partialcorri

计算每一对变量的偏相关系数x和y输入矩阵,同时控制了剩余的变量的影响x。

加载示例数据。

负载carsmall;

数据包含测量从汽车制造于1970年,1976年和1982年。它包括英里/加仑和加速度性能的措施,位移,马力,重量作为设计变量。加速度是所需的时间从0加速到60英里每小时,所以高价值加速度对应于一个较低的车辆加速度。

定义输入矩阵。的y矩阵包括绩效指标,x矩阵包含了设计变量。

y = (MPG、加速度);x =(位移、马力、重量);

计算相关系数。只包括在计算没有缺失值的行。

ρ= partialcorri (y, x,“行”,“完成”)

ρ=2×3-0.0537 -0.1520 -0.4856 -0.3994 -0.4008 0.4912

结果显示,例如,一个0.4912重量之间的相关性和加速度控制位移和功率的影响。你可以返回 $$p$$值作为第二输出,并检查确认是否这些相关性显著。

更清晰的显示,以适当的变量和行标签创建一个表。

ρ= array2table(ρ,…“VariableNames”,{“位移”,“马力”,“重量”},…“RowNames”,{“英里”,“加速”});disp (的偏相关系数)

偏相关系数

disp(ρ)

位移马力重量_______ __________ ________ MPG -0.053684 -0.15199 -0.48563 -0.39941 -0.40075 0.49123的加速度

测试部分对变量之间的相关性x和y输入矩阵,同时控制了剩余的变量的影响x加上附加变量矩阵z。

加载示例数据。

负载carsmall;

数据包含测量从汽车制造于1970年,1976年和1982年。它包括英里/加仑和加速度性能的措施,位移,马力,重量作为设计变量。加速度是所需的时间从0加速到60英里每小时,所以高价值加速度对应于一个较低的车辆加速度。

创建一个新的变量逆风,随机生成数据代表的概念平均阻力性能测量的路线。

rng (“默认”);%的再现性逆风= (10:-0.2:-9.8)+ 5 * randn (100 1);

因为逆风会影响性能的措施,控制其效果在测试之间的偏相关剩余变量。

定义输入矩阵。的y矩阵包括绩效指标,x矩阵包含了设计变量。的z矩阵包含额外的变量来控制计算部分相关性时,如逆风。

y = (MPG、加速度);x =(位移、马力、重量);z =阻力;

计算偏相关系数。只包括在计算没有缺失值的行。

(ρ,pval) = partialcorri (y, x, z,“行”,“完成”)

ρ=2×30.0572 -0.1055 -0.5736 -0.3845 -0.3966 0.4674

pval =2×30.5923 0.3221 0.0000 0.0002 0.0001 0.0000

返回的小 $$p$$值的0.001pval表明,例如,马力和加速度之间显著负相关,在控制了位移,重量和阻力。

清晰的展示,以适当的变量创建表和行标签。

ρ= array2table(ρ,…“VariableNames”,{“位移”,“马力”,“重量”},…“RowNames”,{“英里”,“加速”});pval = array2table (pval,…“VariableNames”,{“位移”,“马力”,“重量”},…“RowNames”,{“英里”,“加速”});disp (的偏相关系数,占逆风)

偏相关系数,占逆风

disp(ρ)

位移马力重量_______ __________ ________ MPG 0.057197 -0.10555 -0.57358 -0.38452 -0.39658 0.4674的加速度

disp (“假定值,占逆风”)

假定值,占逆风

disp (pval)

位移马力重量_______ __________ __________ MPG 0.59233 0.32212 - 3.4401 0.00018272 0.00010902 3.4091 e-06 e-09加速度