Матричная версия cor.test()

corr.test в пакете psych предназначен для этого:

library("psych")
data(sat.act)
corr.test(sat.act)

Как отмечалось в комментариях, чтобы воспроизвести p-значения из базовой cor.test() функции по всей матрице, необходимо отключить корректировку p-значений для нескольких сравнения (по умолчанию используется метод корректировки Холма):

 corr.test(sat.act, adjust = "none")

[Но будьте осторожны при интерпретации этих результатов!]

Если вам строго нужны pvalues ​​в матричном формате из cor.test, вот решение, бессовестно украденное у Винсента (ССЫЛКА):

cor.test.p <- function(x){
    FUN <- function(x, y) cor.test(x, y)[["p.value"]]
    z <- outer(
      colnames(x), 
      colnames(x), 
      Vectorize(function(i,j) FUN(x[,i], x[,j]))
    )
    dimnames(z) <- list(colnames(x), colnames(x))
    z
}

cor.test.p(mtcars)

Примечание. Tommy также предлагает более быстрое решение, хотя и менее простое в реализации. О, и нет циклов :)

Изменить В моем пакете qdapTools есть функция v_outer, которая значительно упрощает эту задачу:

library(qdapTools)
(out <- v_outer(mtcars, function(x, y) cor.test(x, y)[["p.value"]]))
print(out, digits=4)  # for more digits

Вероятно, самый простой способ — использовать rcorr() от Hmisc. Для этого потребуется только матрица, поэтому используйте rcorr(as.matrix(x)), если ваши данные находятся в data.frame. Он вернет вам список с: 1) матрицей r попарно, 2) матрицей попарно n, 3) матрицей значений p для r. Он автоматически игнорирует недостающие данные.

В идеале функция такого типа должна также принимать data.frames и выводить доверительные интервалы в соответствии с 'Новая статистика'.

Принятое решение (функция corr.test в пакете psych) работает, но очень медленно для больших матриц. Я работал с матрицей экспрессии генов (~ 20 000 на ~ 1000), коррелированной с матрицей чувствительности к лекарствам (~ 1000 на ~ 500), и мне пришлось остановить ее, потому что это длилось вечно.

Я взял некоторый код из пакета psych и вместо этого напрямую использовал функцию cor() и получил гораздо лучшие результаты:

# find (pairwise complete) correlation matrix between two matrices x and y
# compare to corr.test(x, y, adjust = "none")
n <- t(!is.na(x)) %*% (!is.na(y)) # same as count.pairwise(x,y) from psych package
r <- cor(x, y, use = "pairwise.complete.obs") # MUCH MUCH faster than corr.test()
cor2pvalue = function(r, n) {
  t <- (r*sqrt(n-2))/sqrt(1-r^2)
  p <- 2*(1 - pt(abs(t),(n-2)))
  se <- sqrt((1-r*r)/(n-2))
  out <- list(r, n, t, p, se)
  names(out) <- c("r", "n", "t", "p", "se")
  return(out)
}
# get a list with matrices of correlation, pvalues, standard error, etc.
result = cor2pvalue(r,n)

Даже с двумя матрицами 100 х 200 разница была ошеломляющей. Секунда-две против 45 секунд.

> system.time(test_func(x,y))
   user  system elapsed 
  0.308   2.452   0.130 
> system.time(corr.test(x,y, adjust = "none"))
   user  system elapsed 
 45.004   3.276  45.814 

«Принятое решение (функция corr.test в пакете psych) работает, но очень медленно для больших матриц».

Если использовать ci=FALSE, то скорость намного быстрее. По умолчанию найдены доверительные интервалы. Однако это приводит к небольшому замедлению скорости. Итак, только для rs, ts и ps установите ci=FALSE.