lm() 和 cor() 的比较 - 为什么结果不对应

Question

我正在对我的数据集进行分析，示例数据框 df：

   DOY     species replicate position      SLA      PAR      temp    A1200    susPQ    susNPQ      FvFm      
1:  46 LINGONBERRY         1      LOW 65.75638 19.70906 -2.850833 0.569690 2.147297 0.9321771 0.5263661 562.1016 0.011440    28.02628
2:  46 LINGONBERRY         2      LOW 59.45028 19.78096 -2.850833 0.893840 2.511543 1.0516496 0.5503916 533.6136 0.028930    25.40703
3:  46 LINGONBERRY         3      LOW 59.51058 17.52833 -2.850833 0.731765 2.278927 1.0678274 0.5242824 549.6316 0.020185    46.16188
4:  46        PINE         1      LOW 35.90156 20.85151 -2.850833 1.518910 2.319431 2.2168853 0.4189484 392.6067 0.059280    47.79101
5:  46        PINE         1      TOP 27.29495 90.27197 -2.850833 1.780420 1.739912 1.5691443 0.4037803 418.3636 0.032890    59.03595
6:  46        PINE         2      LOW 34.38626 27.86268 -2.850833 1.959910

我想检查变量之间的相关性，所以我使用cor()和rcor()函数。

cor.df <-corrplot(cor(df[,c(1,5:19)], method = "pearson"), method = "number", type = "upper", 
                  tl.col = "black")   

df_matrix <- as.matrix(df[,c(1,5:19)])
rcor.df <- rcorr(df_matrix, type ="pearson")

cor.df_R <-corrplot(rcor.df$r, method = "number", type = "upper", tl.col = "black", 
                    p.mat = rcor.df$P, sig.level = 0.001) 

具有交叉“不显着”相关性的变量的 r 相关图

由于结果不是我所期望的，我想仔细检查该方法是否有效。为了测试这一点，我想简单地将一些变量对放入lm(). 我的假设是lm()摘要中的 R2 应与我的corplot. 但事实并非如此。

1/我的假设有什么问题？为什么lm()R2不对应rcor()或cor()r？2/ 什么是合适的测试来检查我提供的相关性corplot是否值得信赖？如果我们的结果显示与文献相矛盾的内容（就像这里的情况一样），运行备份测试总是好的。

Answer 1

简单线性回归的 R\xc2\xb2 不是相关性，而是自变量和因变量之间相关性的平方。

\n

x <- 1:5\ny <- rnorm(5)\n\ncor(x, y)^2\n# 0.001016668\nsummary(lm(y ~ x))$r.squared\n# 0.001016668\n

\n