Uma forma de obter um coeficiente que mede a intensidade da associação entre uma variável categórica e uma variável contínua é usar a raiz quadrada do coeficiente de determinação de um modelo de regressão logística ajustado.
Essa ideia veio de uma perguntapergunta que eu fiz no Cross ValidatedCross Validated algum tempo atrás.
A raíz quadrada do coeficiente de determinação é sempre um número entre 0 e 1. 1 indicando muito relacionado e 0 pouco relacionado, assim como o coeficiente de correlação de Pearson. O uso desta medida parece fazer sentido uma vez que na regressão linear simples o R^2
é equivalente ao quadrado da correlação de Pearson.
No R
, isso uma função pode ser facilmente escrita da seguinte forma:
cor_cat_cont <- function(cat, cont){
modelo <- glm(cat ~ cont, family = binomial(link = "logit"),
control = glm.control(maxit = 10e6))
R2 <- binomTools::Rsq(modelo)$R2cor
sqrt(R2)
}
Por exemplo, no banco de dados iris
, você pode usá-la assim:
> cor_cat_cont(iris$Species, iris$Sepal.Length)
[1] 0.8158366
Para usar a função, você precisa instalar o pacote binomTools
, usando install.packages("binomTools")
.
Na época fiz o seguinte post no meu blog simulando alguns dados categóricos e medindo a correlação calculada desta forma e achei o resultado bem satisfatório.