Question

Cor.test()将向量x和y作为参数，但我想要成对地测试整个数据矩阵。 Cor()将此矩阵作为参数就好了，我希望找到一种方法为cor.test()做同样的事情。

其他人的共同建议似乎是使用cor.prob()：

https://stat.ethz.ch/pipermail/r-help/2001-November/016201.html

但是这些p值与cor.test()生成的p值不同！ Cor.test()似乎也比cor.prob()更适合处理成对删除（我的数据集中有相当多的数据丢失）。

有人有cor.prob()的替代方案吗？如果解决方案涉及嵌套的for循环，那么就是它（我已经足够R了，即使这对我来说也是有问题的。）

Answer 1

corr.test包中的

psych旨在执行此操作：

library("psych")
data(sat.act)
corr.test(sat.act)

如评论中所述，要在整个矩阵中复制基础cor.test()函数中的 p - 值，则需要关闭 p <的调整/ em> - 用于多重比较的值（默认是使用Holm的调整方法）：

corr.test(sat.act, adjust = "none")

[但在解释这些结果时要小心！]

Answer 2

如果您严格遵循cor.test矩阵格式的p值，这是一个从Vincent（LINK）无耻地窃取的解决方案：

cor.test.p <- function(x){
    FUN <- function(x, y) cor.test(x, y)[["p.value"]]
    z <- outer(
      colnames(x), 
      colnames(x), 
      Vectorize(function(i,j) FUN(x[,i], x[,j]))
    )
    dimnames(z) <- list(colnames(x), colnames(x))
    z
}

cor.test.p(mtcars)

注意：Tommy也提供了更快的解决方案，但不太容易实现。哦，没有循环：）

修改我的v_outer包中有一个函数qdapTools，可以让这个任务变得非常简单：

library(qdapTools)
(out <- v_outer(mtcars, function(x, y) cor.test(x, y)[["p.value"]]))
print(out, digits=4)  # for more digits

Answer 3

可能最简单的方法是使用Hmisc中的rcorr()。它只需要一个矩阵，因此如果您的数据位于data.frame中，请使用rcorr(as.matrix(x))。它将返回一个列表，其中包括：1）r成对的矩阵，2）成对n的矩阵，3）r值的p值矩阵。它会自动忽略丢失的数据。

理想情况下，此类功能也应采用data.frames，并根据＆{39} New Statistics＆＃39;输出置信区间。

Answer 4

接受的解决方案（心理包中的corr.test函数）有效，但对于大型矩阵来说速度极慢。我正在使用与药物敏感性矩阵相关的基因表达矩阵（~20,000到~1,000）（~1,000~500）我不得不停止它，因为它需要永远。

我从mental包中获取了一些代码并直接使用了cor（）函数，并获得了更好的结果：

# find (pairwise complete) correlation matrix between two matrices x and y
# compare to corr.test(x, y, adjust = "none")
n <- t(!is.na(x)) %*% (!is.na(y)) # same as count.pairwise(x,y) from psych package
r <- cor(x, y, use = "pairwise.complete.obs") # MUCH MUCH faster than corr.test()
cor2pvalue = function(r, n) {
  t <- (r*sqrt(n-2))/sqrt(1-r^2)
  p <- 2*(1 - pt(abs(t),(n-2)))
  se <- sqrt((1-r*r)/(n-2))
  out <- list(r, n, t, p, se)
  names(out) <- c("r", "n", "t", "p", "se")
  return(out)
}
# get a list with matrices of correlation, pvalues, standard error, etc.
result = cor2pvalue(r,n)

即使有两个100 x 200矩阵，差异也是惊人的。一秒或两秒对45秒。

> system.time(test_func(x,y))
   user  system elapsed 
  0.308   2.452   0.130 
> system.time(corr.test(x,y, adjust = "none"))
   user  system elapsed 
 45.004   3.276  45.814

Answer 5

“可接受的解决方案（心理软件包中的corr.test函数有效，但对于大型矩阵而言则极其缓慢。”

如果使用ci=FALSE，则速度要快得多。默认情况下，找到置信区间。但是，这会导致速度略有下降。因此，仅对rs，ts和ps设置ci=FALSE。

cor.test（）的矩阵版本

5 个答案: