基于r语言的变量依赖性显著性检查在计算相关系数后，如何进行统计显著性检查呢？
常用的原始假设是变量之间不相关(也就是说，整体的相关系数为0 )。 可以使用cor.test ()函数验证单个人员、人员和Kendall的相关系数。
简化的使用形式如下。
cor.test(x，y，alternative='……'，method='……' )
其中，x和y是检查相关性的变量，alternative用于指定单侧检查或双侧检查，值为two.side、less、greater，method为要计算的相关性类型“pearson”、“pearson”
如果研究假设整体相关系数小于0，请使用alternative=“less”；
如果研究假设总体相关系数大于0，则应使用alternative=“greater”；
默认情况下，假设总体相关系数不为0，则alternative=“two.side”。
示例： cor.test(states[，3]，States[，5] ) )
很遗憾，cor.test一次只能验证一个相关性，但corr.test () )函数一次可以做更多的事情。
使用格式：
corr.test(x，use=，method ) )。
use=可以是pairwise或complete的值。 其中pairwise表示删除缺少值对，complete表示删除缺少值的行。
参数method的值可以是“人员”、“人员开启”和“钥匙”。
在多元正则性假设下，还可以使用psych包中的pcor.test ) )函数验证一个或多个附加变量时两个变量之间条件的独立性。
使用格式：
pcor.test(r，q，n ) )。
其中，r是偏相关系数矩阵；
q是要控制的变量的数量u (用数值表示位置)；
n是样品大小。
实战人员检查输入以下命令实现检查。
cor.test(data$x，data $ y，alternative=“two.sided "，method=“pearson "，conf.level=0.95 ) ) ) )。
结果如下。
人员产品- momentcorrelationdata : data $ xan ddata $ yt=5.0618，df=98， p-value=1.946 e-06 alternative hypothesis : truecorrelationisnotequalto 095 percentconfidenceinterval 3360.2842595.598198 因此，x和y有相关，但相关不是很大。
输入以下代码以进行kendall检验。
cor.test(data$x，data $ y，alternative=“two.sided "，method=“kendall "，conf.level=0.95 ) )
结果如下。
Kendall ' srankcorrelationtaudata : data $ xan ddata $ yz=4.572， 根据p-value=4.83 e-06 alternative hypothesis 3360 truetauisnotequalto0sample estimates 3360 tau 0.3110132，两者相关测定值为0.3110132，检验p
输入以下代码进行spearman检验。
cor.test(data$x，data $ y，alternative=“two.sided "，method=“spearman "，conf.level=0.95 ) ) ) ) )。
结果如下。
spearman ' srankcorrelationrhodata : data $ xan ddata $ ys=90673.21， 根据p-value=1.874 e-06 alternative hypothesis : truerhoisnotequalto0sample estimates 3360 rho 0.4559064，两者的相关测定值为0.45559064