JASP相关系数矩阵及热力图的示例分析
今天就跟大家聊聊有关JASP相关系数矩阵及热力图的示例分析，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
今天起我们新增一个案例数据， 犯罪数据。这是mei国50个州关于犯罪率的一组数据，包括人口、面积、收入、文盲率、高中毕业率、霜冻天数、犯罪率共7个指标，现在我们想考察一下州犯罪率和其他因素间的关系。现在我们的研究目标是各州的犯罪率（因变量），可能的因素（自变量）是人口、面积、收入、文盲率、高中毕业率、霜冻天数。因变量犯罪率连续数值变量，有多个自变量，从研究目标和数据类型来看，可考虑选用多重线性回归分析。今天我们先利用JASP来考察一下该组数据中因变量与自变量的相关性，用相关系数矩阵来展示。读取数据后，菜单【classical】→【correction】。因为数据不服从多元正态分布特性，我们选择输出斯皮尔曼相关系数，并且命令JASP标记每个相关系数的统计学显著性。文盲率、霜冻天数、高中毕业率、人口数四个变量与犯罪率存在统计学意义的相关性，相关系数依次为0.672、-0.544、-0.437、0.346。同时我们也发现自变量之间也存在一些有统计学意义的相关性，比如霜冻与文盲率间系数-0.683，收入与高中毕业率0.510，目测没有超过0.7的相关系数。JASP相关分析菜单除了能帮我们提供干脆利落的相关系数矩阵外，它还基于R语言提供一枚高度可视化的统计图形。它就是大名鼎鼎基于相关系数的热力图，在【plot】选项中勾选【heatmap】即可。淡蓝色块对应的是正相关系数，土黄色块对应的是负相关系数，颜色的深浅表示相关系数的大小，色块上还同时标注了相关系数数字，这样我们就能快速的看到因变量与自变量的相关关系。以上关于相关系数矩阵和相关系数热图来看，其结果展示的效果是比SPSS优秀的。看完上述内容，你们对JASP相关系数矩阵及热力图的示例分析有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注恰卡编程网行业资讯频道，感谢大家的支持。
