基于R相关性检验小结

本文仅根据自己实际论文情况做的总结。

1、数据处理

本次选择数据较多，主要为国内股票指数和CRB指数，因此会有日期上的不同，以及休息日不同，所以用merge（）函数合并匹配数据。

参考文章：使用R中merge()函数合并数据

2、相关性矩阵计算

#读取数据
> data=read.csv('D:/论文/撰写阶段/常用/匹配完未计算收益率数据.csv')
#计算相关性矩阵
> cor_matr = cor(data)

这里碰见几次错误

> Error in cor(data) : 'x'必需为数值

解决方法：按照之前的实际情况，缺失值有这个可能。这次数据比较多，大致看了没问题，最后在excel表格上<设置单元格格式>，全部改为数值，错误得到解决。

3、显著性检验

使用的Hmisc包，既可以检验显著性，还可以计算相关性。

#安装Humisc包
> install.packages("Hmisc")
#载入包
> library(Hmisc)

#计算相关性，进行相关性检验
> rcorr(as.matrix(data))

理论总结：因论文实际数据原因，做数据波动性处理后，计算了显著性，老师表示显著性结果不高，建议用收益率数据再次计算。在这个过程中，捋清楚头绪，显著性的计算跟后面我是否采用收益率数据关系不大，这点对写论文和实际工作有帮助。

同时实际相关性较低时，不代表显著性低，可视为<高显著性下的低相关性关系>，在这种情况下，仍旧可以继续进行研究。

同时，用原数据中的收盘价进行计算的结果，整体情况要好于波动率情况下的计算结果。

参考文章为：使用R进行相关性分析，还有一些可视化分析，因论文不需要就没有使用，文章里面有更详细描述和讲解。

4、数据输出

一般数据输出用函数write.csv()即可，但是这里用的Hmisc包当中的rcorr()命令，这个命令输出结果除了相关性，还有数据数量和显著性结果，也就是在一个结果中包含三张表格，这种情况无法直接输出到csv文件当中。
（具体表格情况如该图）

输出方法：

#选择输出结果a中相关性表格r
> cor_a=a[['r']]
> write.csv(cor_a,file='C:/Users/Administrator/Desktop/同期相关性.csv')

至此结果成功输出为csv文件。