R语言是面向数据的，金融玩的就是数据，R语言有完善第三方包体系，提供很多的量化工具包支持。
得出相关系数我们并不一定能得出数据之间的相关水平，这时候我们会进行相关性检验来进行量化。置信区间:confidence interval，是指由由样本统计量所构成的总体参数的估计区间。在统计学中，一个概率样本的置信区间是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数的测量值的可信程度。简单来说就是只有概率还不行，还得知道概率发生的范围。例如，如果在一次大选中某人的支持率为55%，而置信水平0.95以上的置信区间是（50%,60%），那么他的真实支持率有百分之九十五的机率，落在百分之五十和百分之六十之间，因此他的真实支持率不足一半的可能性小于百分之5。
cor.test函数每次只能检测一组变量。它有四个重要的参数，x和y是需要检测的相关性的变量，alternative参数指明是进行两边检验(two.sided)或正相关检验(greater)或负相关检验(less)。method参数选择算法(Pearson、Spearman、Kendall)
psych包中的corr.test可以一次性检验多组变量，可以递归计算整个数据集。
该函数不仅计算了相关系数，而且计算了相关性检验的值
偏相关
t检验适用于样本含量较小，总体方差未知的正态分布数据
UScrime数据集是美国七个州的刑罚制度对犯罪率影响的数据集。
t检验使用t.test()函数,格式为y~x，其中y是数值型变量，x是二分型变量。波浪线后面是分组变量，南方和北方分成两组，做了t检验。
如果想在多余两个组的数据中进行比较，数据符合正态分布我们就用方差分析，如果不符合正态分布则用非参数的方法。在相关性检验中，我们可以用参数方法和非参数 方法。统计分析方法包括参数检验和非参数检验，
资料：《Statistical Analysis of Network Data with R》
语言R常见的网络分析包：
网络分析研究大部分是描述性的工作。
网络的可视化 即是一门艺术，也是一门科学。
三元闭包体现了社会网络的“传递性”（transitivity），枚举所有节点三元组中构成三角形的比值来表征。
网络的可视化和数值特征化是网络分析的首要步骤之一。
网络可视化视图将数据的多个重要反面整合在一个图表中。
该节点在多大程度上会与同类型或者不同类型的其他节点进行匹配，可以通过一种相关性统计量（所谓的同配系数）进行量化。
将复杂系统中感兴趣的问题与合适的网络概括性度量匹配起来，是网络特征化方法起作用的关键所在。
网络中的频繁子图模式
网络聚类系数的分布,用来检验社会网路的聚集性上
sand安装包
网络数据统计分析 statistical analysis of network data
在CRAN上
G=（V,E）
节点 ：vertices 或者 nodes
边：edges 或者 links
节点数量：图的阶数 order
边的数量：图的规模 size
同构图 isomorphic
无向 undirected
有向 directed graph 或者 digraph
边：有向边 directed edges 或 弧 arcs
双向 mutual
小的图形用 formulate来创建
把mg转化为wg2
Zachary 空手道俱乐部网络 （karate club network）
数据集合实际上只存在两个社团，分别以教练为中心和以主管为中心。
Lazega律师网络可视化
srt() 不能用使用 upgrade_graph()d代替
DrL算法，针对大型网络可视化设计的布局算法。
节点的节点，即社区节点（主题节点）
即一个中心节点，一其直接相连的邻居，以及这些节点至今的边。
度值不同的节点以何种方式彼此连接
图的密度
全局聚类系数
局部聚类系数
互惠性 reciprocity
二元组普查
