R语言相关性分析

Python012

R语言相关性分析,第1张

1.  R语言自带函数cor(data, method=" ")可以快速计算出相关系数 ,数据类型:data.frame

 如data.frame为:zz, 绘图如下:

a. single protein:线性回归画法

1. ggplot(zz,aes(x=a, y=HDL))+

   geom_point(alpha=1,colour="#FFA54F")+

   geom_smooth(method = lm,colour="#8B658B")+

   #scale_color_brewer(palette = "Set1")+

   theme_bw()+

   labs(x="Ferritin",y="HDL.C",title="Pearson’s correlation test of ferritin and HDL.C")+

   annotate("text", x = 1000, y = 2.5, label = "r = -0.51",colour="black",size=4)

2. library(ggstatsplot)

 ggscatterstats(data = alldata,

               y = TRANSFUSION.UNIT,

                x = NPTXR,

                centrality.para = "mean",  #"mean" or "median"                         

               margins = "both",                                       

                xfill = "#D8BFD8",

                yfill = "#EEDD82",

                #line.size= ,

                line.color="#8B6969",

               point.color="#2F4F4F",

                marginal.size=4,

               marginal.type = "density", # "histogram", "boxplot", "density", "violin", "densigram")

                title = "Relationship between TRANSFUSION.UNIT and NPTXR")

b. ggcorrplot, 全部蛋白 global correlation map 画法

ggcorrplot(cor(alldata))

2.  summary(lm(y~x),method=" ") %>%.[["coefficients"]]   正规线性回归

     (其实就是:a<-lm(y~x1+x2+...,data)

      plot(summary(lm(y~x),method=" ")) #绘图

3.  ggcor部分数据绘图:  数据类型为data.frame,纵坐标为各指标or各蛋白,行为观测值。

data <- fortify_cor(alldata[,10:11],alldata,cluster.type = "col")

ggcor<-ggcor(data,label_size=0.5) +

  geom_colour()+

  theme(axis.text.x = element_text(colour = "black",size = 4.7),

                                                        axis.text.y=element_text(size=5.5),

                                                        axis.ticks=element_blank())+

  geom_num(aes(num=r),colour="black",size=1.5)

4. corrr包画法

datasets::mtcars %>%

  correlate() %>%

  focus(-cyl, -vs, mirror = TRUE) %>%

  rearrange() %>%

  network_plot(min_cor = .2)

在经济学中,生产x件产品的成本称为成本函数,记为C(x),出售x件产品的收益称为收益函数,记为R(x),R(x)-C(x)称为利润函数,记为P(x).相应地,它们的导数C'(x),R'(x)和P'(x)分别称为边际成本函数、边际收益函数和边际利润函数。

1、同时,定义Mf(x)=f(x+1)-f(x),F(X)可导,F(X)在点X=a处的的导数称为F(X)在点X=a处的变化率,也称为F(X)在这点的边际函数值,它表示F(X)在点X=a处的变化速度。

2、在点X=a处,X从a改变一个单位,Y相应改变真值应为ΔY|(X=a\ΔX=1),但当X改变的单位很小时,或X的一个单位与a值相对来说很小时,则有ΔY|(X=a\ΔX=1) dY|(X=a\dX=1) = F'(X)dX|(X=a\dX=1) =F'(a)。

3、这说明F(X)在点X=a处,当X产生一个单位的改变时,Y近似改变F'(a)个单位.在应用问题中解释边际函数值的具体意义时我们略去“近似”二字。

拓展资料

边际收益(Marginal Revenue)是指增加一单位产品的销售所增加的收益,即最后一单位产品的售出所取得的收益。它可以是正值或负值。边际收益是厂商分析中的重要概念。利润最大化的一个必要条件是边际收益等于边际成本,此时边际利润等于零,达到利润最大化。在完全竞争条件下,任何厂商的产量变化都不会影响价格水平,需求弹性对个别厂商来说是无限的,总收益随销售量增加同比例增加,边际收益等于平均收益,等于价格。公式:MR=△TR/△Q。边际收益=总收益的变化量/销售量的变化量。边际收益的计算公式可以写成:代理人的边际收益。边际收益=售价-变动成本总边际收益(Total Marginal Contribution ,TMC)等于总销售收入(Total Revenue,TR or Sales)减去总变动成本(Total Variable Cost,TVC,TC):总边际收益 = 总销售收入 _ 总变动成本。单位边际收益(Unit Marginal Contribution ,C)等于单位销售收入(Unit Revenue or Price,P)减去单位成本(Unit Variable Cost,V):单位边际收益 = 单位销售收入__ノ槐涠成本。边际收益率(Marginal Contribution Ratio)是反映销售收入后所得到的利益比率,比率可以通过以下两种方法计算:边际收益率= 总边际收益/总销售收入= 单位边际收益/单位销售收入。边际收益(MR)=P(1-1/Ed)。