R 从多维尺度解释相关图

假设在r中生成一个图，如下所示：

res.cor <- cor(mtcars, method = "spearman")
mds.cor <- (1 - res.cor) %>%
  cmdscale() %>%
  as_tibble()
colnames(mds.cor) <- c("Dim.1", "Dim.2")
ggscatter(mds.cor, x = "Dim.1", y = "Dim.2", 
          size = 1,
          label = colnames(res.cor),
          repel = TRUE)

res.cor%
作为_tible（）
colnames（mds.cor）我认为，这不是一个很好的衡量/找出相关性的方法。
我想你一定知道相关性的范围是-1到+1
其中，-1为两个变量之间的负相关，0为无相关，1为正相关

许多统计学家说，<±0.7表示有很强的相关性

因此，当您在对数据集的相关性进行评估时，最好选择数值，如果您评估的是两个变量，则散点图也是最好的洞察方法。
我猜您使用的是来自
MASS
的cmdscale（可能下次应该包括它），因此在原始mtcar矩阵中，您计算了每个变量之间的成对相关性

如果我们查看该矩阵的子集来解释它：

cor(mtcars)[c("hp","carb","mpg","am"),c("hp","carb","mpg","am")]
             hp        carb        mpg          am
hp    1.0000000  0.74981247 -0.7761684 -0.24320426
carb  0.7498125  1.00000000 -0.5509251  0.05753435
mpg  -0.7761684 -0.55092507  1.0000000  0.59983243
am   -0.2432043  0.05753435  0.5998324  1.00000000

您可以看到，与mpg和am相比，hp与carb的关联性更强，反之亦然，am和mpg的关联性更强，而hp和carb的关联性更强。捕捉这种差异的一种方法是进行降维，比如将所有这些变量放在一个2D地图上，可以捕捉这种差异，这就是MDS在绘图中所做的

如何解释它，最直接的观察是，你有两组变量，它们彼此非常相似。一组是hp、carb。。（在绘图的左侧）和am，mpg，drat。。（在右边）。另一种方式是：

plot(hclust(as.dist(1-cor(mtcars))))