R 新手，我有两个数据集——它们具有相同的 x 轴值，但 y 轴不同。
我试图找出两者之间的相关性。当我使用 Rabline通过散点图绘制 s 时，它给了我两条最佳拟合线，这似乎使一个数据集高于另一个数据集——但我真的很想知道这些之间的 p 值两个数据集就知道效果了。
查找后，似乎我应该使用t.test- 但我不确定如何让它们相互对抗。
例如，如果我运行：
t.test(t1$xaxis,t1$yaxis1)
t.test(t2$xaxis,t2$yaxis2)
它为我提供了 x 和 y 的正确方法（t1：16.84、88.58 和 t2：14.79、86.14）——但对于其余部分，我不确定：
t1：t = -43.8061，df = 105.994，p 值 < 2.2e-16
t2：t = -60.1593，df = 232.742，p 值 < 2.2e-16
显然，给出的 p 值是 (a) 微观的，并且 (b) 我不知道如何让它告诉我数据集之间的关系——而不是单独的。
非常感谢任何帮助 - 谢谢！
既然你要求它，这就是我理解你的问题的方式。
您有两组对应于相同 x 值的 y 值。这里我假设 y 和 x 之间的关系是线性的。如果不是，您可以转换变量，使用非线性模型，加法模型，...
首先让我们模拟一些数据，因为您没有提供任何数据：
set.seed(42)
x <- 1:20
y1 <- 2.5 + 3 * x +rnorm(20)
y2 <- 4 + 2.5 * x +rnorm(20)
plot(y1~x, col="blue", ylab="y")
points(y2~x, col="red")
legend("topleft", legend=c("y1", "y2"), col=c("blue", "red"), pch=1)
现在，我们想知道这两个样本是否不同。我们可以通过拟合模型来发现：
DF <- cbind(stack(cbind.data.frame(y1, y2)), x)
names(DF) <- c("y", "group", "x")
fit <- lm(y~x*group, data=DF)
summary(fit)
Call:
lm(formula = y ~ x * group, data = DF)
Residuals:
Min 1Q Median 3Q Max
-2.2585 -0.4603 -0.1899 0.9008 2.2127
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.51769 0.55148 6.379 2.17e-07 ***
x 2.92136 0.04604 63.457 < 2e-16 ***
groupy2 0.67218 0.77991 0.862 0.394
x:groupy2 -0.46525 0.06511 -7.146 2.11e-08 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1.187 on 36 degrees of freedom
Multiple R-squared: 0.9949, Adjusted R-squared: 0.9945
F-statistic: 2333 on 3 and 36 DF, p-value: < 2.2e-16
截距没有显着差异，但斜率有显着差异。如果group效果显着，我们可以通过与不考虑的模型进行比较来进行最佳测试group：
fit0 <- lm(y~x, data=DF)
anova(fit0, fit)
Analysis of Variance Table
Model 1: y ~ x
Model 2: y ~ x * group
Res.Df RSS Df Sum of Sq F Pr(>F)
1 38 300.196
2 36 50.738 2 249.46 88.498 1.267e-14 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
如您所见，样本是不同的。
您是否考虑过基于 x 轴合并数据集，以便您的数据结构如下：
X Y1 Y2
然后你可以找到你想要的任何列之间的相关性。
从您上面的评论来看，您似乎是在对均值进行 2 个样本测试之后。这就是你所追求的吗？如果是这样的话，
set.seed(1)
y1 = rnorm(100)
y2 = rnorm(120, mean=0.1)
results = t.test(y1,y2)
results$p.value
您可以使用该函数轻松找到变量之间的相关性cor。在这种情况下，我先使用数据框，然后使用矩阵。我们可以很容易地看到变量之间关系的强度。
> d <- data.frame(y1 = runif(10), y2 = rnorm(10), y3 = rexp(10))
> cor(d)
## y1 y2 y3
## y1 1.0000000 -0.3319495 -0.4013154
## y2 -0.3319495 1.0000000 0.1370312
## y3 -0.4013154 0.1370312 1.0000000
使用矩阵，
> m <- matrix(c(runif(10), rnorm(10), rexp(10)), 10, 3)
> cor(m)
## [,1] [,2] [,3]
## [1,] 1.0000000 -0.1971826 0.3622307
## [2,] -0.1971826 1.0000000 0.4973368
## [3,] 0.3622307 0.4973368 1.0000000
请查看example(cor)更多。