本期运用Motor Trend杂志搜集的关于车辆目标的数据集mtcars，咱们重视的是每加仑汽驶英里数（mpg）、马力（hp）和车重（wt）。
咱们首要检查一切32种车型的相关目标，其间包括变速箱类型（am）和汽缸数（cyl）。变速箱类型是一个以0标明自动挡、1标明手动挡来编码的二分变量，而汽缸数可为4、5、6，归于离散型变量。
在描绘性核算量的核算方面，咱们可运用summary()函数来获取描绘性核算量。
summary()函数供给了最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数核算。
关于样本中的车型，每加仑汽驶英里数的平均值为20.1，规范差为6.0，散布呈右偏（偏度+0.61），较正态散布稍平（峰度-0.37）。
其他程序包也供给了一些核算描绘性核算量的函数，其间包括Hmisc、pastecs和psych。
Hmisc包中describe()函数可回来可观测变量的数量、缺失值和非缺失值的数目、均值、分位数，以及五个最大的值和五个最小的值。
若basic=TRUE，则核算其间一切值、空值、缺失值的数量、最小值、最大值、值域以及总和。
若desc=TRUE，则核算中位数、均值、平均数的规范误、置信度为95%的平均数的置信区间、方差、规范差和变异系数。
若norm=TRUE，则回来正态散布核算量，包括偏度和峰度以及Shapiro-Wilk的正态查验成果。
在进行多组比较时，咱们重视的是各组的描绘性核算信息，而不是样本全体的描绘性核算信息。
鄙人面的比方中，运用数据重塑办法获取由变速箱类型与汽缸数构成的每个亚组的描绘性核算量。咱们要获取的描绘性核算量是样本巨细、平均数和规范差。
R供给了多种查验类别型变量独立性的办法，包括卡方查验、Fisher查验和Cochran-Mantel-Haenszel查验。
咱们可用chisq.test()函数对二维表的行变量和列变量进行卡方查验。
在第一个成果中，患者承受的医治对病患状况的改进有明显效果（p0.05），P值标明因变量与自变量之间的独立联系是否明显。
咱们可用fisher.test()函数进行Fisher查验。Fisher查验的原假定是，鸿沟固定的列联表中行和列是彼此独立的。调用格局为fisher.test(mytable)，其间mytable是一个二维列联表。
这儿的fisher.test()函数可在恣意队伍数大于或等于2的二维列联表上运用。
咱们可用vcd包的assocstats()函数可用来核算二维列联表的phi系数、列联系数和Cramer’s V系数。
因而，较大的值意味着较强的相关性。vcd包供给了一个kappa()函数，可核算Cohen’s kappa值和加权的kappa值。
关于成果的可视化，vcd包中具有用于可视化多维数据会集类别型变量间联系的函数，可制作马赛克图和相关图。
相联系数可用来描绘定量变量之间的联系。相联系数的符号标明联系的方向（正相关或负相关），值的巨细标明联系的强弱程度（彻底不相关为0，彻底相关为1）。
R可核算多种相联系数，包括Pearson相联系数、Spearman相联系数、Kendall相联系数、偏相联系数。
Pearman积差相联系数衡量了两个定量变量之间的线性相关程度。Spearman等级相联系数则衡量分级定序变量之间的相关程度。Kendall’s Tau相联系数是一种非参数的等级相关衡量。
cor()函数可核算这三种相联系数，cov()函数可核算协方差。调用格局如下：
use标明指定缺失数据的处理办法。可选all.obs（假定不存在缺失数据，遇到缺失数据将报错）、everything（遇到缺失数据则核算成果为missing）、complete.obs（行删去）、lete.obs（成对删去，pairwise deletion）；
其间 u是一个数值向量，前两个数值标明要核算相联系数的变量下标，其他数值为条件变量的下标。S为变量的协方差阵。
咱们核算好相联系数后，怎样对它进行核算明显性查验呢？咱们可用cor.test()函数对单个Pearson、Spearman和Kendall相联系数进行查验。
关于相相联系的可视化办法，以相联系数标明的二元联系可经过散点图和散点图矩阵进行可视化。
T查验可分为单整体查验和双整体查验，以及配对样本查验，首要应用于比较两个平均数的差异是否明显。
比方，独立样本T查验用于比较男性与女人血液胆固醇水平的差异；比较疾病组与对照组BMI的差异，等等。
咱们针对两组的独立样本t查验可用于查验两个整体的均值持平的假定。查验的调用格局为：
Data取值为一个包括变量的矩阵或数据框。这儿的t查验默许假定方差不持平，运用Welsh的批改自由度。
回归剖析一般指用一个或多个解说变量猜测呼应变量的办法。回归剖析用来选择与呼应变量相关的解说变量，可描绘两者联系，也可生成一个等式，经过解说变量猜测呼应变量。
formula指要拟合的模型方式，data是一个数据框，包括用于拟合模型的数据。成果目标存在列表里，包括所拟合模型的很多信息。
当回归模型包括一个因变量和一个自变量时，这便是简略线性回归。当只要一个猜测变量，一起包括变量的幂时，这是多项式回归。当有不止于一个猜测变量时，这是多元线性回归。
下面以multcomp包的cholesterol数据集为例进行单要素方差剖析：
gplots包的plotmeans()用于制作带有置信区间的组均值图形。
单要素协方差剖析One-way ANCOVA研讨一个分类变量对一个接连变量的影响，一起校对其他变量的效果，它包括了一个或多个定量的协变量。
例如，咱们现在要研讨不同BMI与空腹血糖的联系，一起校对血压水平。在此研讨中，BMI分组是一个分类变量（自变量），血糖是一个接连变量（因变量），血压是一个协变量。
经过table()函数，可看出每种剂量所产幼崽数不一样。再用aggregate()函数取得各组均值。
ANCOVA的F查验标明：怀孕时刻与幼崽出世体重相关；操控怀孕时刻，药物剂量与出世体重相关。
关于成果可视化，HH包的ancova()函数可制作因变量、协变量和因子之间的联系图。
双要素方差剖析Two-way ANOVA用于查验两个自变量与一个因变量之间的联系。
比方，假如一个自变量有两个组别，另一个自变量有三个组别，那么一共有2x3（=6）个组别。
下面咱们以ToothGrowth数据集为例，辅以演示怎样进行双要素方差剖析。
Table()的预处理标明该规划是均衡规划，aggregate处理可取得各单元的均值和规范差。Summary函数取得方差剖析表。
接下来，用interaction.plot()函数来展现双要素方差剖析的交互效应。
别的，你还能用HH包的interaction2wt函数展现成果，图形对恣意次序的因子规划的主效应和交互效应都会展现。
泊松回归用来对一系列接连型或类别型猜测变量来猜测计数型成果变量。以下将以robust包的Breslow癫痫数据做比方。
上面介绍了7种核算剖析的函数运用，现在总结一下各种概率散布的R对应的一些参数。
好了，今日就介绍到这儿，咱们鄙人一期将介绍用R言语制作各种数据图。欢迎咱们持续重视本大众号。
期望咱们共享的文章能协助你宣布更多SCI论文。假如你有疑问，欢迎鄙人面谈论区留言。
