从0开始学习R语言--Day18--分类变量关联性检验 - 实践

在平时的分析中，关于分类的问题不仅仅会出现在如何将数据分类，还会体现在要如何去挖掘不同分类指甲呢关系，今天我们来学习分类变量关联性检验的相关方法。

卡方检验

通过观察时间中数据的分布来判断原假设是否成立。假设我们是在判断性别和是否吸烟这两个类别的关系，那么我们可以通过调查吸烟的人群中男性和女性的比例，如果两者无关，那么男性和女性的比例应该会差不多，反之则推翻原假设。

Fisher精确检验

就像它的名字一样，当数据量比较小时，我们可以直接去计算事件发生的概率，就像上面那个吸烟的例子一样，假设样本数量只有10，那么我们可以轻松地通过计算知道性别是否和吸烟有关系。

Cramer's V

这个方法，目的是为了在知道是否有关联的前提下，告诉我们这个关联的程度有多高，0代表无关联，0.1-0.3代表弱关联，0.3-0.5代表中等，0.5以上代表强关联。

以下是一个例子：

# 生成两个分类变量的关联数据（性别 vs 吸烟）set.seed(123)n  0.6, "Yes", "No")  # 吸烟比例40%) # 人为制造关联：男性更可能吸烟data$smoke[data$gender == "Male"]  0.7, "Yes", "No"  # 男性吸烟比例30%) # 查看列联表table(data$gender, data$smoke) chi_test <- chisq.test(data$gender, data$smoke)print(chi_test) # 输出解读：# p-value < 0.05 表示显著关联# Pearson's Chi-squared statistic 是卡方值 fisher_test <- fisher.test(data$gender, data$smoke)print(fisher_test) # 输出解读：# p-value 和卡方检验类似，但更适合小样本install.packages("rcompanion",type = "binary")library(rcompanion) # 计算Cramer's Vcramer_v <- cramerV(data$gender, data$smoke)print(cramer_v) # 输出示例：# Cramer V # 0.14# 解释：0.1~0.3表示弱关联 library(ggplot2) ggplot(data, aes(x = gender, fill = smoke)) +  geom_bar(position = "dodge") +  labs(title = "Gender vs Smoking", x = "Gender", y = "Count")

输出：

No Yes  Female 60  43  Male   70  27	Pearson's Chi-squared test with Yates' continuity correction data:  data$gender and data$smokeX-squared = 3.6607, df = 1, p-value = 0.05571	Fisher's Exact Test for Count Datadata:  data$gender and data$smokep-value = 0.05349alternative hypothesis: true odds ratio is not equal to 195 percent confidence interval: 0.2843199 1.0126390sample estimates:odds ratio  0.5398822Cramer V   0.1458

从结果来看，卡方统计量X-squared为3.6607，说明观测值和期望值之间的差异较小；而p大于0.05说明在显著水平下，不能拒绝原假设，即性别和吸烟没有显著联系，但p值在边缘，只比0.05大了一点点，还要仔细验证。fisher检验的p同样大于0.05，只不过它还带来了另一个信息，odds ratio的值为0.5398822，表明男性吸烟的比例比女性低。而Cramer V = 0.1458进一步则进一步说明了吸烟与性别的关联非常弱，三者一起计算，更加确定了这两者无关联的结果的真实性。