R中data.matrix与model.matrix计算相关矩阵结果为何不同？

两个函数对原始数据的预处理逻辑完全不同，是结果不一致的核心原因：

• data.matrix()的处理逻辑：
  • 仅将数据框所有列转换为数值类型，不会删除任何行：字符型的"TRUE"/"FALSE"会先按字母序转为因子，再映射为整数2/1，缺失值NA会原样保留
  • 后续cor(use="pairwise.complete.obs")计算每对变量的相关系数时，仅剔除这两个变量同时为NA的观测，不同变量对使用的观测样本量可能不同
• model.matrix()的处理逻辑：
  • 为线性模型生成设计矩阵时，默认会先删除所有包含任意缺失值的行，你给出的示例数据中，行2（CEO缺失）、行5、行6（contract缺失）会被直接剔除，最终仅保留7行完整观测
  • 字符型的"TRUE"/"FALSE"会被转成0/1哑变量，列名会变为contractTRUE、CEOTRUE这类形式
  • 后续计算相关系数时，所有变量对用的都是这7行样本，和前者的样本量完全不同，结果自然有差异

以你提到的CEO与Score的相关系数差异为例：data.matrix路径计算时仅剔除了CEO缺失的第2行，用剩下9行观测计算；model.matrix路径除了第2行，还额外剔除了contract缺失的第5、6行，只用7行观测计算，样本不同结果自然不同。

可根据你的分析需求选择对应方案：

• 如果你希望尽可能保留所有可用观测，按pairwise.complete.obs逻辑计算相关，建议使用第一种路径，但需提前过滤不需要纳入相关的列（如示例中的idcode是编号，不参与相关计算），并把字符型布尔列转为标准逻辑型避免编码异常，优化代码如下：

# 预处理：删除idcode，将字符布尔列转为逻辑型
df_processed <- df[, !names(df) %in% "idcode"]
df_processed$contract <- as.logical(df_processed$contract)
df_processed$CEO <- as.logical(df_processed$CEO)

# 计算相关矩阵
data.matrix(df_processed) %>% 
  cor(use = "pairwise.complete.obs") %>% 
  round(digits = 3)

• 如果你要求所有相关系数都基于完全相同的完整观测样本（即所有变量都无缺失的行），可以用第二种路径，但建议手动提前删除含缺失值的行，避免model.matrix隐式删行导致的逻辑不透明，代码参考：

# 手动剔除含任意缺失的行，删除idcode后计算
df_complete <- df[complete.cases(df), !names(df) %in% "idcode"]
df_complete$contract <- as.logical(df_complete$contract)
df_complete$CEO <- as.logical(df_complete$CEO)

cor(df_complete, use = "everything") %>% round(digits = 3)

内容的提问来源于stack exchange，提问作者Ludovico