- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有两个变量,我想找到它们之间的相关性。问题是,根据我使用的方法,我似乎得到了不同的结果。
我知道的一种方法是使用 scale() 函数中的自变量和因变量运行 lm() 函数。
所以下面的变量看起来像:
lm(scale(mainDataframe$relativeFemHappy) ~ scale(mainDataframe$allRights))
cor(mainDataframe$relativeFemHappy, mainDataframe$allRights, use="pairwise.complete.obs")
library(lm.beta)
lm.beta(lm(mainDataframe$relativeFemHappy ~ mainDataframe$allRights))
> lm(scale(mainDataframe$relativeFemHappy) ~ scale(mainDataframe$allRights))
Call:
lm(formula = scale(mainDataframe$relativeFemHappy) ~ scale(mainDataframe$allRights))
Coefficients:
(Intercept) scale(mainDataframe$allRights)
-0.002478 -0.272812
> lm.beta(lm(mainDataframe$relativeFemHappy ~ mainDataframe$allRights))
mainDataframe$allRights
-0.2550056
> cor(mainDataframe$relativeFemHappy, mainDataframe$allRights, use="pairwise.complete.obs")
[1] -0.2550056
mainDataframe.allRights mainDataframe.relativeFemHappy
1 1.3333333 0.0653854461
2 NA -0.0943358596
3 1.0000000 -0.3559994842
4 2.0000000 0.0542260426
5 1.3333333 -0.1125838731
6 NA 0.0647522523
7 1.6666667 -0.1119041715
8 1.0000000 0.0564865005
9 1.3333333 0.2199685735
10 1.3333333 0.3016471599
11 0.6666667 0.6291666667
12 NA -0.1322754782
13 NA -0.7031950673
14 1.6666667 0.5382193869
15 0.6666667 0.0515831008
16 1.3333333 -0.2406053407
17 NA -0.3188695664
18 1.3333333 -0.2132530855
19 1.3333333 -0.1051805386
20 1.3333333 0.5137880544
21 1.3333333 -0.1591651057
22 NA 0.3518542315
23 1.6666667 -0.3134255036
24 2.3333333 -0.0353351079
25 1.3333333 -0.3069227981
26 1.3333333 0.4518921825
27 1.3333333 -0.0106520766
28 2.0000000 -0.1744353706
29 1.3333333 -0.5486947791
30 2.0000000 -0.1683776581
31 2.0000000 -0.1141202547
32 2.6666667 0.1352620331
33 2.3333333 NaN
34 1.3333333 -0.4105513765
35 1.3333333 -0.3623256900
36 1.3333333 -0.1843162243
37 2.0000000 -0.2813061511
38 1.3333333 -0.2735289841
39 1.0000000 -0.3703465553
40 1.3333333 -0.0399500250
41 1.3333333 -0.0798679868
42 NA -0.1494736842
43 0.6666667 0.2510419233
44 2.3333333 -0.1636337231
45 3.0000000 -0.2588880820
46 0.3333333 0.5142450779
47 1.6666667 -0.0927171343
48 1.3333333 0.2302559822
49 1.3333333 -0.1605876144
50 1.3333333 0.0224237663
51 1.3333333 -0.3474095401
52 1.3333333 0.0879899428
53 NA -0.2959860780
54 2.0000000 -0.0678765880
55 2.3333333 -0.2593966749
56 2.6666667 -0.3066565041
57 1.6666667 0.0659408848
58 1.6666667 0.3153641680
59 1.3333333 -0.4080779390
60 1.3333333 0.1695402299
61 2.0000000 -0.1246312234
62 1.6666667 -0.4569675001
63 2.0000000 0.1021491160
64 1.3333333 -0.1375955915
65 NA 0.0007769658
66 1.3333333 -0.0427901329
67 2.3333333 0.0918414523
