这里有很多问题（你是否使用ggplot2让我觉得完全与它们正交）。首先，认识到相关性不一定以直观的“线性”方式扩展（很大程度上是因为它们的可能范围是有限的）。值得考虑如何表示这些值。例如，您可以使用：

1. 原始相关性（ -scores）$r$
2. 决定系数 ( )$r^2$
3. $z$ - 基于Fisher 的“到 ”转换$r$$z$结果的分数：
   $$z_r = .5\ln\! \bigg(\frac{1+r}{1-r}\bigg)$$

我对你的情况一无所知，所以我很难说，但我的默认设置是使用转换后的分数（）。 $z_r$

接下来，您需要决定要包含哪些数据（完全，或或多或少突出）。例如，您是想包括值的绝对大小，还是只包括它们的变化（参见水平与经济变化）？您主要关心变化的幅度（即绝对值），是增加还是减少（绝对意义上的符号，或接近或远离无相关性的符号），或两者兼而有之？

鉴于您想要可视化一个相关矩阵（即一组相关），值得记住的是它们不会是独立的。考虑到只有一个变量的变化会对多重相关性产生影响，即使其他变量随时间保持不变。同样，这取决于这对您是否重要。

换句话说，弄清楚你真正关心的是什么是至关重要的。不会有可以捕捉所有这些方面的可视化。

从您的评论中，我猜您将只有两个相关矩阵，之前和之后。这简化了事情。同样，在没有关于您的情况、数据或目标的任何信息的情况下，我可能会制作一个散点图，X 轴为 before 和 after，，表示相同相关性的两个点由一条线连接部分。考虑这个用 R 编码的例子： $z_r$

library(MASS)   # we'll use these packages
library(psych)
set.seed(541)   # this makes the example exactly reproducible
bef = mvrnorm(100, mu=rep(0, 5), Sigma=rbind(c(1.0, 0.0, 0.0, 0.0, 0.0),
                                             c(0.0, 1.0, 0.4, 0.0, 0.5),
                                             c(0.0, 0.4, 1.0, 0.1, 0.0),
                                             c(0.0, 0.0, 0.1, 1.0, 0.8),
                                             c(0.0, 0.5, 0.0, 0.8, 1.0) ))
aft = mvrnorm(100, mu=rep(0, 5), Sigma=rbind(c(1.0, 0.0, 0.0, 0.0, 0.0),
                                             c(0.0, 1.0, 0.4, 0.0, 0.5),
                                             c(0.0, 0.4, 1.0, 0.1, 0.0),
                                             c(0.0, 0.0, 0.1, 1.0, 0.8),
                                             c(0.0, 0.5, 0.0, 0.8, 1.0) ))
aft[,5] = rnorm(100)  # above I generate data 2x from the same population, 
b.c = cor(bef)        #  here I change just 1 variable
a.c = cor(aft)        # then I make cor matrices, & extract the rs into a vector
b.v = b.c[upper.tri(b.c)]
a.v = a.c[upper.tri(a.c)]
d   = stack(list(bef=b.v, aft=a.v))
d$ind = relevel(d$ind, ref="bef")
windows(width=7, height=4)
  layout(matrix(1:2, nrow=1))
  plot(as.numeric(d$ind), fisherz(d$values), main="Fisher's z",
       axes=F, xlab="time", ylab=expression(z [r]), xlim=c(.5,2.5))
  box()
  axis(side=1, at=1:2, labels=c("before","after"))
  axis(side=2, at=seq(-.2,1.5, by=.2), cex.axis=.8, las=1)
  for(i in 1:10){ lines(1:2, matrix(fisherz(d$values), nrow=10, ncol=2)[i,]) }

  plot(as.numeric(d$ind), d$values, main="Raw rs",
       axes=F, xlab="time", ylab="r", xlim=c(.5,2.5))
  box()
  axis(side=1, at=1:2, labels=c("before","after"))
  axis(side=2, at=seq(-.2,1.0, by=.2), cex.axis=.8, las=1)
  for(i in 1:10){ lines(1:2, matrix(d$values, nrow=10, ncol=2)[i,]) }; rm(i)

fdif       = abs(fisherz(a.c)-fisherz(b.c))
diag(fdif) = 0
windows()
  image(1:5, 1:5, z=fdif, 
        xlab="", ylab="", col=gray.colors(8)[8:3])
  for(i in 1:5){ for(j in 1:5){ text(i,j,round(fdif,2)[i,j]) }}

上图显示了相关性的水平和变化量。您可以看到各种特征，例如向收敛。和的区别在于r预先分布得更均匀。例如，和和之间的距离相同。另一方面，对于，相关性接近$r=0$$z_r$$r$$r$$0$$.4$$.4$$.8$$z_r$$0$聚集在一起，并且强相关性与其余部分相去甚远。这些数字没有捕捉到的是这些线的非独立性。您可以在下面的热图中（使用中差异的绝对值）看到较大的变化与变量 5 相关联。 $z_r$

更新：@whuber 详细介绍了一种基于新论文（截至 2020 年 6 月 2 日）比较协方差矩阵的方法：Diagnostic plot for evaluation homogeneity of variance-covariance matrices

在我看来，最好量化参数变化的影响（局部相关性的代理）而不是尝试视觉，因为视觉比较的尝试可能非​​常主观你的问题类似于“我如何测试我的参数是否模型随时间变化”。我所做的是对 Chow 测试进行编程，以确定参数在哪个时间点具有最大的差异。发现这一点可以直接检验重要性，可能会得出“早期数据”应该被搁置的结论。