这取决于您想要什么样的相关性。当您运行典型的 Pearson 乘积矩相关性时，您会得到关联强度的度量，并得到关联重要性的检验。然而，更典型的是，显着性检验和效应大小的测量是不同的。

显着性测试：

• 连续与标称：运行ANOVA。在 R 中，您可以使用?aov。
• 标称与标称：运行卡方检验。在 R 中，您使用?chisq.test。

影响大小（关联强度）：

• 连续与名义：计算组内相关性。在 R 中，您可以在psych包中使用?ICC ；还有一个ICC包。
• 标称与标称：计算Cramer's V。在 R 中，您可以使用vcd包 中的?assocstats 。

我之前看过以下链接的备忘单：

https://stats.idre.ucla.edu/other/mult-pkg/whatstat/

它可能对你有用。它甚至有指向特定 R 库的链接。

如果您想要分类变量的相关矩阵，可以使用以下包装函数（需要“vcd”包）：

catcorrm <- function(vars, dat) sapply(vars, function(y) sapply(vars, function(x) assocstats(table(dat[,x], dat[,y]))$cramer))

在哪里：

vars是要关联的分类变量的字符串向量

dat是一个包含变量的data.frame

结果是一个 Cramer 的 V 矩阵。

取决于你想要达到什么。让$X$是连续的数值变量，并且$K$（无序的）分类变量。然后一种可能的方法是分配数字分数$t_i$对每个可能的值$K$,$i=1, \dots, p$. 一种可能的标准是最大化$X$和分数$t_i$. 只有一个连续变量和一个分类变量，这可能不是很有帮助，因为最大相关性总是一个（为了证明这一点，并找到一些这样的分数，是使用拉格朗日乘数的练习！对于多个变量，我们尝试找到分类变量的折衷分数，也许试图最大化多重相关性$R^2$. 那么各个相关性将不会更多（除了非常特殊的情况！）等于一。

这种分析可以看作是多重对应分析的概括，并且以许多名称而闻名，例如典型相关分析、同质性分析等。R 中的一个实现在homals包中（在 CRAN 上）。谷歌搜索其中一些名称会提供丰富的信息，有一本完整的书：Albert Gifi，“Nonlinear Multivariate Analysis”。祝你好运！