Una versión matricial de cor.prueba()

Si usted está estrictamente después de los pvalues en un formato de matriz de cor.test aquí hay una solución descaradamente robado de Vincent (ENLACE):

cor.test.p <- function(x){
    FUN <- function(x, y) cor.test(x, y)[["p.value"]]
    z <- outer(
      colnames(x), 
      colnames(x), 
      Vectorize(function(i,j) FUN(x[,i], x[,j]))
    )
    dimnames(z) <- list(colnames(x), colnames(x))
    z
}

cor.test.p(mtcars)

Nota: Tommy también proporciona una solución más rápida, aunque menos fácil de implementar. Oh y no para bucles:)

Edit Tengo una función v_outer en mi paquete qdapTools que hace que esta tarea sea bastante fácil:

library(qdapTools)
(out <- v_outer(mtcars, function(x, y) cor.test(x, y)[["p.value"]]))
print(out, digits=4)  # for more digits

Probablemente la forma más fácil es usar el rcorr() desde Hmisc. Solo tomará una matriz, así que use rcorr(as.matrix(x)) si sus datos están en un data.marco. Le devolverá una lista con: 1) matriz de r en pares, 2) matriz de n en pares, 3) matriz de valores de p para las r. Ignora automáticamente los datos faltantes.

Idealmente, una función de este tipo debería tomar datos.frames too and also output confidence intervals in line with the'New Statistics'.

La solución aceptada (corr.función de prueba en el paquete psych) funciona, pero es extremadamente lento para matrices grandes. Estaba trabajando con una matriz de expresión génica (~20.000 por ~1.000) correlacionada con una matriz de sensibilidad a los fármacos (~1.000 por ~500) y tuve que detenerla porque me llevaba una eternidad.

Tomé algo de código del paquete psych y usé la función cor () directamente en su lugar y obtuve resultados mucho mejores:

# find (pairwise complete) correlation matrix between two matrices x and y
# compare to corr.test(x, y, adjust = "none")
n <- t(!is.na(x)) %*% (!is.na(y)) # same as count.pairwise(x,y) from psych package
r <- cor(x, y, use = "pairwise.complete.obs") # MUCH MUCH faster than corr.test()
cor2pvalue = function(r, n) {
  t <- (r*sqrt(n-2))/sqrt(1-r^2)
  p <- 2*(1 - pt(abs(t),(n-2)))
  se <- sqrt((1-r*r)/(n-2))
  out <- list(r, n, t, p, se)
  names(out) <- c("r", "n", "t", "p", "se")
  return(out)
}
# get a list with matrices of correlation, pvalues, standard error, etc.
result = cor2pvalue(r,n)

Incluso con dos matrices de 100 x 200, la diferencia era asombroso. Un segundo o dos contra 45 segundos.

> system.time(test_func(x,y))
   user  system elapsed 
  0.308   2.452   0.130 
> system.time(corr.test(x,y, adjust = "none"))
   user  system elapsed 
 45.004   3.276  45.814 

"La solución aceptada (funcióncorr.test en el paquete psych) funciona, pero es extremadamente lenta para matrices grandes."

Si usas ci=FALSE, entonces la velocidad es mucho más rápida. De forma predeterminada, se encuentran los intervalos de confianza. Sin embargo, esto conduce a una ligera desaceleración de la velocidad. Así que, sólo para el rs, ts y ps, conjunto ci=FALSE.