(Acest articol a fost publicat pentru prima dată pe https://pacha.dev/blogși cu amabilitate a contribuit la R-bloggeri). (Puteți raporta problema legată de conținutul acestei pagini aici)
Doriți să vă distribuiți conținutul pe R-bloggeri? dați clic aici dacă aveți un blog, sau aici dacă nu aveți.
Scopul corelațiilor false este de a menține în viață exemplele uimitoare de la Tyler Vigen. Din păcate, începând cu 2023-10-09, site-ul web este oprit, așa cum au observat studenții mei. Prin urmare, am decis să folosesc instantaneul de la Internet Wayback Machine pentru a salva seturile de date din 2023-06-07.
Instalare
Puteți instala versiunea CRAN a corelațiilor false cu:
install.packages("spuriouscorrelations")
Puteți instala versiunea de dezvoltare a spuriouscorelations cu:
remotes::install_github("pachadotdev/spuriouscorrelations")
Exemplu
Pachetul acoperă mai multe exemple pentru diferite corelații false (și curioase).
Iată un exemplu de bază care vă arată cum să reprezentați o corelație falsă pentru variabile
- x: Numărul de persoane care s-au înecat căzând într-o piscină
- y: Filmele în care a apărut Nicolas Cage
library(spuriouscorrelations)
library(tinyplot)
pool_drownings
year x y
1 1999 109 2
2 2000 102 2
3 2001 102 2
4 2002 98 3
5 2003 85 1
6 2004 95 1
7 2005 96 2
8 2006 98 3
9 2007 123 4
10 2008 94 1
11 2009 102 4
cor(pool_drownings$x, pool_drownings$y)
(1) 0.6660043
tinyplot(
y ~ x,
data = pool_drownings,
main = sprintf("Correlation %s", round(cor(pool_drownings$x, pool_drownings$y), 3)),
xlab = "Number of people who drowned by falling into a pool",
ylab = "Films Nicolas Cage appeared in"
)
Convertirea datelor în format lung simplifică reprezentarea grafică a ambelor variabile pe an:
pool_drownings_2 <- reshape(
pool_drownings,
varying = c("x", "y"), # columns to collapse
v.names = "value", # name of the new value column
timevar = "variable", # name of the new ID column
times = c("x", "y"), # values to populate the ID column
direction = "long" # target format
)
pool_drownings_2
year variable value id
1.x 1999 x 109 1
2.x 2000 x 102 2
3.x 2001 x 102 3
4.x 2002 x 98 4
5.x 2003 x 85 5
6.x 2004 x 95 6
7.x 2005 x 96 7
8.x 2006 x 98 8
9.x 2007 x 123 9
10.x 2008 x 94 10
11.x 2009 x 102 11
1.y 1999 y 2 1
2.y 2000 y 2 2
3.y 2001 y 2 3
4.y 2002 y 3 4
5.y 2003 y 1 5
6.y 2004 y 1 6
7.y 2005 y 2 7
8.y 2006 y 3 8
9.y 2007 y 4 9
10.y 2008 y 1 10
11.y 2009 y 4 11
tinyplot(
value ~ year | variable, # "|" indicates the groping variable for the legend
data = pool_drownings_2,
main = sprintf("Correlation %s", round(cor(pool_drownings$x, pool_drownings$y), 3)),
xlab = "Year",
ylab = "Pooled observations",
pch = 19 # solid dot shape
)
Ce zici de standardizarea variabilelor pentru a evita problema de vizibilitate la scară diferită?
pool_drownings_3 <- pool_drownings
pool_drownings_3$x <- (pool_drownings_3$x - mean(pool_drownings_3$x)) / sd(pool_drownings_3$x)
pool_drownings_3$y <- (pool_drownings_3$y - mean(pool_drownings_3$y)) / sd(pool_drownings_3$y)
pool_drownings_3 <- reshape(
pool_drownings_3,
varying = c("x", "y"), # columns to collapse
v.names = "value", # name of the new value column
timevar = "variable", # name of the new ID column
times = c("x", "y"), # values to populate the ID column
direction = "long" # target format
)
pool_drownings_3
year variable value id
1.x 1999 x 0.8952867 1
2.x 2000 x 0.1696333 2
3.x 2001 x 0.1696333 3
4.x 2002 x -0.2450258 4
5.x 2003 x -1.5926679 5
6.x 2004 x -0.5560201 6
7.x 2005 x -0.4523554 7
8.x 2006 x -0.2450258 8
9.x 2007 x 2.3465935 9
10.x 2008 x -0.6596849 10
11.x 2009 x 0.1696333 11
1.y 1999 y -0.2470999 1
2.y 2000 y -0.2470999 2
3.y 2001 y -0.2470999 3
4.y 2002 y 0.6589330 4
5.y 2003 y -1.1531327 5
6.y 2004 y -1.1531327 6
7.y 2005 y -0.2470999 7
8.y 2006 y 0.6589330 8
9.y 2007 y 1.5649658 9
10.y 2008 y -1.1531327 10
11.y 2009 y 1.5649658 11
tinyplot(
value ~ year | variable, # "|" indicates the groping variable for the legend
data = pool_drownings_3,
main = sprintf("Correlation %s", round(cor(pool_drownings$x, pool_drownings$y), 3)),
xlab = "Year",
ylab = "Pooled standardized observations",
pch = 19, # solid dot shape
type = "b" # add line to see the trend clearly
)
