R_基本统计分析_06

summary()提供基础的统计信息

sapply(x，FUN,options)可以指定统计函数

fivenum()可以返回图基五数

Hmisc 中的describe（data）返回变量，观测的变量，缺失值，唯一值得数目、平均值、分位数，一级5个最大值，五个最小值

pasecs包中的stat.desc()函数　　　stat.desc(x, basic=TRUE, desc=TRUE, norm=FALSE, p=0.95)

若basic=TRUE（默认值），则计算其中所有值、空值、缺失值的数量，以及最小值、最大值、值域，还有总和。若desc=TRUE（同样也是默认值），则计算中位数、平均数、平均数的标准误、平均数置信度为95%的置信区间、方差、标准差以及变异系数。最后，若norm=TRUE（不是默认的），则返回正态分布统计量，包括偏度和峰度（以及它们的统计显著程度）和Shapiro-Wilk正态检验结果。

psych包中的describe()计算描述性统计变量

注意：当两个包中的函数名相同时，后一个包中的函数会覆盖前一个，可以用former_name::fuction)_name

aggregate 分组获取描述性统计量（一次只能返回一个统计量）

by（data, INDICES, FUN）data数据框或矩阵，INDICES因子或因子组成的列表，FUN任意函数

doBy包中summaryBy（）分组计算概述统计变量

psych包中describeBy()分组计算概述统计量

统计量可视化

频数表

table(var1, var2, ..., varN) 使用N个类别型变量（因子）创建一个N维列联表   默认忽略缺失值

xtabs(formula, data) 根据一个公式和一个矩阵或数据框创建一个N维列联表

prop.table(table, margins) 依margins定义的边际列表将表中条目表示为分数形式，生成比例

margin.table(table, margins) 依margins定义的边际列表计算表中条目的和 ，生成边界频数

addmargins(table, margins) 将概述边margins（默认是求和结果）放入表中

ftable(table) 创建一个紧凑的“平铺”式列联表

二维列联表

CrossTable()函数有很多选项，可以做许多事情：计算（行、列、单元格）的百分比；指定小数位数；进行卡方、Fisher和McNemar独立性检验；计算期望和（皮尔逊、标准化、调整的标准化）残差；将缺失值作为一种有效值；进行行和列标题的标注；生成SAS或SPSS风格的输出。

多维列联表

table()和xtabs()都可以基于三个或更多的类别型变量生成多维列联表。margin.table()、prop.table()和addmargins()函数可以自然地推广到高于二维的情况。另外，ftable()函数可以以一种紧凑而吸引人的方式输出多维列联表。（用于多个分类变量）

独立性检验

卡方独立性检验 chisq.test()   p<0.01 不独立，p>0.05独立

Fisher精准检验，fisher.test(mytable),原假设是边界固定的列联表中行列相互独立（不能用于2*2的列联表）

Cochran-Mantel-Haenszel检验

mantelhaen.test()函数可进行卡方检验，原假设是：两个名义变量在第三个变量的每一层中相互独立。

相关：

Pearson、Spearman和Kendall相关 Pearson积差相关系数衡量了两个定量变量之间的线性相关程度。Spearman等级相关系数则衡量分级定序变量之间的相关程度。Kendall’s Tau相关系数也是一种非参数的等级相关度量。 146   第7章 基本统计分析  cor()函数可以计算这三种相关系数，而cov()函数可用来计算协方差。

cor和cov的参数

x 矩阵或数据框

use 指定缺失数据的处理方式。可选的方式为all.obs（假设不存在缺失数据——遇到缺失数据时将报错）、everything（遇到缺失数据时，相关系数的计算结果将被设为missing）、complete.obs（行删除）以及 pairwise.complete.obs（成对删除，pairwise deletion）

method 指定相关系数的类型。可选类型为pearson、spearman或kendall

默认参数为use="everything"和method="pearson"。

偏相关：pcor(u, S) 其中的u是一个数值向量，前两个数值表示要计算相关系数的变量下标，其余的数值为条件变量（即要排除影响的变量）的下标。S为变量的协方差阵

其他类型相关 polycor包中的hetcor()

相关性的显著性检验（判断样本相关性能否代表总体的水平）

常用的原假设为变量间不相关（即总体的相关系数为0）。可以使用cor.test()函数对单个的Pearson、Spearman和Kendall相关系数进行检验。

cor.test(x, y, alternative = , method = ）