亚组分析、P交互、P趋势是什么?如何计算呢?

亚组分析、P交互、P趋势 是什么?如何计算呢?

(1)亚组分析如何计算?

(2)P交互作用的计算方法?

(3)P趋势如何计算?

(1)亚组分析如何计算

本篇不说理论,直接以R语言的lung数据集为例进行介绍。

除P交互的外,亚组分析和P趋势的计算以logistic模型为例进行说明:

自变量:sex(性别),age(年龄),ph.ecog(ECOG评分),wt.loss(过去六个月的体重减轻)

因变量:status(是否死亡)

交互作用我们主要关注性别和年龄的交互。

假设:我们主要关注性别和死亡的关系?

首先:由于要研究性别和死亡的关系,因此我们建立的主要分析模型如下:

Logit(p)= β 1 sex+β 2 age+β 3 ph.ecog+β 4wt.loss+残差

在这里, β ****1是我们关注的主要解释参数。****age+ph.ecog+wt.loss都是协变量

R语言代码:

#数据处理

library(rms)

library(dplyr)

data<-lung

#生成二分类新变量

dataage1 \<- ifelse(dataage > 60,

c("1"), c("2"))

datastatus\<-datastatus-1

str(data)#查看数据类型

#转化因子

a<-c("sex","age1")#填入需要转化的变量

data[,a]<-lapply(data[,a],as.factor)#转因子

#建立模型

#logistic模型:sex和status的关系

fit1 <- glm(status~sex+age1+ph.ecog+wt.loss,data=data,family = "binomial")

broom::tidy(fit1)

#自编函数,计算OR值

formatFit<-function(fit){

#取P值

p<-summary(fit)$coefficients[,4]

#wald值

wald<-summary(fit)$coefficients[,3]^2

#B值

valueB<-coef(fit)

#OR值

valueOR<-exp(coef(fit))

#OR值得95%CI

confitOR<-exp(confint(fit))

data.frame(

B=round(valueB,3),

Wald=round(wald,3),

OR_with_CI=paste(round(valueOR,3),"(",

round(confitOR[,1],3),"~",round(confitOR[,2],3),")",sep=""),

P=format.pval(p,digits = 3,eps=0.001)

)

}

formatFit(fit1) #得出OR值

结果解释:OR=0.304,因此sex=2的死亡风险更低。

  1. 亚组分析如何计算

那么,为了进一步探讨,不同年龄组的性别和死亡的关系,我们需要将人群按照年龄组分为60岁以下和60岁以上两组,分别建立两个模型:

60岁以下:Logit(p)= β 1 sex+β 3 ph.ecog+β 4wt.loss+残差

60岁以上:Logit(p)= β 1 sex+β 3 ph.ecog+β 4wt.loss+残差

这时候模型中就去掉了age这个变量,然后会得到两个β 1,这其实就是亚组分析,也叫分层分析。

R语言代码:

#亚组分析

data1<-subset(data,age>60)

data2<-subset(data,age<=60)

#60岁以上

fit2 <- glm(status~sex+ph.ecog+wt.loss,data=data1,family = "binomial")

#60岁以下

fit3 <- glm(status~sex+ph.ecog+wt.loss,data=data2,family = "binomial")

formatFit(fit2)

formatFit(fit3)

结果解释:OR=0.284和0.309,因此60岁以上和60岁以下,sex=2的死亡风险均更低。

(2)P交互作用的计算方法

那么OR=0.284和0.309,两者相等吗?这时候就需要计算P交互值了。

P交互值的计算方法有两种,一种是传统方法,一种是似然比检验。

  1. 传统方法:在模型中加入主要解释变量和亚组变量的交互项,交互项的P值即为P交互,本例的模型如下:

Logit(p)= β 1 sex+β 2 age+β 3 sex*age+β 4 ph.ecog+β 5wt.loss+残差

β 3的P值即为P交互。

  1. 似然比检验:步骤有三步

步骤1:建立有交互的模型,即Logit(p)= β 1 sex+β 2 age+β 3 sex*age+β 4 ph.ecog+β 5wt.loss+残差

步骤2:建立无交互的模型,即Logit(p)= β 1 sex+β 2 age+β 3 ph.ecog+β 4wt.loss+残差

步骤3:比较这个模型差异,计算的P值即为P交互

若P交互<0.05,则说明 OR=0.284和0.309在统计学上有差异,否则无差异。

下面分别给出线性模型、logistic模型、cox模型传统方法和似然比检验计算交互P的代码:

#模型1:线性模型

#有交互模型

fit1 <- glm(meal.cal~sex*age1+sex+age1+ph.ecog+wt.loss,data=data,family = "gaussian")

broom::tidy(fit1)

#无交互模型

fit2 <- glm(meal.cal~sex+age1+ph.ecog+wt.loss,data=data,family = "gaussian")

broom::tidy(fit2)

#似然比检验

anova(fit1,fit2,test="Chisq")

