比如说分类变量为是否幸存、是因变量,连续变量为年龄、是自变量,这两者可以做相关分析吗?两者又是否可以做回归分析?
我们考虑泰坦尼克号数据集,考虑两个变量,年龄x(连续变量)和幸存者指标y(分类变量)
考虑泰坦尼克号数据集,
1 2 3 |
titanic = titanic[!is.na(titanic$Age),] attach(titanic) |
考虑两个变量,年龄x(连续变量)和幸存者指标y(分类变量)
1.皮尔逊相关系数:
适用条件:① 连续性变量,②变量服从正态分布,③ 标准差不为0
2.斯皮尔曼相关系数:
(n为等级个数,d为等级差数)
适用条件:①连续性、分类型变量
注:连续性变量利用该算法会出现精确度下降,计算出相关系数需要查表常看对应样本下的相关系数
3.kendall相关系数:
(无结的情况下使用该计算方式)
2. (有结的情况下使用该计算方式)
,为i行中的结
,为j列中的结
3.
注: :顺序一致的变量,
顺序不一致的变量
适用条件:①连续性、分类型变量
m是min(i,j)
4.PMI点互信息指数:衡量两个二分变量之间的相关性,主要应用在文本分析中,0-1之间为相关,-1-0之间为不想关互斥,0为不不相关也不互斥
其中,条件概率公式为:
1 2 3 |
X = Age Y = Survived |
年龄可能是逻辑回归中的有效解释变量,
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
summary(glm(Survived~Age,data=titanic,family=binomial)) Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.05672 0.17358 -0.327 0.7438 Age -0.01096 0.00533 -2.057 0.0397 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 964.52 on 713 degrees of freedom Residual deviance: 960.23 on 712 degrees of freedom AIC: 964.23 |
此处的显着性检验的p值略低于4%。
实际上,可以将其与偏差值(零偏差和残差)相关联。

而

在x没有影响的假设下,D_0趋于具有1个自由度的χ2分布。我们可以计算似然比检验的p值自由度,
1 2 3 |
1-pchisq( [1] 0.03833717 |
与高斯检验一致。但是如果我们考虑非线性变换
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
glm(Survived~bs(Age) Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.8648 0.3460 2.500 0.012433 * bs(Age)1 -3.6772 1.0458 -3.516 0.000438 *** bs(Age)2 1.7430 1.1068 1.575 0.115299 bs(Age)3 -3.9251 1.4544 -2.699 0.006961 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 964.52 on 713 degrees of freedom Residual deviance: 948.69 on 710 degrees of freedom |
Age的p值更小,似乎“更重要”
1 |
[1] 0.001228712 |
为了可视化非零相关性,可以考虑给定y = 1时x的条件分布,并将其与给定y = 0时x的条件分布进行比较,
1 2 3 4 5 6 |
Two-sample Kolmogorov-Smirnov test data: X[Y == 0] and X[Y == 1] D = 0.088777, p-value = 0.1324 alternative hypothesis: two-sided |
即p值大于10%时,两个分布没有显着差异。
1 2 3 |
v= seq(0,80 v1 = Vectorize(F1)(vx) |

我们可以查看密度

另一种方法是离散化变量x并使用Pearson的独立性检验,
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
table(Xc,Y) Y Xc 0 1 (0,19] 85 79 (19,25] 92 45 (25,31.8] 77 50 (31.8,41] 81 63 (41,80] 89 53 Pearson's Chi-squared test data: table(Xc, Y) X-squared = 8.6155, df = 4, p-value = 0.07146 |
p值在此处为7%,分为年龄的五个类别。实际上,我们可以比较p值
1 2 3 4 5 6 |
pvalue = function(k=5){ LV = quantile(X,(0:k)/k) plot(k,p,type="l") abline(h=.05,col="red",lty=2) |

只要我们有足够的类别,P值就会接近5%。实际上年龄在试图预测乘客是否幸存时是一个重要的变量。