Корреляция, определение значимости коэффициента Опции

[SurgeonAnastasia]

Здравствуйте
Проведено исследование, связанное с изучением стоматологических и психологических параметров, по 4 параметра в каждом разделе. Психологические параметры выражались в дихотомической шкале и ранговой. Стоматологические - в ранговой. Необходимо было провести корреляционный анализ.
Анализ был проведён с использованием расчета коэффициентов Спирмена, биссериального коэффициентов. Коэффициенты получены как положительные, так и отрицательные. Затем проведено определение значимости этих коэффициентов. Также получены различные значения, как и значимые значения, так и значения, соответствующие гипотезе о нулевом коэффициенте.
Все считала в Excel.
В итоге, много вопросов:
1. Правильный ли у меня алгоритм действий?
2. Если да, то что интерпретировать: сам коэффициент или его значимость?
3. Правильно ли использовать Excel или другая программа лучше для этих целей.
Заранее прошу прощения за возможную некомпетентность.

[SurgeonAnastasia]

Да!

[p2004r]

1. Поиск оптимальной структуры сети связей объясняющей данные наилучшим непротиворечивым методом.

Методы основанные на поиске максимума критерия оптимальности сети показывают упорно в сторону отсутствия связи между обоими наборами показателей (при учете их внутренней структуры).

Код

> print(hc(data, optimized = F, debug = F))

  Bayesian network learned via Score-based methods

  model:
   [лк][ш][э.н][иг][уд][э.у|лк][м.т|уд][к.т|иг:м.т]
  nodes:                                 8
  arcs:                                  4
    undirected arcs:                     0
    directed arcs:                       4
  average markov blanket size:           1.25
  average neighbourhood size:            1.00
  average branching factor:              0.50

  learning algorithm:                    Hill-Climbing
  score:                                 BIC (cond. Gauss.)
  penalization coefficient:              1.914321
  tests used in the learning procedure:  280
  optimized:                             FALSE

> AIC(hc(data, optimized = F, debug = F), data)
[1] -132.8683

> print(tabu(data, optimized = F, debug = F))

  Bayesian network learned via Score-based methods

  model:
   [лк][ш][э.н][иг][уд][э.у|лк][м.т|уд][к.т|иг:м.т]
  nodes:                                 8
  arcs:                                  4
    undirected arcs:                     0
    directed arcs:                       4
  average markov blanket size:           1.25
  average neighbourhood size:            1.00
  average branching factor:              0.50

  learning algorithm:                    Tabu Search
  score:                                 BIC (cond. Gauss.)
  penalization coefficient:              1.914321
  tests used in the learning procedure:  1008
  optimized:                             FALSE

> AIC(tabu(data, optimized = F, debug = F), data)
[1] -132.8683

Сеть связей предлагается одинаковая.

Большинство методов основанных на анализе "непротиворечивоти" двухсторонних связей подтверждают наличие связи л.к -- э.у (как обычно не определяя сразу направленность, это нужно делать оценивая изменение суммы критерия сети в целом при помощи choose.direction() ) ну и изредка других связей найденными алгоритмами поиска по критерию оценки сети в целом.

Однако, Max-Min Parents and Children (MMPC) находит интересующую связь между двумя группами переменных.

Tsamardinos I, Aliferis CF, Statnikov A (2003). "Time and Sample Efficient Discovery of Markov Blankets and Direct Causal Relations". In "KDD '03: Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining", pp. 673-678. ACM.

Tsamardinos I, Brown LE, Aliferis CF (2006). "The Max-Min Hill-Climbing Bayesian Network Structure Learning Algorithm". Machine Learning, 65(1), 31-78.

Код

> print(mmpc(data, optimized = F, debug = F))

  Bayesian network learned via Constraint-based methods

  model:
    [undirected graph]
  nodes:                                 8
  arcs:                                  3
    undirected arcs:                     3
    directed arcs:                       0
  average markov blanket size:           0.75
  average neighbourhood size:            0.75
  average branching factor:              0.00

  learning algorithm:                    Max-Min Parent Children
  conditional independence test:         Mutual Information (cond. Gauss.)
  alpha threshold:                       0.05
  tests used in the learning procedure:  74
  optimized:                             FALSE

> plot(mmpc(data, optimized = F, debug = F), main = "Max-Min Parent Children")

Но такая картина, если тыкать в связи бутстреп тестами, не очень то подтверждается.

Эскизы прикрепленных изображений