Skip to contents

Calcula Pearson —o Spearman, si se pide— entre numéricas, V de Cramér entre categóricas y eta cuadrado entre una categórica y una numérica. Las medidas se informan en [0, 1]: la correlación usa su valor absoluto. La tabla declara el método, su supuesto, el soporte y el posible muestreo; no presenta significancia estadística.

Usage

detectar_asociaciones(
  datos,
  dependencias = NULL,
  umbral = 0.3,
  muestra = 10000,
  max_columnas = 50L,
  max_niveles = 50L,
  max_pares = 500L,
  metodo_numerico = c("pearson", "spearman"),
  sentinelas_numericos = NULL
)

Arguments

datos

Tabla que se desea examinar.

dependencias

Resultado opcional de detectar_dependencias().

umbral

Valor mínimo en [0, 1] que se informa.

muestra

Máximo común de filas; Inf desactiva el muestreo.

max_columnas

Máximo de columnas analizables.

max_niveles

Máximo de niveles para tratar una columna como categórica.

max_pares

Máximo de asociaciones devueltas después de ordenar.

metodo_numerico

Medida entre columnas numéricas: "pearson" por omisión, o "spearman" para asociación monótona sobre los rangos.

sentinelas_numericos

Vector de valores declarados como ausencia. La fila de un par que contiene un valor declarado no se usa para medirlo, igual que una fila con NA; por eso n_pares cuenta sólo las filas completas restantes. La lista por omisión no se considera una declaración.

Value

Data frame S3 asociaciones_columnas. Sus atributos declaran filas, columnas y pares examinados, omisiones por dependencia y truncamiento. pares_omitidos_medicion conserva los pares que no se pudieron medir, junto con el motivo y la cantidad de filas completas disponible. Su atributo cobertura_diagnosticos tiene una fila por par omitido. Cuando analizar() integra el resultado, esas filas se agregan a la cobertura del perfil.

Details

metodo_numerico = "spearman" mide asociación monótona sobre los rangos y no supone linealidad, así que reconoce una relación creciente aunque sea curva. Pearson sigue siendo el valor por omisión porque es lo que la mayoría espera de una correlación, y el método elegido viaja en la columna metodo de la salida para que ninguna lectura dependa de recordar cuál se pidió.

Se descartan constantes, fechas, listas, columnas compuestas —matrices o arreglos de más de una dimensión—, categóricas de cardinalidad alta y columnas posteriores a max_columnas antes de construir pares. Las dependencias funcionales exactas recibidas en dependencias no se repiten como asociaciones.

Un par en el que una columna toma un solo valor en las filas completas no se puede medir —ni Cramér ni eta cuadrado están definidos con una sola categoría—, aunque la columna no sea constante en la tabla entera: va a pares_omitidos_medicion y no se publica como asociación cero.

Examples

d <- data.frame(x = 1:20, y = 2 * (1:20), grupo = rep(c("A", "B"), 10))
detectar_asociaciones(d, umbral = 0)
#>   columna_1 columna_2   tipo_1     tipo_2           metodo
#> 1         x         y numerica   numerica pearson_absoluto
#> 2         x     grupo numerica categorica             eta2
#> 3         y     grupo numerica categorica             eta2
#>                                                                              supuesto
#> 1 Las columnas numéricas se tratan como cuantitativas; la escala no queda confirmada.
#> 2            La columna numérica se trata como cuantitativa y la otra como categoría.
#> 3            La columna numérica se trata como cuantitativa y la otra como categoría.
#>    asociacion n_pares
#> 1 1.000000000      20
#> 2 0.007518797      20
#> 3 0.007518797      20