如何在R中用pcalg、igraph、gRim包为DAG边添加偏相关系数

完全可以给DAG/CPDAG的边加上偏相关系数，下面基于你的示例代码一步步实现：

1. 计算精度矩阵（用来推导偏相关） #

因为用的是高斯数据，偏相关系数可以通过**精度矩阵（协方差矩阵的逆）**直接计算。在标准化数据下，精度矩阵的元素和偏相关有直接对应关系：

# 计算相关矩阵的逆（也就是标准化后的精度矩阵）
prec_mat <- solve(cor(gmG8$x))

2. 给每条边计算偏相关并添加属性 #

把PC算法得到的图转成igraph对象后，遍历每条边，算出对应节点对的偏相关，存成边的属性：

gr <- as(pc.fit@graph, "igraph")

# 遍历每条边计算偏相关
E(gr)$pcor <- sapply(E(gr), function(e) {
  u <- as.character(vertex(gr, e[1]))
  v <- as.character(vertex(gr, e[2]))
  # 偏相关的计算公式
  -prec_mat[u, v] / sqrt(prec_mat[u, u] * prec_mat[v, v])
})

# 把数值保留两位小数，方便绘图显示
E(gr)$pcor_label <- round(E(gr)$pcor, 2)

3. 绘图时显示偏相关标签 #

修改原来的绘图代码，加上边标签参数就能显示偏相关值了：

plot.igraph(gr, layout=layout_in_circle,
            vertex.color='grey',
            vertex.shape='circle', vertex.size=25,
            vertex.label.cex=0.6, vertex.label.color='blue',
            edge.arrow.size=0.5,
            edge.label=E(gr)$pcor_label,  # 显示偏相关数值
            edge.label.cex=0.5,           # 调整标签大小
            edge.label.color='red')       # 设置标签颜色

额外说明 #

这里计算的偏相关是控制所有其他变量后的结果，正好对应高斯图模型里直接边的含义——两个节点在排除其他所有节点的影响后，仍然存在相关性。如果要针对特定子集计算偏相关，可以用gaussCItest函数反向推导，但上面的方法更直接高效。

内容的提问来源于stack exchange，提问作者striatum