R 多序列相关的P值

我有一些关于

polyserial（）

{polycor}函数的基本问题

rho是否存在p值，或者是否可以计算

对于二元假设 正常，被测试的无效假设“是的，双变量正常”吗？也就是说，我想要一个高p值还是低p值

---

谢谢

如果您使用以下内容形成返回的对象：

 polS <- polyserial(x, y, ML=TRUE, std.err=TRUE) # ML estimate

---

polS我给包作者发了电子邮件（因为我有同样的问题），根据他的澄清，我给出了我的答案：

首先，一个简单的问题：较高的p值（传统上>0.05）会让你更加确信分布是双变量正态分布。较低的p值表示非正态分布，但如果样本量足够大，则最大似然估计（选项
ML=TRUE
），非正态性并不重要；无论如何，这种相关性仍然是可靠的

现在，对于更难的问题：要计算p值，您需要：

使用std.err=TRUE选项执行polyserial以访问更多详细信息
从生成的polyserial对象中，访问
var[1,1]
元素
var
是参数估计的协方差矩阵，
sqrt（var[1，1]）
是标准误差（显示在rho结果后输出的括号中）
根据标准误差，您可以根据下面的R代码计算p值
下面是一些代码，根据polyserial文档中的示例代码，用可复制的R代码来说明这一点：

library(mvtnorm)
library(polycor)

set.seed(12345)
data <- rmvnorm(1000, c(0, 0), matrix(c(1, .5, .5, 1), 2, 2))
x <- data[,1]
y <- data[,2]
y <- cut(y, c(-Inf, -1, .5, 1.5, Inf))

# 2-step estimate
poly_2step <- polyserial(x, y, std.err=TRUE)  
poly_2step
## 
## Polyserial Correlation, 2-step est. = 0.5085 (0.02413)
## Test of bivariate normality: Chisquare = 8.604, df = 11, p = 0.6584
std.err_2step <- sqrt(poly_2step$var[1, 1])
std.err_2step
## [1] 0.02413489
p_value_2step <- 2 * pnorm(-abs(poly_2step$rho / std.err_2step))
p_value_2step
## [1] 1.529176e-98
# ML estimate
poly_ML <- polyserial(x, y, ML=TRUE, std.err=TRUE) 
poly_ML
## 
## Polyserial Correlation, ML est. = 0.5083 (0.02466)
## Test of bivariate normality: Chisquare = 8.548, df = 11, p = 0.6635
## 
##                  1      2       3
## Threshold -0.98560 0.4812 1.50700
## Std.Err.   0.04408 0.0379 0.05847
std.err_ML <- sqrt(poly_ML$var[1, 1])
std.err_ML
## [1] 0.02465517
p_value_ML <- 2 * pnorm(-abs(poly_ML$rho / std.err_ML))
p_value_ML
##              
## 1.927146e-94

库（mvtnorm）
图书馆（polycor）
种子集（12345）
数据谢谢！你能举个例子吗。如何从POL中获取z统计和Pv值？您应该首先搜索SO和google，了解如何从估计和估计方差（或sd）中进行统计。如果您无法通过搜索或阅读一本介绍性统计数据的书来做到这一点，那么您应该发布一个新问题，表明您已经阅读了此信息和多序列帮助页面。如果我理解，
cut
函数仅用于分类数据。但我不明白
2*pnorm（-abs（poly_ML$rho/std.err_ML））
。分布应该是正常的，还是假定为正常的？