文章目錄

• 1基本統(tǒng)計分析
• • 1.1描述性統(tǒng)計分析
  • • 1.1.1 summary()函數
    • 1.1.2 sapply()函數
    • 1.1.3 describe()函數
    • 1.1.4 stat.desc()函數
  • 1.2 分組計算描述性統(tǒng)計量
  • • 1.2.1 aggregate()分組
    • 1.2.2 by()函數
• 2 結果可視化
• 3 相關
• • 3.1 相關的類型
  • 3.2 相關性的顯著性檢驗

1基本統(tǒng)計分析

1.1描述性統(tǒng)計分析

在描述性統(tǒng)計量的計算方面，R中的選擇很多。你可以使用summary()函數來獲取描述性統(tǒng)計量。

1.1.1 summary()函數

#讀入x的值 x <- c("mpg", "hp", "wt") #進行描述統(tǒng)計分析 summary(mtcars[x])

在描述性統(tǒng)計分析中包含了每個變量的最小值、最大值、四分位數和數值型變量的均值，以及因子向量和邏輯型向量的頻數統(tǒng)計。

1.1.2 sapply()函數

sapply()函數可計算所選擇的任意描述性統(tǒng)計量。其使用格式為：sapply(x, FUN, options)。其中的x是你的數據框（或矩陣），FUN為一個任意的函數。如果指定了options，它們將被傳遞
給FUN。你可以在這里插入的典型函數有mean()、sd()、var()、min()、max()、median()length()、range()和quantile()。函數fivenum()可返回最小值、下四分位數、中位數、上四分位數和最大值。

#構建函數 mytest <- function(x, na.omit=FALSE){ if (na.omit) x <- x[!is.na(x)] m <- mean(x) n <- length(x) s <- sd(x) skew <- sum((x-m)^3/s^3)/n kurt <- sum((x-m)^4/s^4)/n - 3 return(c(n=n, mean=m, stdev=s, skew=skew, kurtosis=kurt)) } #給定變量 x <- c("mpg", "hp", "wt") #調用函數 sapply(mtcars[x], mytest)

1.1.3 describe()函數

通過Hmisc包中的describe()函數也可以計算描述性統(tǒng)計量。

#describe函數 library("Hmisc") x <- c("mpg", "hp", "wt") describe(mtcars[x])

從運行結果來看，同樣可以得到每個變量的基本統(tǒng)計分析信息。

1.1.4 stat.desc()函數

我們還可以通過pastecs包中的stat.desc()函數計算描述性統(tǒng)計量。pastecs包中有一個名為stat.desc()的函數，它可以計算種類繁多的描述性統(tǒng)計量。使用
格式為：stat.desc(x, basic=TRUE, desc=TRUE, norm=FALSE, p=0.95)。

#stat.desc()函數 library("pastecs") x <- c("mpg", "hp", "wt") stat.desc(mtcars[x])

1.2 分組計算描述性統(tǒng)計量

在比較多組個體或觀測時，關注的焦點經常是各組的描述性統(tǒng)計信息，而不是樣本整體的描述性統(tǒng)計信息。同樣地，在R中完成這個任務有若干種方法。我們將以獲取變速箱類型各水平的描述性統(tǒng)計量開始。

1.2.1 aggregate()分組

#aggregate()分組 x <- c("mpg", "hp", "wt") #均值 aggregate(mtcars[x], by=list(am=mtcars$am), mean) #標準差 aggregate(mtcars[x], by=list(am=mtcars$am), sd)

aggregate()僅允許在每次調用中使用平均數、標準差這樣的單返回值函數，它無法一次返回若干個統(tǒng)計量。

1.2.2 by()函數

by（）函數使用格式為：by(data, INDICES, FUN) ，其中data是一個數據框或矩陣，INDICES是一個因子或因子組成的列表，定義了分組，FUN是任意函數。

#by()函數 #構建自定義函數 dstest <- function(x)sapply(x, mytest) x <- c("mpg", "hp", "wt") by(mtcars[x], mtcars$am, dstest)

2 結果可視化

在R中用于創(chuàng)建頻數表和列聯表有很多種方法。

一維列聯表可以使用table()函數來生成簡單的頻數統(tǒng)計表。

#數據加載Arthritis library("vcd") #一維列聯表, table_new <- with(Arthritis,table(Improved))

3 相關

相關系數可以用來描述定量變量之間的關系。相關系數的符號（±）表明關系的方向（正相關或負相關），其值的大小表示關系的強弱程度（完全不相關時為0，完全相關時為1）。

3.1 相關的類型

在R中可以計算多種相關系數，包括Pearson相關系數、Spearman相關系數、Kendall相關系數、偏相關系數、多分格（polychoric）相關系數和（polyserial）相關系數。
Pearson、Spearman和Kendall相關
Pearson積差相關系數衡量了兩個定量變量之間的線性相關程度。Spearman等級相關系數則衡量分級定序變量之間的相關程度。Kendall’s Tau相關系數也是一種非參數的等級相關度量。cor()函數可以計算這三種相關系數，而cov()函數可用來計算協方差。其中cor與cov的參數為：

#使用R的自帶數據集 states<- state.x77[,1:6] #計算前六位方差 cov(states) #協方差 cor(states)

3.2 相關性的顯著性檢驗

在R中可以使用cor.test()函數對單個的Pearson，Spearman和Kendall相關系數進行檢驗。其函數適應格式為：cor.test(x, y, alternative = , method = )。其中的x和y為要檢驗相關性的變量，alternative則用來指定進行雙側檢驗或單側檢驗（取值為"two.side"、“l(fā)ess"或"greater”），而method用以指定要計算的相關類型（“pearson”、“kendall” 或 “spearman” ）?，F在對兩個變量進行相關性系數進行檢驗。

cor.test(states[,3], states[,5])

但是，cor.test()每次只能檢驗一種相關關系。要想一次性檢驗多種的相關系數檢驗，可以使用psych包中提供的
corr.test()函數。corr.test()函數可以為Pearson、Spearman或Kendall相關計算相關矩陣和顯著性水平。

#多個相關系數檢驗 library("psych") corr.test(states, use="complete")

參數use=的取值可為"pairwise"或"complete"，它們分別表示對缺失值執(zhí)行成對刪除或行刪除。參數method=的取值可為"pearson"（默認值）、“spearman"或"kendall”。

來自《R語言實戰(zhàn)第二版》，僅為記錄自己的學習筆記。不做其他的。

總結

以上是生活随笔為你收集整理的基本统计分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。