如何在 R 中同时显示我的独立矩阵和所有相关矩阵之间的所有 QAP 相关系数和 QAP p 值？答案

【问题标题】：How can I show simultaneously all QAP correlation coefficients and QAP p-values between my independent and all dependent matrices with sna in R?如何在 R 中同时显示我的独立矩阵和所有相关矩阵之间的所有 QAP 相关系数和 QAP p 值？
【发布时间】：2022-01-19 00:32:21
【问题描述】：

我正在运行二次分配程序 (QAP) 以使用 sna 包查找依赖网络矩阵与 R 中四个独立单子节点协变量矩阵的相关性。

我正在使用以下代码：

cor2<-sna::gcor(list(bilateralaid_network, GDP_capita_receiver, 
                  GDP_capita_sender,
                  HDI_receiver,HDI_sender))
p2<-qaptest(list(bilateralaid_network, GDP_capita_receiver, 
                 GDP_capita_sender,
                 HDI_receiver,HDI_sender), gcor, g1=1, g2=2, reps=1000)
p2<-qaptest(list(bilateralaid_network, GDP_capita_receiver, 
                 GDP_capita_sender,
                 HDI_receiver,HDI_sender), gcor, g1=1, g2=3, reps=1000)
#etc

但是我不想像 question 中所示的那样为每个因变量单独运行 qaptest。

有没有办法在 R 中以表格或矩阵格式返回所有相关系数和 p 值？

我了解到使用 UCINET 软件可以实现，但我个人无权访问它。

UCINET 能够提供如下截图所示的结果。我想在 R 中产生类似的输出。

【问题讨论】：

qap 是定义上的二元分析。所以，你不能两两地运行它。也就是说，编写一个运行所有网络组合并将 qaptest 应用于它们然后将其作为矩阵输出的小函数将很简单。编写一个更有效地执行此操作的函数也相当容易，只需生成一次排列向量，然后将其应用于每个成对分析。它可能会快一点，因为您不必为每个 qap 运行单独绘制这些排列。

标签： r correlation social-networking network-analysis sna

【解决方案1】：

一个非常简单的解决方案如下。这可以通过多种方式进行优化，但这非常简单，利用 sna 包中的功能。

# some random networks
g <- array(dim = c(3, 10, 10))
g[1, , ] <- sna::rgraph(10)
g[2, , ] <- sna::rgraph(10, tprob = g[1, , ]*0.8)
g[3, , ] <- 1
g[3, 1, 2] <- 0

socmat <- network::as.sociomatrix(g)
reps = 1000
testval <- sna::gcor(g)
out <- array(dim = c(dim(g)[1], dim(g)[1], reps))

for (i in 1:reps) {
  out[, , i] <- sna::gcor(sna::rmperm(socmat)) - testval
}

(pgreq <- rowMeans(out > 0, dims = 2))
(pleeq <- rowMeans(out <= 0, dims = 2))
testval

这里，pgreq 是相关性的 p 值大于观察到的相关性，pleeq 包含相关性小于或等于观察到的相关性的 p 值，testval 包含相关性在观察到的网络之间。

> pgreq
      [,1]  [,2]  [,3]
[1,] 0.000 0.000 0.436
[2,] 0.000 0.000 0.619
[3,] 0.436 0.619 0.000

> pleeq
      [,1]  [,2]  [,3]
[1,] 1.000 1.000 0.564
[2,] 1.000 1.000 0.381
[3,] 0.564 0.381 1.000

> testval
            1          2           3
1  1.00000000  0.7135061 -0.09480909
2  0.71350607  1.0000000 -0.13287777
3 -0.09480909 -0.1328778  1.00000000

您可以轻松地将其打包成一个函数并使其更高效。但是，在许多情况下，这段代码可能已经足够了。

【讨论】：