使用Pingouin和Seaborn绘制偏相关分析散点图

偏相关分析简介

偏相关分析(Partial Correlation)是一种统计方法，用于衡量两个变量之间的关系，同时控制其他变量的影响。与简单相关分析不同，偏相关能够消除混杂变量的干扰，揭示变量间更本质的关联。

使用Pingouin进行偏相关分析

Pingouin是一个基于Python的统计库，提供了pg.partial_corr函数来计算偏相关系数。该函数支持多种相关方法，包括Pearson和Spearman相关。

Spearman偏相关分析示例

当我们需要计算两个变量x和y之间的Spearman偏相关系数，同时控制三个协变量cv1、cv2和cv3时，可以使用以下代码：

import pingouin as pg

# 计算Spearman偏相关系数
result = pg.partial_corr(data=df, x='x', y='y', 
                        covar=['cv1', 'cv2', 'cv3'],
                        method='spearman')
print(result.round(3))

偏相关分析结果的可视化

方法一：使用Seaborn的regplot函数

Seaborn库提供了regplot函数，可以直接绘制偏相关散点图：

import seaborn as sns
import matplotlib.pyplot as plt

# 绘制偏相关散点图
sns.regplot(x='x', y='y', data=df, 
           x_partial=['cv1', 'cv2', 'cv3'],
           y_partial=['cv1', 'cv2', 'cv3'])
plt.title("偏相关分析散点图")
plt.show()

方法二：手动计算残差绘制

当Seaborn的regplot函数无法满足需求时，可以手动计算残差后绘制：

import statsmodels.formula.api as smf

# 计算x对协变量的残差
x_resid = smf.ols(formula="x ~ cv1 + cv2 + cv3", data=df).fit().resid

# 计算y对协变量的残差
y_resid = smf.ols(formula="y ~ cv1 + cv2 + cv3", data=df).fit().resid

# 创建残差数据框
residual_df = pd.DataFrame({'X_resid': x_resid, 'Y_resid': y_resid})

# 绘制散点图
plt.figure()
sns.regplot(x='X_resid', y='Y_resid', data=residual_df, ci=None)
plt.title("偏相关分析残差图")
plt.xlabel("X的残差(去除协变量影响)")
plt.ylabel("Y的残差(去除协变量影响)")
plt.show()

注意事项

1. 数据类型选择：对于Spearman相关，虽然计算时使用秩转换数据，但可视化时通常使用原始数据更直观

2. 解释说明：在图表标题或注释中应明确说明使用了偏相关分析，并列出控制的协变量

3. 结果一致性：确保可视化结果与统计计算结果一致，可以添加相关系数和p值作为图表注释

4. 多协变量处理：当控制多个协变量时，残差图能更清晰地展示变量间关系

通过以上方法，研究人员可以直观地展示变量间的偏相关关系，为数据分析提供更深入的见解。