R 从相关函数中提取NA

你能给我解释一下这两种情况的区别吗

> cor(1:10, rep(10,10))
[1] NA
Warning message:
In cor(1:10, rep(10, 10)) : the standard deviation is zero

> cor(1:10, 1:10)
[1] 1

---

第一条只是一条直线，第二条我希望相关性是一。我没有考虑什么？谢谢

绘制数据，它应该是清晰的。数据集

## y doesn't vary
plot(1:10, rep(10,10))

这只是一条水平线。水平线的相关系数，因为

y

的标准偏差估计值为0（出现在相关系数的分母上）。当

这条线是：

y = x

---

绘制数据，数据应该清晰。数据集

## y doesn't vary
plot(1:10, rep(10,10))

这只是一条水平线。水平线的相关系数，因为

y

的标准偏差估计值为0（出现在相关系数的分母上）。当

这条线是：

y = x

---

如果要测量点的“直线”度， 可以使用（一减）方差矩阵特征值的比率

f <- function(x,y) { 
  e <- eigen(var(cbind(x,y)))$values
  1 - e[2] / e[1]
}

# To have values closer to 0, you can square that quantity.
f <- function(x,y) { 
  e <- eigen(var(cbind(x,y)))$values
  ( 1 - e[2] / e[1] )^2
}
f( 1:10, 1:10 )
f( 1:10, rep(1,10) )
f( rnorm(100), rnorm(100) )     # Close to 0
f( rnorm(100), 2 * rnorm(100) ) # Closer to 1
f( 2 * rnorm(100), rnorm(100) ) # Similar

---

f如果要测量点的“直线”程度，
可以使用（一减）方差矩阵特征值的比率

f <- function(x,y) { 
  e <- eigen(var(cbind(x,y)))$values
  1 - e[2] / e[1]
}

# To have values closer to 0, you can square that quantity.
f <- function(x,y) { 
  e <- eigen(var(cbind(x,y)))$values
  ( 1 - e[2] / e[1] )^2
}
f( 1:10, 1:10 )
f( 1:10, rep(1,10) )
f( rnorm(100), rnorm(100) )     # Close to 0
f( rnorm(100), 2 * rnorm(100) ) # Closer to 1
f( 2 * rnorm(100), rnorm(100) ) # Similar

你好，谢谢。我知道。但我认为相关性并不是根据与我的数据相关的公式计算出来的。我不理解你的评论。我的意思是，我认为唯一重要的是“多少符合”是点。。。按照我的逻辑，我是说。谢谢你的解释，我将把
cor
包装成返回一的东西。在这种情况下，皮尔逊相关系数的分母中有x的方差。如果你只改变x中零方差的极限情况，它不能以通常的方式解释，但仍然不能真正回答你的问题。您可以使用类似于线性拟合的残差方差的东西，例如
1/（n-p）*sum（lsfit（cbind（1,1:10），rep（10,10））$residuals^2）
。n：值的数量，p：参数的数量，谢谢。我知道。但我认为相关性并不是根据与我的数据相关的公式计算出来的。我不理解你的评论。我的意思是，我认为唯一重要的是“多少符合”是点。。。按照我的逻辑，我是说。谢谢你的解释，我将把
cor
包装成返回一的东西。在这种情况下，皮尔逊相关系数的分母中有x的方差。如果你只改变x中零方差的极限情况，它不能以通常的方式解释，但仍然不能真正回答你的问题。您可以使用类似于线性拟合的残差方差的东西，例如，
1/（n-p）*sum（lsfit（cbind（1,1:10），rep（10,10））$residuals^2）
。n：值的数量，p：参数的数量，感谢这个好方法。是的，它不是对称的
y
是一个以不均匀间隔（可能改变也可能不改变）测量的时间值。我的问题只是为了发现
NA
的本质，但似乎值得再发布一个…嗨，谢谢你的好方法。是的，它不是对称的
y
是一个以不均匀间隔（可能改变也可能不改变）测量的时间值。我的问题只是为了发现
NA
的本质，但似乎值得再发布一个。。。