#模型2:logistic模型

有交互模型

fit1 <- glm(status~sex*age1+sex+age1+ph.ecog+wt.loss,data=data,family = "binomial")

broom::tidy(fit1)

#无交互模型

fit2 <- glm(status~sex+age1+ph.ecog+wt.loss,data=data,family = "binomial")

broom::tidy(fit2)

#似然比检验

anova(fit1,fit2,test="Chisq")

#模型3:Cox模型

有交互模型

fit1 <- coxph(Surv(time,status)~sex*age1+sex+age1+ph.ecog+wt.loss,data=data)

broom::tidy(fit1)

#无交互模型

fit2 <- coxph(Surv(time,status)~sex+age1+ph.ecog+wt.loss,data=data)

broom::tidy(fit2)

#似然比检验

anova(fit1,fit2,test="Chisq")

(3)P趋势如何计算

由于P趋势的计算要求自变量至少为三种,因此,这里研究目的改为年龄和死亡的关系。

首先将年龄划分为<50,50~60,60~70,70及以上四组。

然后首先将年龄设置为哑变量,建立以下模型:

Logit(p)= β 1 age12+β 2 age13+β 3 age14+β 4 sex++β 5 ph.ecog+β 6wt.loss+残差

我们会得到β 1、 β 2、 β 3三个参数估计值,然后进一步得出OR1、OR2、OR3.

R语言代码:

###########P趋势的计算

#年龄分组

data <- within(data,{

age1[age<50]=1

age1[age>=50 & age < 60] = 2

age1[age>=60 & age < 70] = 3

age1[age>= 70] = 4

})

#变因子

dataage1\<-as.factor(dataage1)

#设参照

dataage1\<-relevel(dataage1, ref="1")

#建立模型

fit1 <- glm(status~age1+sex+ph.ecog+wt.loss,data=data,family = "binomial")

broom::tidy(fit1)

formatFit(fit1)

OR分别为2.055、1.454、2.433,这三个值在统计学有没有趋势性变化呢?这时候就需要计算P趋势值了。

目前有两种方法计算P趋势,以本例为例子进行说明

(1)将age变量编码为1、2、3、4,作为等级变量纳入模型,计算出的P值就是P趋势,P趋势的方向是正向还是反向,可以看估计的β 值或OR值

(2)先将age变量编码为1、2、3、4,然后计算每一组的中位数,本例计算的中位数为。。。。,因此将原来的1、2、3、4替换成。。。。/,再作为等级变量纳入模型,计算出的P值就是P趋势,P趋势的方向是正向还是反向,可以看估计的β 值或OR值

R语言代码:

############方法1:age1变为等级变量

#age1变为数值

dataage1\<-as.numeric(dataage1)

#建立模型

fit1 <- glm(status~age1+sex+ph.ecog+wt.loss,data=data,family = "binomial")

broom::tidy(fit1)

formatFit(fit1)

############方法2:age1各组的中位数变为等级变量

library(dplyr)

# median of groups

summarise(group_by(data,age1),

min(age),

max(age),

mean(age),

sd(age),

median(age),

quantile(age,0.25),

quantile(age,0.75),

)

#age的中位数:44,56,64,7

dataage2\[dataage1 == 1]<- 44

dataage2\[dataage1 == 2]<- 56

dataage2\[dataage1 == 3]<- 64

dataage2\[dataage1 == 4]<- 73

#建立模型

fit1 <- glm(status~age2+sex+ph.ecog+wt.loss,data=data,family = "binomial")

broom::tidy(fit1)

formatFit(fit1)

结果解释:P趋势值>0.05,因此不同年龄的死亡风险无趋势性变化。

这里可以发现两种做法结果不太一致,目前主流的做法基本是第2种做法,因此,小编建议大家参考第2种做法,当然第1种做法也没错。

相关推荐
dot.Net安全矩阵19 小时前
.NET 通过模块和驱动收集本地EDR的工具
windows·安全·web安全·.net·交互
梓贤Vigo1 天前
【Axure视频教程】自制上传按钮
交互·产品经理·axure·原型·教程
好开心331 天前
javaScript交互案例2
开发语言·前端·javascript·html·ecmascript·交互
xChive1 天前
优化表单交互:在 el-select 组件中嵌入表格显示选项
前端·vue.js·交互·element-plus
前端郭德纲2 天前
React Native的界面与交互
react native·react.js·交互
好开心333 天前
javaScript交互案例
开发语言·前端·javascript·html·ecmascript·交互
PM大明同学3 天前
Axure PR 9 穿梭框 设计&交互
ui·交互·产品经理·axure·photoshop
独行soc3 天前
#渗透测试#SRC漏洞挖掘#网络运维# 黑客脚本编写04之脚本与用户交互
运维·安全·面试·bash·交互
m 哆哆.ღ4 天前
【Python进阶】Python中的数据库交互:ORM技术与SQLAlchemy
数据库·python·交互
老码沉思录5 天前
React Native 全栈开发实战班 - 网络与数据之 websock与服务端交互
网络·react native·交互