830    230.203   2.471   0.0259 *

Latitude     -11.619      5.912  -1.966   0.0681 .

 

Multiple R-squared:  0.1846,  Adjusted R-squared:  0.1302

 

 
                   
anova(model, model.null)         # shows p-value for model

 

  pseudoDf Test.Stat Df Pr(>chisq) 

1       15                         

2       16    3.8634  1    0.04935 *

 

 

 

绘制模型

 

 

 

 

线性回归示例

 

 

summary(model)                    # shows parameter estimates, 
                                  # p-value for model, r-square

 

Coefficients:

            Estimate Std. Error t value Pr(>|t|)  

(Intercept)  12.6890     4.2009   3.021   0.0056 **

Weight        1.6017     0.6176   2.593   0.0154 *

 

Multiple R-squared:  0.2055,  Adjusted R-squared:  0.175

F-statistic: 6.726 on 1 and 26 DF,  p-value: 0.0154

 

###  Neither the r-squared nor the p-value agrees with what is reported

###    in the Handbook.

 

 

library(car)

Anova(model, type="II")           # shows p-value for effects in model

 

          Sum Sq Df F value Pr(>F) 

Weight     93.89  1  6.7258 0.0154 *

Residuals 362.96 26  

 

#     #     #

 

 

功率分析

功率分析的相关性

 

### --------------------------------------------------------------
### Power analysis, correlation
### --------------------------------------------------------------

pwr.r.test()

 

     approximate correlation power calculation (arctangh transformation)

 

              n = 28.87376

 

如果您有任何疑问，请在下面发表评论。