如何计算r中二元变量之间的相关矩阵？

我有10个二进制变量的数据帧，如下所示：

V1 V2 V3...
0  1  1
1  1  0
1  0  1
0  0  1  

我需要得到相关矩阵，然后才能进行因子分析。

psych:：corr.test

可以计算相关矩阵，但只有

person

，

spearman

，

kendall

方法，不用于二进制数据。

---

那么，如何计算该数据帧的相关矩阵呢？

Correl方法适用于连续数据

你能试试非参数方法吗

---

您仍然可以实现因子分析，计算%match并删除变量匹配>x%。这样可以删除数据的维度。

Correl方法适用于连续数据

# create data
m <- matrix(sample(x = 0:1,size = 200,replace = T),ncol = 10)
colnames(m) <- LETTERS[1:10]
m
# create cor matrix
res <- data.frame()
for(i in seq(ncol(m))){
  z <- m[,i]
  z <- apply(m,2,function(x){sum(x==z)/length(z)})
  res <- rbind(res,z)
}
colnames(res) <- colnames(m)
rownames(res) <- colnames(m)
res <- as.matrix(res)
res

你能试试非参数方法吗

您仍然可以实现因子分析，计算%match并删除变量匹配>x%。这样可以删除数据的维度。

#创建数据
# create data
m <- matrix(sample(x = 0:1,size = 200,replace = T),ncol = 10)
colnames(m) <- LETTERS[1:10]
m
# create cor matrix
res <- data.frame()
for(i in seq(ncol(m))){
  z <- m[,i]
  z <- apply(m,2,function(x){sum(x==z)/length(z)})
  res <- rbind(res,z)
}
colnames(res) <- colnames(m)
rownames(res) <- colnames(m)
res <- as.matrix(res)
res

m
#创建数据
m您可以对列使用分层聚类

hclus（x）

或者更好的是，您可以从“ward.D”、“ward.D2”、“single”、“complete”中选择一种聚类方法。。。

另一个解决方案是将二进制矩阵可视化为热图，这是一个具有共同特征的类似变量
您可以对列使用分层聚类

hclus（x）

或者更好的是，您可以从“ward.D”、“ward.D2”、“single”、“complete”中选择一种聚类方法。。。

另一个解决方案是将二进制矩阵可视化为热图，这是一个具有共同特征的类似变量
实际上，您也可以对二进制变量使用皮尔逊相关系数。请看，与其计算相关性，不如使用类似系数/指标，如Jaccard。这还取决于变量表示的内容。如果它们可能是一个潜在的正态分布变量的指标，你可以使用四射相关。四射相关是一种人的相关系数吗？我只知道那个人，斯皮尔曼，肯德尔的相关系数。@WhiteGirl；不，这是一个不同的相关性度量。比如说，一个二元变量感到内疚，用是/否来衡量。它真的是二分法的吗？可能不是因为你合理地假设进一步的有序分类，例如非常内疚，有点内疚，不在allguilty。事实上，可以合理地认为存在一个潜在/潜在的连续因素，该因素由测量的是/否变量表示。在四色相关计算中，该因子假定为正态分布。实际上，您也可以对二元变量使用皮尔逊相关系数。请看，与其计算相关性，不如使用类似系数/指标，如Jaccard。这还取决于变量表示的内容。如果它们可能是一个潜在的正态分布变量的指标，你可以使用四射相关。四射相关是一种人的相关系数吗？我只知道那个人，斯皮尔曼，肯德尔的相关系数。@WhiteGirl；不，这是一个不同的相关性度量。比如说，一个二元变量感到内疚，用是/否来衡量。它真的是二分法的吗？可能不是因为你合理地假设进一步的有序分类，例如非常内疚，有点内疚，不在allguilty。事实上，可以合理地认为存在一个潜在/潜在的连续因素，该因素由测量的是/否变量表示。在四色相关计算中，假设该因子为正态分布，那么该因子计算出的比例是否一致？（
all.equal（（crossprod（m）+crossprod（！m））/nrow（m），res）
）我更倾向于准确度这个词，但我想可以这样称呼它，所以这计算出一致的比例？（
all.equal（（crossprod（m）+crossprod（！m））/nrow（m），res）
）我更倾向于术语准确性，但我想它可以这样称呼