计算中每对变量的偏相关系数x和y输入矩阵，同时控制其余变量的影响x．

加载示例数据。

负载carsmall；

这些数据包括1970年、1976年和1982年生产的汽车的测量数据。它包括英里/加仑和加速度作为绩效衡量标准位移，马力,重量作为设计变量。加速度从0加速到60英里每小时需要时间吗加速度对应的是低加速度的车辆。

定义输入矩阵。的y矩阵包括绩效度量，以及x矩阵包括设计变量。

y = (MPG、加速度);x =(位移、马力、重量);

计算相关系数。只包括计算中没有缺失值的行。

ρ= partialcorri (y, x,“行”，“完成”）

ρ=2×3-0.0537 -0.1520 -0.4856 -0.3994 -0.4008 0.4912

例如，结果表明，在控制了位移和马力的影响后，重量和加速度之间的相关性为0.4912。你可以退回 $$p$$-值作为第二个输出，并检查它们，以确认这些相关性是否具有统计学意义。

为了更清晰地显示，请创建一个带有适当变量和行标签的表。

ρ= array2table(ρ,.．.“VariableNames”, {“位移”，“马力”，“重量”}，.．.“RowNames”, {“英里”，“加速”}）;disp (的偏相关系数）

偏相关系数

disp(ρ)

位移马力重量  ____________ __________ ________ 英里/加仑-0.053684 -0.15199 -0.48563 -0.39941 -0.40075 0.49123的加速度

中对变量之间的偏相关检验x和y输入矩阵，同时控制其余变量的影响x加上矩阵中的其他变量z．

加载示例数据。

负载carsmall；

这些数据包括1970年、1976年和1982年生产的汽车的测量数据。它包括英里/加仑和加速度作为绩效衡量标准位移，马力,重量作为设计变量。加速度从0加速到60英里每小时需要时间吗加速度对应的是低加速度的车辆。

创建一个新变量逆风，并随机生成数据来表示沿着性能测量路线的平均逆风的概念。

rng (“默认”）;%的再现性逆风= (10:-0.2:-9.8)' + 5*randn(100,1);

由于逆风可以影响性能度量，在测试其余变量之间的偏相关性时，控制其影响。

定义输入矩阵。的y矩阵包括绩效度量，以及x矩阵包括设计变量。的z矩阵包含额外的变量，用于计算偏相关时的控制，如逆风。

y = (MPG、加速度);x =(位移、马力、重量);z =阻力;

计算偏相关系数。只包括计算中没有缺失值的行。

(ρ,pval) = partialcorri (y, x, z,“行”，“完成”）

ρ=2×30.0572 -0.1055 -0.5736 -0.3845 -0.3966 0.4674

pval =2×30.5923 0.3221 0.0000 0.0002 0.0001 0.0000

返回的小 $$p$$-value of 0.001 inpval指示，例如，在控制了位移、重量和逆风之后，马力和加速度之间的显著负相关。

为了更清晰地显示，请创建带有适当变量和行标签的表。

ρ= array2table(ρ,.．.“VariableNames”, {“位移”，“马力”，“重量”}，.．.“RowNames”, {“英里”，“加速”}）;pval = array2table (pval,.．.“VariableNames”, {“位移”，“马力”，“重量”}，.．.“RowNames”, {“英里”，“加速”}）;disp (“考虑逆风的偏相关系数”）

偏相关系数，考虑逆风

disp(ρ)

位移马力重量  ____________ __________ ________ 英里/加仑0.057197 -0.10555 -0.57358 -0.38452 -0.39658 0.4674的加速度

disp (“p值，计入逆风”）

p值，计入逆风

disp (pval)

排量马力重量____________ __________ __________ MPG 0.59233 0.32212 3.4401e-09加速度0.00018272 0.00010902 3.4091e-06