2つの連続変数を持つ次の単純なデータセットがあります。つまり:
d = data.frame(x=runif(100,0,100),y = runif(100,0,100))
plot(d$x,d$y)
abline(lm(y~x,d), col="red")
cor(d$x,d$y) # = 0.2135273
変数間の相関が0.6になるようにデータを再配置する必要があります。両方の変数の平均と他の記述統計(sd、min、maxなど)を一定に保つ必要があります。
私は与えられたデータとほとんどすべての相関関係を作ることが可能であることを知っています:すなわち:
d2 = with(d,data.frame(x=sort(x),y=sort(y)))
plot(d2$x,d2$y)
abline(lm(y~x,d2), col="red")
cor(d2$x,d2$y) # i.e. 0.9965585
sample
このタスクに関数を使用しようとすると:
cor.results = c()
for(i in 1:1000){
set.seed(i)
d3 = with(d,data.frame(x=sample(x),y=sample(y)))
cor.results = c(cor.results,cor(d3$x,d3$y))
}
非常に広い範囲の相関関係が得られます。
> summary(cor.results)
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.281600 -0.038330 -0.002498 -0.001506 0.034380 0.288800
ただし、この範囲はデータフレームの行数に依存し、サイズの増加に伴って減少します。
> d = data.frame(x=runif(1000,0,100),y = runif(1000,0,100))
> cor.results = c()
> for(i in 1:1000){
+ set.seed(i)
+ d3 = with(d,data.frame(x=sample(x),y=sample(y)))
+ cor.results = c(cor.results,cor(d3$x,d3$y))
+ }
> summary(cor.results)
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.1030000 -0.0231300 -0.0005248 -0.0005547 0.0207000 0.1095000
私の質問は:
与えられた相関関係(つまり0.7)を取得するために、このようなデータセットを再配置する方法 (メソッドがデータセットのサイズへの依存を削除することも良いでしょう)