correlacion.fnc

OBJETIVO

Estima la matriz de covarianzas, correlaciones de pearson, kendall, spearman, policórica, tetracórica, parcial y semiparcial de p variables cuantitativas u ordinales o dicotómicas definidas por el usuario. Asimismo puede solicitarse el contraste de hipótesis de que cada correlación es poblacionalmente cero.

correlacion.fnc

A partir de la base de datos OBrienKaiser estimamos diferentes matrices de correlación y covarianza.

correlacion.fnc(OBrienKaiser)

No hemos utilizado el argumento variables por lo que la función asume que queremos la matriz de correlación de todas las variables de la base de datos. Repetimos el proceso solicitando la matriz de correlaciones de las 5 primeras medidas (pre.1 hasta pre.5).

correlacion.fnc(OBrienKaiser, variables=3:7)

correlacion.fnc(OBrienKaiser, variables=3:7, contraste=T)

Pedimos además, el contraste de hipótesis para cada una de las 10 correlaciones diferentes de la matriz anterior (p(p-1)/2).

Con el argumento que.factor podemos solicitar la matriz de correlación o covarianza por cada nivel del factor incluido en dicho argumento.

correlacion.fnc(OBrienKaiser, variables=3:7, que.factor='gender')

Matriz de varianzas y covarianzas

correlacion.fnc(OBrienKaiser, variables=3:7, que.factor='gender', covarianza=T)

Matriz policórica o tetracórica (computacionalmente muy demandante, se paciente).

correlacion.fnc(OBrienKaiser, variables=3:7, tipo='policorica')

correlacion.fnc(OBrienKaiser, variables=3:7, tipo='tetracorica')

MUY IMPORTANTE.

Si deseas que esa matriz sea la entrada para otros análisis como por ejemplo el análisis factorial debes en primer lugar asignar la salida a un objeto con el nombre que desees y en segundo lugar añadir el argumento silente=T para que la función no genere ningún otro resultado que no sea exclusivamente la matriz de correlaciones.

cor.poli=correlacion.fnc(OBrienKaiser, variables=3:7,

tipo='policorica', silente=T)

MATRIZ LISTWISE-PAIRWISE

La estimación de la matriz de correlaciones o varianzas y covarianzas por defecto asume la eliminación del caso ("listwise") que presente valor perdido (NA) en cualquiera de las p variables de las que se solicita las correlaciones (caso.completo=T). Si el usario desea una estimación "pairwise" (un registro con valor perdido en alguna variable no participa en las correlaciones que la impliquen pero si en el resto) lo cual daría lugar a correlaciones o covarianzas obtenidas a partir de tamaños de n diferentes (caso.completo=F).

Para demostrarlo introduciremos 3 valores perdidos en la matriz de datos en las variables de las columnas 3, 5 y 7 en los sujetos 1 y 12.

OBrienKaiser[c(1,12),c(3,5,7)]= NA

Como no indicamos el argumento caso.completo hará una estimación "listwise" (caso.completo=T)

correlacion.fnc(OBrienKaiser, variables=3:7)

Solicitamos una estimación "pairwise" la cual dará lugar a correlaciones obtenidas a partir de un número diferente de sujetos (14 o 16).

correlacion.fnc(OBrienKaiser, variables=3:7, caso.completo=F)

Ahora solicitaremos la matriz de correlaciones de las 3 x 5 medidas repetidas de esta base de datos (columnas 3 a 16).

correlacion.fnc(OBrienKaiser, variables=3:16, caso.completo=F)

Esto da lugar a una matriz de correlaciones de 15 x 15 que resulta muy difícil de valorar. Para ayudar en este proceso tenemos la opción de solicitar el gráfico de la matriz de correlaciones.

grafica.correlacion.fnc(OBrienKaiser, variables=3:16, caso.completo=F)

CORRELACION PARCIAL Y SEMIPARCIAL

El usuario puede solicitar la matriz de correlaciones de p variables controladas (parcial o semiparcial) con otras variables definidas por el usuario.

1.- Parcial. Solicitamos la matriz de correlación de las 5 variables de las posiciones 3 a 7 controladas (correlación parcial) por las variables de las posiciones 8, 10 y 12 de la misma base de datos.

correlacion.fnc(OBrienKaiser, variables=3:7, parcial=T, control=c(8,10,12) )

2.-Semiparcial. Con el argumento sparcial solicitamos la misma matriz de correlación anterior pero controlada por la correlación semiparcial.

correlacion.fnc(OBrienKaiser, variables=3:7, sparcial=T,

control=c(8,10,12) )

Si deseamos que esa matriz sea asignada a un objeto para ser utilizada posteriormente como imput por ejemplo de un análisis factorial o de componentes principales. Lo haremos incluyendo el argumento silente=T y por supuesto asignaremos adecuadamente la salida.

cor.par=correlacion.fnc(OBrienKaiser, variables=3:7, parcial=T,

control=c(8,10,12) )

#------------------------------------------------------------------

# MATRIZ DE CORRELACION: Pearson Parcial

#------------------------------------------------------------------

*** Correlacion controlada (parcial) para las variable post.1 post.3 post.5

estimate p.value statistic n gp Method

pre.1-pre.2 -0.357409678 2.043593e-01 -1.26922930 16 3 pearson

pre.1-pre.3 -0.390168233 1.598931e-01 -1.40543106 16 3 pearson

pre.1-pre.4 -0.538327555 3.412321e-02 -2.11861268 16 3 pearson

pre.1-pre.5 -0.432237167 1.118923e-01 -1.58974512 16 3 pearson

pre.2-pre.3 0.226129663 4.413411e-01 0.76993059 16 3 pearson

pre.2-pre.4 0.326778335 2.514821e-01 1.14675692 16 3 pearson

pre.2-pre.5 0.005534382 9.853551e-01 0.01835575 16 3 pearson

pre.3-pre.4 0.948193438 4.210776e-23 9.89885272 16 3 pearson

pre.3-pre.5 0.736340826 3.068935e-04 3.60941061 16 3 pearson

pre.4-pre.5 0.762914698 9.083546e-05 3.91385165 16 3 pearson

pre.1 pre.2 pre.3 pre.4 pre.5

pre.1 1.0000000 -0.357409678 -0.3901682 -0.5383276 -0.432237167

pre.2 -0.3574097 1.000000000 0.2261297 0.3267783 0.005534382

pre.3 -0.3901682 0.226129663 1.0000000 0.9481934 0.736340826

pre.4 -0.5383276 0.326778335 0.9481934 1.0000000 0.762914698

pre.5 -0.4322372 0.005534382 0.7363408 0.7629147 1.00000000

Subir ->