學到哪兒寫到哪兒，這篇後面會隨時更新。
一、相關分析
研究變數與變數間的關係就需要分析其相關性，就需要使用相關分析，相關分析比較簡單。它分為皮爾遜相關、斯皮爾曼相關、肯德爾等級相關，並且他們有各自的適用範圍：（1）pearson，皮爾遜積差相關係數，適用於兩個變數為連續變數，且兩個變數需要嚴格符合正態性分布，由於其嚴格的條件所以其具有較強的統計效能。（2）spearman，斯皮爾曼相關係數，對兩個變數的分布無要求，屬於非引數統計方法，其原理是利用兩個變數的秩次大小作相關分析，其適用範圍較廣但是統計效能較低。（3）kendall』s tau-b，肯德爾等級相關係數，適用於兩個變數為分類變數，屬於非引數統計方法。
原假設：假設兩個變數不相關，即相關係數是0。
所以當p＜0.05時，可認為兩變數是相關的，因此有了統計學意義（注意區別p值大小的意義，要記住不同檢驗方法的原假設）。
相關係數的值的解釋參考：
0 ~ 1 正相關
-1 ~ 0 負相關
0.8 ~ 1.0 極強相關
0.6 ~ 0.8 強相關
0.4 ~ 0.6 中等程度相關
0.2 ~ 0.4 弱相關
0.0 ~ 0.2 極弱相關或無相關
這裡有1個簡便的方法得出相關係數數值，即cor（），是單詞correlation的縮寫，即相關性。用法：cor（x，y=null，use=c(「everything」 ,「all.obs」 ,「complete.obs」 ,「na.or.complete」 ,「pairwise.complete.obs」) ,method=c(「pearson」, 「kendall」, or 「spearman」: )）。
這個函式的作用是得出相關係數的值，可以用於兩個變數甚至多個變數，值得注意的有3點：1.只能用逗號不能用formula，原因是formula的「~」代表「通過什麼來描述」，而這兩個變數是並列的關係，並不是因變數自變數的關係，所以不能用波浪號，只能用逗號；2.加粗斜體為函式預設的方式，所以若不設定method就預設輸出皮爾遜相關係數，並且method支援縮寫，即p,k,s。但是use不支援縮寫；3.如果是2個變數，則x，y輸入2個變數，如果是多個變數，則x就是矩陣或資料框，y不用輸入，最後會生成列表，列出每個組合的相關係數，非常好用；4.all.obs（納入所有資料—遇到缺失值會報錯）、everything（納入所有資料—有缺失值則相關係數的計算結果將被設為missing）、complete.obs（行刪除）以及pairwise.complete.obs（成對行刪除）。當無缺失值時，use不用設定，當有缺失值時，use=complete.obs。
1）皮爾遜相關係數顯著性檢驗
**例子：cor.test( blood.glucose ,short.velocity ) #p=0.0479
2）斯皮爾曼相關係數顯著性檢驗
**例子：cor.test( blood.glucose ,short.velocity ,method=「s」) #p=0.1392
3）肯德爾相關係數顯著性檢驗
**例子：cor.test( blood.glucose ,short.velocity ,method=「k」) #p=0.1187
偏相關分析：是在多個變數中，在剔除其他的變數影響後研究兩個變數的關係。最後的結果會輸出兩變數在乙個乙個剔除其他變數後的相關係數，然後自己選擇相關性最高的變數。這個可以用ggm包中的pcor()函式計算偏相關係數。這裡就不介紹了，因為偏相關我用的很少，以後用到了再來補充或專門寫一篇。
二、回歸分析
**示例：lm( short.velocity ~ blood.glucose ) #intercept 截距
檢視模型具體資訊：summary( lm( short.velocity ~ blood.glucose ) )
檢視回歸值：fitted( )或者 lm( short.velocity ~ blood.glucose )$fitted.values
檢視殘差值：resid( ) 或者 lm( short.velocity ~ blood.glucose )$residuals
可以看出，lm（）輸出的模型包含了很多資訊，只是輸出比較簡單。
標準化回歸係數
r語言對標準化支援不太好，因此可以使用以下這個包：
install.packages(「quantpsyc」)
library(quantpsyc)
lm1
lm.beta(lm1)
其中的lm.beta其實是：
function (mod)
這樣就完成了回歸係數、標準回歸係數、標準誤、t值、p值的計算。
下面到了我喜歡的畫圖時間~~
抖動散點圖（即箱圖+散點圖）：
ggplot(df , aes( x,y , fill = as.factor (group)))+
geom_boxplot( outliter.size = 0 , colour=「black」)+
geom_jitter( aes( group = as.factor( group)),shape=21,alpha=0.5)
調整抖動散點圖的點和箱子的間距：
ggplot( df , aes( x , y , fill=as.factor( group )))+
geom_boxplot( position = position_dodge( 0.75), outlier.size = 0 ,colour=「black」)+
geom_jitter( aes( group = as.factor( group )), shape = 21 ,alpha = 0.5,
position=position_jitterdodge( dodge.width = 0.75 ) )
重磅的殘差分析圖繪製：ggplot(new_thuesen,aes(blood.glucose,short.velocity))+
geom_point()+
geom_smooth(method = 『lm』,se=f)+ geom_segment(aes(xend=blood.glucose,yend=lm_predicted),alpha=.5)+
annotate(geom = 『text』,x=7,y=1.8,label=『y=0.02196x+1.0978』,size=5)
其中omit意為刪除，忽略；alpha代表線段的透明度。xend和yend代表線段終止的點。
數學建模（5 2）相關係數 假設檢驗
有一定概率落在在臨界值之內，原假設的概率成立，表示置信水平可以達到 alpha 顯著性水平 1 beta 1 alpha 1 置信水平 1 確定原假設h 0h 0 h0 和備擇假設h 1h 1 h1 也就是確定要檢測的量 例如體重和90斤有無顯著差異。雙側檢驗 是否在90斤左右 單側檢驗 是否大於9...
假設檢驗中錯誤的型別
i類錯誤是指在無效假設是真的時候，結果是顯著的，第一類錯誤的可能性經常用a表示，並且該值的資料分析前就確定，在質量控制中，第一類錯誤被叫作生產者風險，因為你在乙個產品符合規範要求的情況拒絕了它 簡單來說就是不能拒絕原假設的時候拒絕了原假設 如果我們想回答這樣乙個問題 當備擇假設實際上是正確的時候，我...
shell 三 相關表示式
一 檔案表示式 常規的 特殊 e是不是一般檔案！if f file 如果檔案存在 普通檔案 if d 如果目錄存在 directory if s file 如果檔案存在且非空 socket if r file 如果檔案存在且可讀 可讀 if w file 如果檔案存在且可寫 可寫 if x file...