如何使用R语言模拟具有强相关性的数据集

独立调用两次rnorm()生成的是两个相互独立的随机变量，二者总体相关系数为0，大样本下计算得到的相关性自然会趋近于0，和你绘图看到的无相关结果一致。

要快速生成指定相关强度的多变量相关数据集，最简便的方案是使用R内置的MASS包（随R基础版本自带，无需额外安装）中的mvrnorm()函数，直接指定变量均值、协方差结构即可生成符合要求的多变量正态分布数据，大样本下运行效率和单独调用rnorm()基本一致。

实现示例 #

比如要生成和你之前参数一致、且妈妈IQ和孩子得分相关系数为0.7（强正相关）的1000条样本，代码如下：

# 加载内置MASS包
library(MASS)

# 设定目标相关系数
target_cor <- 0.7
# 构造协方差矩阵：对角线为各变量方差，非对角线为协方差=相关系数*变量1标准差*变量2标准差
cov_matrix <- matrix(
  c(15^2, target_cor*15*20,
    target_cor*15*20, 20^2),
  nrow = 2
)

# 生成模拟数据，设置随机种子保证结果可复现
set.seed(123)
sim_df <- mvrnorm(
  n = 1000,
  mu = c(mom.iq = 120, kid.score = 45), # 两个变量的均值
  Sigma = cov_matrix # 协方差矩阵
) |> as.data.frame()

生成后可以直接用你之前的绘图代码验证：

library(ggpubr)
ggscatter(sim_df,
          x="mom.iq",
          y="kid.score")+
  geom_smooth(method = "lm")

运行cor(sim_df$mom.iq, sim_df$kid.score)可以看到，计算得到的样本相关系数会在你设定的0.7附近波动，绘图也能看到明显的正相关趋势。

如果需要生成3个及以上变量的相关数据集，只需要对应扩展协方差矩阵的维度、补充对应变量的均值即可，不需要手动逐行构造数值，完全适配大样本模拟场景。

如果不想加载额外包，也可以用线性组合的方式生成相关变量：先生成第一个独立变量，再基于第一个变量叠加对应权重的随机噪声，调整参数匹配目标均值、标准差和相关系数即可，代码示例如下：

set.seed(123)
mom.iq <- rnorm(n=1000, mean=120, sd=15)
kid.score <- 45 + target_cor*(20/15)*(mom.iq - 120) + rnorm(n=1000, mean=0, sd=20*sqrt(1-target_cor^2))
df <- data.frame(mom.iq, kid.score)

这个方法不需要依赖任何包，但多变量场景下参数调整比mvrnorm()繁琐。

内容的提问来源于stack exchange，提问作者Shawn Hemelstrand