Calcule correlation-cor () - para solo un subconjunto de columnas

Para los datos numéricos tienes la solución. Pero son datos categóricos, dijo. Entonces la vida se vuelve un poco más complicada...

Bueno, primero : La cantidad de asociación entre dos variables categóricas no se mide con una correlación de rango de Spearman, sino con una prueba de Chi-cuadrado, por ejemplo. Lo cual es lógico en realidad. Ranking significa que hay algún orden en sus datos. Ahora dime cuál es más grande, amarillo o rojo. Lo sé, a veces R realiza una correlación de rango de spearman en categórica datos. Si codifico amarillo 1 y rojo 2, R consideraría rojo más grande que amarillo.

Entonces, olvídate de Spearman para obtener datos categóricos. Demostraré el chisq-test y cómo elegir columnas usando combn (). Pero usted se beneficiaría de un poco más de tiempo con el libro de Agresti : http://www.amazon.com/Categorical-Analysis-Wiley-Probability-Statistics/dp/0471360937

set.seed(1234)
X <- rep(c("A","B"),20)
Y <- sample(c("C","D"),40,replace=T)

table(X,Y)
chisq.test(table(X,Y),correct=F)
# I don't use Yates continuity correction

#Let's make a matrix with tons of columns

Data <- as.data.frame(
          matrix(
            sample(letters[1:3],2000,replace=T),
            ncol=25
          )
        )

# You want to select which columns to use
columns <- c(3,7,11,24)
vars <- names(Data)[columns]

# say you need to know which ones are associated with each other.
out <-  apply( combn(columns,2),2,function(x){
          chisq.test(table(Data[,x[1]],Data[,x[2]]),correct=F)$p.value
        })

out <- cbind(as.data.frame(t(combn(vars,2))),out)

Entonces usted debe conseguir:

> out
   V1  V2       out
1  V3  V7 0.8116733
2  V3 V11 0.1096903
3  V3 V24 0.1653670
4  V7 V11 0.3629871
5  V7 V24 0.4947797
6 V11 V24 0.7259321

Donde V1 y V2 indican entre qué variables va, y " out" da el valor p para asociación. Aquí todas las variables son independientes. Lo cual es de esperar, ya que creé los datos al azar.

Encontré una manera más fácil mirando el script R generado por Rattle. Se ve como a continuación:

correlations <- cor(mydata[,c(1,3,5:87,89:90,94:98)], use="pairwise", method="spearman")