partialcorr

线性或秩偏相关系数

折叠所有页面

语法

ρ= partialcorr (x)
ρ=部分角（x，z）
ρ=部分角（x，y，z）
ρ=部分角(___、名称、值)
(ρ,pval) = partialcorr (___)

描述

例子

ρ=partialcorr(x)返回中变量对之间的样本线性偏相关系数x，控制中的其余变量x．

例子

ρ=partialcorr(x,Z)返回中变量对之间的样本线性偏相关系数x，控制中的变量Z．

例子

ρ=partialcorr(x,Y,Z)返回中变量对之间的样本线性偏相关系数x和Y，控制中的变量Z．

例子

ρ=partialcorr(___,名称,值)返回样本线性偏相关系数，其中包含由一个或多个名称-值对参数指定的附加选项，使用来自任何先前语法的输入参数。例如，您可以指定是否使用Pearson或Spearman偏相关，或指定如何处理缺少的值。

例子

[ρ,pval]=partialcorr(___)也返回一个矩阵pval的P-针对存在非零偏相关的单侧或双侧备选方案检验无偏相关假设的值。

例子

全部折叠

打开生活的脚本

计算输入矩阵中变量对之间的偏相关系数。

加载示例数据。转换性别医院。性到数字组标识符。

负载医院；hospital.SexID=grp2idx（hospital.Sex）；

创建一个包含示例数据的输入矩阵。

x =[医院。性ID hospital.Age hospital.Smoker hospital.Weight];

在每一行x包括病人的性别、年龄、吸烟情况和体重。

计算变量对之间的偏相关系数x，同时控制中剩余变量的影响x．

ρ= partialcorr (x)
rho=4×41.0000 -0.0105 0.0273 0.9421 -0.0105 1.0000 0.0419 0.0369 0.0273 0.0419 1.0000 0.0451 0.9421 0.0369 0.0451 1.0000

矩阵ρ表示，例如，在控制了所有其他变量后，性别和体重之间的相关性为0.9421x．你可以退回 P -值作为第二个输出，并检查它们，以确认这些相关性是否具有统计学意义。

为了更清晰地显示，请创建一个带有适当变量和行标签的表。

rho=阵列2表（rho，...“变化无常”, {“SexID”,“年龄”,“抽烟”,“重量”}，...“RowNames”, {“SexID”,“年龄”,“抽烟”,“重量”}); disp(的偏相关系数)
偏相关系数
disp(ρ)
性别年龄吸烟者体重1-0.01052 0.027324 0.9421年龄-0.01052 1 0.041945 0.036873吸烟者0.027324 0.041945 1 0.045106体重0.9421 0.036873 0.045106
打开生活的脚本

测试输入矩阵中变量对之间的部分相关性，同时控制第二组变量的影响。

加载示例数据。转换性别医院。性到数字组标识符。

负载医院；hospital.SexID=grp2idx（hospital.Sex）；

创建两个包含样本数据的矩阵。

x=[医院.年龄医院.血压]；z=[医院.性医院.吸烟者医院.体重]；

这个x矩阵包含用于测试偏相关的变量Z矩阵包含要控制的变量。的测量血压包含在两列中：第一列包含上部（收缩）数，第二列包含下部（舒张）数。partialcorr将每列视为单独的变量。

中变量对之间的偏相关检验x，同时控制中变量的影响Z．计算相关系数。

(ρ,pval) = partialcorr (x, z)
rho=3×31.0000 0.1300 0.0462 0.1300 1.0000 0.0012 0.0462 0.0012 1.0000
pval =3×30 0.2044 0.6532 0.2044 0 0.9903 0.6532 0.9903

中的大值pval表明在控制性别、吸烟状况和体重后，年龄和血压测量值之间没有显著相关性。

为了更清晰地显示，请创建带有适当变量和行标签的表。

rho=阵列2表（rho，...“变化无常”, {“年龄”,“BPTop”,“BPBottom”}，...“RowNames”, {“年龄”,“BPTop”,“BPBottom”})；pval=阵列2表格（pval，...“变化无常”, {“年龄”,“BPTop”,“BPBottom”}，...“RowNames”, {“年龄”,“BPTop”,“BPBottom”}); disp(的偏相关系数)
偏相关系数
disp(ρ)
Age BPTop BPBottom ________ _________ _________ Age 1 0.13 0.046202 BPTop 0.13 1 0.0012475 BPBottom 0.046202 0.0012475 1
disp (“假定值”)
假定值
显示（pval）
Age BPTop BPBottom _______ _______ ________ Age 0 0.20438 0.65316 BPTop 0.20438 0 0.99032 BPBottom 0.65316 0.99032 0
打开生活的脚本

中对变量之间的偏相关检验x和Y输入矩阵，同时控制第三组变量的影响。

加载示例数据。转换性别医院。性到数字组标识符。

负载医院；hospital.SexID=grp2idx（hospital.Sex）；

创建包含样本数据的三个矩阵。

x = [hospital.BloodPressure];y =[医院。体重hospital.Age];z =[医院。性ID hospital.Smoker];

partialcorr能否检验变量对之间的偏相关性x(收缩压和舒张压测量值)和Y(体重和年龄)，同时控制在Z(性别、吸烟情况)。的测量血压包含在两列中：第一列包含上部（收缩）数，第二列包含下部（舒张）数。partialcorr将每列视为单独的变量。

中变量对之间的偏相关检验x和Y，同时控制中变量的影响Z．计算相关系数。

(ρ,pval] = partialcorr (x, y, z)
rho=2×2-0.0257 0.1289 0.0292 0.0472
pval =2×20.8018 0.2058 0.7756 0.6442

