二维列联表适合进行双变量分析的统计表吗

Posted 2023-03-15

二维列联表

如果是二维列联表，那么结构就稍有不同了，我们来看下面这个例子。
mytable <- xtabs(~ Treatment+Improved, data=Arthritis) mytable margin.table(mytable, 1) prop.table(mytable, 1) margin.table(mytable, 2) prop.table(mytable, 2) prop.table(mytable)
显示的结果如下：
一般使用xtabs()来表示二维列联表，二维列联表相当于对其中两个变量进行分类统计和。比如说治疗情况是Treated，是否改善是None的样本数是13个。
简单解释一下代码：
xtabs()有两个参数，第一个参数的结构是~A+B，表示需要进行交叉分类的两个变量。其中第一个变量展示在列，第二个变量展示在行。第二个参数是数据源。
margin.table()是展现边际数据的。第一个参数是数据源，第二个参数是表示行列的，1表示按照列的类别统计和，2表示按照行的类别统计和。比方说第三行那一行代码的第二个参数是1，这就表示按照治疗情况（列上的treatment）来统计和，所以就展现了treatment的两种类别的样本个数。
prop.table()是把频数转为比例的，但是这里多了第二个参数，和上面是一样的含义。比如说第四行代码的第二个参数是1，这就表示固定（列上的treatment），以是否改善（Improved）为标记来进行比例统计，这就使得每一行的每一个单元的比例之和一定为1。
最后一行没有第二个参数，所以它表示各单元格所占的比例。反过来说，所有的单元格的比例之和一定为1。
最后，二维列联表还有一种创建方法是CrossTable()，具体的用法如下。
library(gmodels) CrossTable(Arthritis$Treatment, Arthritis$Improved)
显示的结果如下：
不过这样展示的数据会很多，而且一下子看对应会有些累。只能说各有好处了。别忘了导入gmodels包哦。 参考技术A 指同时依据两个变量的值，将所研究的个案分类。交互分类的目的是将两变量分组，然后比较个组的分布状况，以寻找变量间的关系 是指一种对变量间关系的测定，简称PRE。假设在不知道x的情况下，对y进行预测的全部误差是E1，在知道x的情况下，由x预测或解释y的总误差为E2，则由x预测或解释掉y的误差为E1-E2，消减误差比例PRE=（E1-E2）/E1。PRE越大，表示以x预测或解释y时所减少的误差越多，即x与y的关系越强。换言之，PRE的值表示的是用一个社会现象（x）来解释另一个社会现象（y）时，能够消除百分之几的错误，即x对y的解释力有多大。PRE的值在0与1之间，当E2=0时，PRE=1，说明x与y完全相关，x能百分之百解释y的变化；若E2=E1，则PRE=0 ，说明x与y之间没有关系，x对y无解释力 就是指两个变量间存在一种连带关系，即当一个变量的值发生变化时，另一个变量的值也相应地发生变化 就是以一个统计指标是变量与变量间的关系 参考技术B 是的。
多维两联表交互分类是将两变量分组，然后比较各组的分布状况，以寻找变量间的关系。
若所考虑的属性多于两个，也可按类似的方式作出列联表，称为多维列联表。 参考技术C 第八章二维列联表:双变量关系考察一、基本概念1、二维表二维表就是行列交叉的表格,将两个变量一个分行排放,一个分列排放,行列交叉处就是变量。