求类似cor()的R函数及展示线性回归斜率的类corrplot实现方法

1. 自定义函数生成标准化斜率与显著性矩阵 #

R中没有直接替代cor()的斜率矩阵函数，但可以自行实现一个，同时支持标准化斜率（消除量纲影响，便于变量间对比）和显著性检验结果输出：

library(dplyr)
library(purrr)
library(broom)

# 生成标准化斜率矩阵和p值矩阵的函数
slope_matrix <- function(data, standardize = TRUE) {
  # 标准化变量（如果需要）
  if (standardize) {
    data <- data %>% mutate(across(everything(), scale))
  }
  
  # 获取变量名
  vars <- colnames(data)
  n <- length(vars)
  
  # 初始化斜率矩阵和p值矩阵
  slope_mat <- matrix(NA, nrow = n, ncol = n, dimnames = list(vars, vars))
  p_mat <- matrix(NA, nrow = n, ncol = n, dimnames = list(vars, vars))
  
  # 遍历所有变量对
  for (i in seq_along(vars)) {
    for (j in seq_along(vars)) {
      if (i == j) {
        # 对角线设为1（自身回归斜率无意义，统一标记）
        slope_mat[i, j] <- 1
        p_mat[i, j] <- 0
      } else {
        # 拟合线性回归
        model <- lm(data[[vars[i]]] ~ data[[vars[j]]])
        tidied <- tidy(model)
        # 提取斜率（第二个系数，对应自变量）
        slope_mat[i, j] <- tidied$estimate[2]
        # 提取p值
        p_mat[i, j] <- tidied$p.value[2]
      }
    }
  }
  
  return(list(slope = slope_mat, p_value = p_mat))
}

这个函数会返回两个矩阵：

• slope：标准化（可选）后的回归斜率矩阵，行是因变量，列是自变量
• p_value：对应每对变量回归的斜率显著性p值

2. 用corrplot实现斜率可视化（带显著性标记） #

利用corrplot包的现有接口，将斜率矩阵传入，同时用p值矩阵标记显著性，效果和你熟悉的相关系数图一致：

示例代码 #

library(corrplot)

# 生成模拟数据（模拟相关系数低但斜率显著的场景）
set.seed(123)
df <- data.frame(
  x1 = rnorm(100),
  x2 = rnorm(100),
  x3 = 0.2 * x1 + rnorm(100, sd = 2),  # 低R²但斜率显著
  x4 = -0.3 * x2 + rnorm(100, sd = 1.5)
)

# 生成斜率和p值矩阵
slope_result <- slope_matrix(df, standardize = TRUE)

# 绘制斜率矩阵图，带显著性标记
corrplot(
  slope_result$slope,
  method = "color",
  type = "upper",  # 只显示上三角
  tl.col = "black",
  addCoef.col = "black",  # 显示斜率数值
  p.mat = slope_result$p_value,
  sig.level = c(0.001, 0.01, 0.05),
  insig = "label_sig",  # 标记显著性水平
  pch.cex = 1.2
)

关键说明 #

• 标准化斜率：使用scale()标准化变量后，回归斜率等价于标准化回归系数（β系数），消除了变量量纲差异，不同变量对的斜率可以直接对比。
• 显著性标记：通过p.mat参数传入p值矩阵，sig.level设置不同显著性阈值，insig = "label_sig"会在对应位置标记***（p<0.001）、**（p<0.01）、*（p<0.05）。
• 场景适配：当变量间线性趋势存在但噪声较大时，相关系数/R²可能偏低，但回归斜率仍可能通过显著性检验，这种斜率矩阵能补充相关矩阵的信息缺口。

内容的提问来源于stack exchange，提问作者Mimosa