68 1.3333333 0.1675599213
69 1.3333333 0.0667226151
70 1.0000000 0.6140938930
71 1.3333333 0.0139284251
72 2.0000000 -0.0253022876
73 1.3333333 0.0767676768
74 1.3333333 -0.3298592768
75 0.3333333 0.4164929718
76 NA 0.2050189429
77 1.6666667 0.1017706560
78 0.6666667 0.6626247039
79 1.3333333 0.1182371519
80 0.0000000 -0.1336948622
81 0.6666667 0.2007353845
82 2.0000000 -0.0111828561
83 1.3333333 0.0728503690
84 1.3333333 0.3259760711
85 NA 0.1190302497
86 1.0000000 0.1194620625
87 0.6666667 0.0453267607
88 2.0000000 0.0911983186
89 1.3333333 0.1566666667
90 0.0000000 0.0907911338
91 1.6666667 0.0898769242
92 NA -0.1525686518
93 3.0000000 -0.0293211263
94 1.6666667 0.6627064577
95 1.3333333 0.5176272062
96 NA 0.4856334661
97 2.0000000 -0.0205725729
98 1.6666667 -0.2117421455
99 1.3333333 -0.0930969019
100 2.0000000 -0.0367682733
101 1.3333333 0.3817815271
102 NA -0.2265089463
103 NA 0.1038953135
104 NA -0.0329032045
105 1.0000000 -0.0223175342
106 NA 0.0393768703
107 NA -0.1385969952
108 NA 0.1356859273
109 2.0000000 0.0107975036
110 NA 0.0979167949
111 0.6666667 -0.0342344955
112 NA -0.0050468143
113 NA -0.0895239553
114 NA -0.0465631929
115 NA 0.3002016217
116 2.6666667 -0.1137102105
117 0.6666667 0.0882938923
118 NA 0.4241776220
119 NA 0.1236421047
120 NA 0.2142170169
121 NA 0.0387629732
122 1.0000000 -0.0567106487
123 NA 0.0336110922
124 NA 0.1359546531
125 NA -0.0764485186
126 NA 0.3689020044
127 NA 0.4295649361
128 NA -0.1044761961
129 1.0000000 -0.2089427217
130 NA 0.2015707900
131 1.6666667 -0.0740150225
132 NA 0.0851963992
133 NA 0.1023532212
134 1.3333333 -0.0808608360
135 NA 0.2427526973
136 NA -0.0551786818
137 3.0000000 0.0660331924
138 NA -0.3727922200
139 NA 0.1102447610
140 NA -0.2057888977
141 NA -0.1719448695
142 2.3333333 -0.2175613073
143 NA -0.2613899294
144 NA 0.0756224178
145 1.3333333 -0.1586860559
146 NA -0.1028082059
147 1.6666667 -0.0093129029
148 NA 0.2982334465
149 NA -0.2291732892
150 NA -0.3709208321
151 NA 0.0254403690
152 NA -0.2755686789
153 NA 0.1773620638
154 0.6666667 0.1088370006
155 NA 0.0951056627
156 NA -0.3433133733
157 NA -0.0837993745
158 NA -0.3437314283
159 NA -0.2230338635
160 NA 0.0075808250
161 NA 0.0706623401
162 NA 0.0185266374
163 NA 0.0063326421
164 NA 0.0671828617
165 NA -0.1791227448
166 NA -0.0233741378
167 NA -0.0233616222
168 NA 0.5177982205
169 NA -0.0210875370
170 NA -0.0955256618
171 NA 0.2049268262
172 NA -0.0165755643
173 NA 0.3305190592
174 NA 0.1140276893
175 NA -0.1494444444
176 NA 0.0485406351
177 NA 0.1383207807
178 NA -0.0726862507
179 NA 0.0389694042
最佳答案
检查一下:
## normalization before joint removal of `NA`
attributes(scale(mainDataframe))[3:4]