的结果pval表明，在控制性别和吸烟状况后，患者的血压测量值与患者的体重或年龄之间没有显著相关性。

为了更清晰地显示，请创建带有适当变量和行标签的表。

rho=阵列2表（rho，...“RowNames”, {“BPTop”,“BPBottom”}，...“变化无常”, {“重量”,“年龄”})；pval=阵列2表格（pval，...“RowNames”, {“BPTop”,“BPBottom”}，...“变化无常”, {“重量”,“年龄”}); disp(的偏相关系数)
偏相关系数
disp(ρ)
体重年龄________ ________ BPTop -0.02568 0.12893 BPBottom 0.029168 0.047226
disp (“假定值”)
假定值
显示（pval）
体重年龄uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
打开生活的脚本

检验对变量没有相关性的假设，与相关性大于0的备择假设。

加载示例数据。转换性别医院。性到数字组标识符。

负载医院；hospital.SexID=grp2idx（hospital.Sex）；

创建包含样本数据的三个矩阵。

x = [hospital.BloodPressure];y =[医院。体重hospital.Age];z =[医院。性ID hospital.Smoker];

partialcorr能否检验变量对之间的偏相关性x(收缩压和舒张压测量值)和Y(体重和年龄)，同时控制在Z(性别、吸烟情况)。的测量血压包含在两列中：第一列包含上部（收缩）数，第二列包含下部（舒张）数。partialcorr将每列视为单独的变量。

使用右尾检验计算相关系数。

(ρ,pval) = partialcorr (x, y, z,“尾巴”,“对”)
rho=2×2-0.0257 0.1289 0.0292 0.0472
pval =2×20.5991 0.1029 0.3878 0.3221

的结果pval表明partialcorr不拒绝中变量之间非零相关性的零假设x和Y，在控制中的变量后Z，当另一种假设是相关性大于0时。

为了更清晰地显示，请创建带有适当变量和行标签的表。

rho=阵列2表（rho，...“RowNames”, {“BPTop”,“BPBottom”}，...“变化无常”, {“重量”,“年龄”})；pval=阵列2表格（pval，...“RowNames”, {“BPTop”,“BPBottom”}，...“变化无常”, {“重量”,“年龄”}); disp(的偏相关系数)
偏相关系数
disp(ρ)
体重年龄________ ________ BPTop -0.02568 0.12893 BPBottom 0.029168 0.047226
disp (“假定值”)
假定值
显示（pval）
体重年龄uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu

输入参数

全部折叠

数据矩阵，指定为N——- - - - - -Px矩阵。的行x对应观察值，列对应变量。

数据类型:单一的|双

数据矩阵，指定为N——- - - - - -PY矩阵。的行Y对应观察值，列对应变量。

数据类型:单一的|双

数据矩阵，指定为N——- - - - - -PZ矩阵。的行Z对应观察值，列对应变量。

数据类型:单一的|双

名称-值对的观点

指定可选的逗号分隔的字符对名称,值参数。名称是参数名和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“类型”、“枪兵”,“行”,“完成”仅使用不包含缺失值的行中的数据计算Spearman偏相关。

要计算的部分关联的类型，指定为由逗号分隔的对组成“类型”和下面的一个。

皮尔森的 计算皮尔逊（线性）偏相关。
“斯皮尔曼” 计算斯皮尔曼（秩）偏相关。

例子:“类型”,“枪兵”

要在计算中使用的行，指定为逗号分隔对，由“行”和下面的一个。

“所有” 使用输入的所有行，不管是否缺少值(南年代)。
“完成” 只使用不缺少值的输入行。
“成对” 计算rho（i，j）使用列中不缺少值的行我或J．

例子:“行”,“完成”

检验的替代假设，指定为逗号分隔对，包括“尾巴”和下面的一个。

“两个” 检验相关性不为0的替代假设。
“对” 检验相关性大于0的替代假设。
“左” 检验相关性小于0的替代假设。

例子:“尾巴”,“对”

输出参数

全部折叠

样本线性偏相关系数，作为矩阵返回。

  • 如果你只输入x矩阵，ρ是对称的Px——- - - - - -Px矩阵(我,J)第th项为样本之间的线性偏相关我-th和J-中的第列x．

  • 如果你输入x和Z矩阵，ρ是对称的Px——- - - - - -Px矩阵(我,J)第th项为样本之间的线性偏相关我th和Jth列x，针对中的变量进行控制Z．

  • 如果你输入x,Y,Z矩阵，ρ是一个Px——- - - - - -PY矩阵，在哪里(我,J)第th项为样本之间的线性偏相关我th列x和Jth列Y，针对中的变量进行控制Z．

如果[x，z]是

s = ( s x x s x Z s x Z T s Z Z ) ,

然后给出了系统的偏相关矩阵x，控制Z，可以正式定义为协方差矩阵的规范化版本:sxx- (sxzszz–1sxzT)．

P-values，以矩阵形式返回。的每个元素pval是P的对应元素的值ρ．

如果pval（i，j）是小的，那么相应的偏相关呢rho（i，j）在统计学上与0有显著差异。

partialcorr计算P-值的线性和排序偏相关使用学生T相关变换的分布。当x和Z是正常的，但在其他方面是一个大样本近似。

另见

|||

之前介绍过的R2006a

统计和机器学习工具箱文档
金宝app
掌握机器学习：用MATLAB逐步指导

掌握机器学习：用MATLAB逐步指导

下载电子书