如何在R中用Pearson/Spearman分析PCA主成分与连续变量的相关性

1. 整合数据 #

先把提取好的主成分和目标连续变量合并成一个数据框，方便后续操作：

# 假设你的PCA结果存在pca_result里，目标连续变量是df$target_var
combined_data <- data.frame(
  PC1 = pca_result$x[, "PC1"],
  PC2 = pca_result$x[, "PC2"],
  Target = df$target_var
)

2. Pearson相关性计算 #

用R内置的cor.test()函数直接计算，默认方法就是Pearson：

# PC1与目标变量的Pearson相关
pc1_pearson <- cor.test(combined_data$PC1, combined_data$Target, method = "pearson")
print(pc1_pearson)

# PC2与目标变量的Pearson相关
pc2_pearson <- cor.test(combined_data$PC2, combined_data$Target, method = "pearson")
print(pc2_pearson)

输出结果里的estimate是相关系数，p.value是显著性检验的p值，直接解读即可。

3. Spearman相关性计算 #

仅需修改cor.test()的method参数为"spearman"：

# PC1与目标变量的Spearman相关
pc1_spearman <- cor.test(combined_data$PC1, combined_data$Target, method = "spearman")
print(pc1_spearman)

# PC2与目标变量的Spearman相关
pc2_spearman <- cor.test(combined_data$PC2, combined_data$Target, method = "spearman")
print(pc2_spearman)

4. 批量计算与可视化（可选） #

如果想一次性查看所有变量间的相关关系，用cor()生成相关矩阵：

# 生成Pearson相关矩阵，换成"spearman"即可得到Spearman矩阵
cor_matrix <- cor(combined_data, method = "pearson")
print(cor_matrix)

用corrplot包可以直观可视化相关矩阵：

install.packages("corrplot")
library(corrplot)
corrplot(cor_matrix, method = "circle", type = "upper", tl.col = "black")

内容的提问来源于stack exchange，提问作者Erfan Naghavi