如何使用数据集列表上的分组变量进行偏相关分析

Question

我正在使用以下可能适合我的情况的可重现示例。如果可能的话，我一直在尝试执行

mpg

和

disp,  hp, vs

之间的偏相关分析。我不确定

pcor function

是否可以做到这一点，但我准备的代码如下：

 list = list(mtcars, mtcars)
    list = lapply(list, function(x) x %>%
                    mutate(gear = as.factor(gear)))
    library(ggm)
    lapply(list, function(x) x %>% 
             group_by(gear) %>% pcor(c(mpg, disp,  hp, vs), var(x)))

我不确定它出了什么问题，但我收到错误：

Error in pcor(., c(mpg, disp, hp, vs), var(x)) : unused argument (var(x))

您有什么建议来解决这个问题？ MoDo 您建议使用不同且分离的数据集来运行此分析，但使用不同的迭代方法（我想使用这种方式）？

谢谢

Answer 1

你的语法在这里没有任何意义。

ggm::pcor

函数接受两个参数，但您传递了三个参数（请记住，当您使用管道运算符时，最后一个计算的结果将作为以下函数的第一个参数传递）。

文档还说第一个参数

u

应该是：

长度> 1的整数向量。前两个整数是必须计算其相关性的变量的索引。向量的其余部分是 调理套装。

事实证明，这并不完全正确，因为该示例继续向参数 u 提供由

列名称 

组成的向量，该向量用于对传递给参数

S 的矩阵的行和列进行子集化

.

底线是，如果您想要列表中每个数据帧的每个级别

gear

的部分相关性，您将需要执行以下操作：

library(ggm)

lapply(list, function(x) {
  sapply(split(x, x$gear), function(x) {
    pcor(u = c('mpg', 'disp', 'hp', 'vs'), S = var(x))
  })
})
#> [[1]]
#>          3          4          5 
#> -0.3572209 -0.7089970 -0.2900153 
#> 
#> [[2]]
#>          3          4          5 
#> -0.3572209 -0.7089970 -0.2900153