典型相关分析.docVIP

相关分析的类型 典型相关分析：用于探究一组解释变量与一组反应变量时间的关系。 典型相关分析函数：cancor（x，y，xcenter=T，ycenter=T） x为第一组变量数据矩阵 y为第二组变量数据矩阵 xcenter表示第一组变量是否中心化 ycenter表示第二组变量是否中心化 自编典型相关函数：cancor.test（x，y，plot=T） x为第一组变量数据矩阵 y为第二组变量数据矩阵 plot为是否绘制典型相关图 例1：d11.1 生理指标与训练指标之间的典型相关性。 生理指标：体重（x1）、腰围（x2）、脉搏（x3）； 训练指标：引体向上次数（y1）、起坐次数（y2）、跳跃次数（y3）。 X-read.table(clipboard,header=T) R-cor(X) R x1 x2 x3 y1 y2 y3 x1 1.0000 0.8702 -0.36576 -0.3897 -0.4931 -0.22630 x2 0.8702 1.0000 -0.35289 -0.5522 -0.6456 -0.19150 x3 -0.3658 -0.3529 1.00000 0.1506 0.2250 0.03493 y1 -0.3897 -0.5522 0.15065 1.0000 0.6957 0.49576 y2 -0.4931 -0.6456 0.22504 0.6957 1.0000 0.66921 y3 -0.2263 -0.1915 0.03493 0.4958 0.6692 1.00000 R11-R[1:3,1:3];R12-R[1:3,4:6];R21-R[4:6,1:3];R22-R[4:6,4:6] A-solve(R11)%*%R12%*%solve(R22)%*%R21 #A=(R11)-1 R12 (R22)-1 R21 ev-eigen(A)$values #特征值 sqrt(ev) #典型相关系数 [1] 0.79561 0.20056 0.07257 以上过程是一步一步计算的，接下来我们使用R自带的典型相关函数： xy-scale(X) #数据标准化 ca-cancor(xy[,1:3],xy[,4:6]) #典型相关分析 ca$cor #典型相关系数 [1] 0.79561 0.20056 0.07257 ca$xcoef #x的典则载荷 [,1] [,2] [,3] x1 -0.17789 -0.43230 0.04381 x2 0.36233 0.27086 -0.11609 x3 -0.01356 -0.05302 -0.24107 ca$ycoef #y的典则载荷 [,1] [,2] [,3] y1 -0.08018 -0.08616 0.29746 y2 -0.24181 0.02833 -0.28374 y3 0.16436 0.24368 0.09608 典型变量的系数载荷并不唯一，只要是它的任意倍数即可，所以每个软件得出的结果并不一样，而是相差一个倍数。 R自带的典型分析函数cancor（）并不包括对典则相关系数的假设检验，为了方便，使用自编典型相关检验函数cancor.test()。 cancor.test(xy[,1:3],xy[,4:6],plot=T) $cor [1] 0.79561 0.20056 0.07257 $xcoef [,1] [,2] [,3] x1 -0.17789 -0.43230 0.04381 x2 0.36233 0.27086 -0.11609 x3 -0.01356 -0.05302 -0.24107 $ycoef [,1] [,2] [,3] y1 -0.08018 -0.08616 0.29746 y2 -0.24181 0.02833 -0.28374 y3 0.16436 0.24368 0.09608 $xcenter x1 x2 x3 -5.551e-18 -1.943e-17 1.821e-17 $ycenter y1 y2 y3 -2.776e-17 3.331e-17 3.365e-17 cancor test: r Q