#$`scaled:center`
# allRights relativeFemHappy
# 1.483660123 0.005227296
#$`scaled:scale`
# allRights relativeFemHappy
# 0.5926344 0.2411674
## normalization after joint removal of `NA`
x <- na.omit(mainDataframe)
attributes(scale(x))[3:4]
#$`scaled:center`
# allRights relativeFemHappy
# 1.47524752 0.00462978
#$`scaled:scale`
# allRights relativeFemHappy
# 0.5894377 0.2580075
lm
完整案例
x
,你得到了你所期望的:
lm(scale(relativeFemHappy) ~ scale(allRights) - 1, data = x)
#Coefficients:
#scale(allRights)
# -0.255
-1
在公式中删除拦截。
关于r - 使用 lm() 和 scale() 的标准化回归系数不同于使用 lm.beta() 或 cor() 的回归系数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39158119/
我正在从 Stata 迁移到 R(plm 包),以便进行面板模型计量经济学。在 Stata 中,面板模型(例如随机效应)通常报告组内、组间和整体 R 平方。 I have found plm 随机效应
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 6年前关闭。 Improve this qu
我想要求用户输入整数值列表。用户可以输入单个值或一组多个值,如 1 2 3(spcae 或逗号分隔)然后使用输入的数据进行进一步计算。 我正在使用下面的代码 EXP <- as.integer(rea
当 R 使用分类变量执行回归时,它实际上是虚拟编码。也就是说,省略了一个级别作为基础或引用,并且回归公式包括所有其他级别的虚拟变量。但是,R 选择了哪一个作为引用,以及我如何影响这个选择? 具有四个级
这个问题基本上是我之前问过的问题的延伸:How to only print (adjusted) R-squared of regression model? 我想建立一个线性回归模型来预测具有 15
我在一台安装了多个软件包的 Linux 计算机上安装了 R。现在我正在另一台 Linux 计算机上设置 R。从他们的存储库安装 R 很容易,但我将不得不使用 安装许多包 install.package
我正在阅读 Hadley 的高级 R 编程,当它讨论字符的内存大小时,它说: R has a global string pool. This means that each unique strin
我们可以将 Shiny 代码写在两个单独的文件中,"ui.R"和 "server.R" , 或者我们可以将两个模块写入一个文件 "app.R"并调用函数shinyApp() 这两种方法中的任何一种在性
我正在使用 R 通过 RGP 包进行遗传编程。环境创造了解决问题的功能。我想将这些函数保存在它们自己的 .R 源文件中。我这辈子都想不通怎么办。我尝试过的一种方法是: bf_str = print(b
假设我创建了一个函数“function.r”,在编辑该函数后我必须通过 source('function.r') 重新加载到我的全局环境中。无论如何,每次我进行编辑时,我是否可以避免将其重新加载到我的
例如,test.R 是一个单行文件: $ cat test.R # print('Hello, world!') 我们可以通过Rscript test.R 或R CMD BATCH test.R 来
我知道我可以使用 Rmd 来构建包插图,但想知道是否可以更具体地使用 R Notebooks 来制作包插图。如果是这样,我需要将 R Notebooks 编写为包小插图有什么不同吗?我正在使用最新版本
我正在考虑使用 R 包的共享库进行 R 的站点安装。 多台计算机将访问该库,以便每个人共享相同的设置。 问题是我注意到有时您无法更新包,因为另一个 R 实例正在锁定库。我不能要求每个人都关闭它的 R
我知道如何从命令行启动 R 并执行表达式(例如, R -e 'print("hello")' )或从文件中获取输入(例如, R -f filename.r )。但是,在这两种情况下,R 都会运行文件中
我正在尝试使我当前的项目可重现,因此我正在创建一个主文档(最终是一个 .rmd 文件),用于调用和执行其他几个文档。这样我自己和其他调查员只需要打开和运行一个文件。 当前设置分为三层:主文件、2 个读
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 5年前关闭。 Improve this qu
我的 R 包中有以下描述文件 Package: blah Title: What the Package Does (one line, title case) Version: 0.0.0.9000
有没有办法更有效地编写以下语句?accel 是一个数据框。 accel[[2]]<- accel[[2]]-weighted.mean(accel[[2]]) accel[[3]]<- accel[[
例如,在尝试安装 R 包时 curl作为 usethis 的依赖项: * installing *source* package ‘curl’ ... ** package ‘curl’ succes
我想将一些软件作为一个包共享,但我的一些脚本似乎并不能很自然地作为函数运行。例如,考虑以下代码块,其中“raw.df”是一个包含离散和连续类型变量的数据框。函数“count.unique”和“squa
我是一名优秀的程序员,十分优秀!