R语言cor和cor.test函数的区别

cor函数是用来计算两个向量之间的相关系数，例如：

#创建两个向量
x <- c(1,2,3,4,5)
y <- c(2,4,6,8,10)

#计算相关系数
cor(x,y)

输出结果为1，这表示x和y之间的相关性非常高。

cor.test函数也用于计算两个向量之间的相关性，并且还会提供显著性检验的结果。例如：

#创建两个向量
x <- c(1,2,3,4,5)
y <- c(2,4,6,8,10)

#计算相关性
cor.test(x,y)

输出结果为：

	Pearson's product-moment correlation

data:  x and y
t = Inf, df = 3, p-value = 2.731e-06
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 1 1
sample estimates:
cor 
  1 

这里除了相关系数，还提供了t值、自由度、p值和置信区间。p值表示x和y之间的相关性是否显著（显著性水平为0.05）。在这个例子中，p值为2.731e-06（极小数），说明相关性显著。

相关问题

。R语言随机生成2个10维的服从正态分布的向量，计算它们的相关系数，并且用cor.test函数进行相关性验证

### 随机生成向量

使用rnorm函数生成服从正态分布的向量：

set.seed(123)  # 设定随机数种子
x <- rnorm(10)
y <- rnorm(10)

### 计算相关系数

使用cov函数计算协方差矩阵，再用cor函数计算相关系数：

cov_xy <- cov(x, y)
cor_xy <- cor(x, y)
cor_xy
#>           [,1]      [,2]
#> [1,]  1.000000 -0.225343
#> [2,] -0.225343  1.000000

可以看到x和y的相关系数为-0.225343。

### 进行相关性验证

使用cor.test函数进行相关性验证：

cor.test(x, y)
#> 
#>  Pearson's product-moment correlation
#> 
#> data:  x and y
#> t = -0.58651, df = 8, p-value = 0.5733
#> alternative hypothesis: true correlation is not equal to 0
#> 95 percent confidence interval:
#>  -0.7523386  0.4595254
#> sample estimates:
#>        cor 
#> -0.2253429

可以看到，cor.test的结果也得到了x和y的相关系数-0.2253429，并且p值为0.5733，不能拒绝x和y不相关的假设。

cor.test.formula

`cor.test.formula()` 是 R 语言中用于计算 Pearson 系数或 Spearman 系数的函数，用于对两个变量之间的相关性进行检验。与 `cor.test()` 函数类似，`cor.test.formula()` 函数可以计算两个变量之间的 Pearson 系数或 Spearman 系数，并返回相关系数、p 值（用于衡量相关系数的显著性）、置信区间等信息。`cor.test.formula()` 函数的应用范围广泛，在各种数据分析和建模中都有广泛应用。它的参数包括 formula（公式）、data（数据框）和 method（计算方法，包括 Pearson 和 Spearman 两种方法）。