Kürzlich haben mir viele Leute privat geschrieben, dass in einigen SCI-Artikeln zwei P-Werte gemeldet wurden, einer ist P für insgesamt und der andere ist P für nichtlinear, wie in der Abbildung unten gezeigt, und haben mich gefragt, wie man P für insgesamt berechnet.
Ich weiß nicht, was P für insgesamt ist. Einige Blogger sagten, dies sei der P-Wert des Gesamteffekts, aber ich habe die entsprechende Quelle nicht gefunden. Aber ich weiß, wie man dieses P für insgesamt erstellt. Es gibt ein R-Paket namens plotRCS. Dieses Paket kann das Ergebnis von P für insgesamt generieren. Ich werde dieses Paket verwenden, um zu zeigen, wie man P für insgesamt erstellt.
library(plotRCS)
bc<-cancer
Dies sind die Krebsüberlebensdaten, die im plotRCS-Paket enthalten sind. Alter ist Alter, Geschlecht ist Geschlecht, Rasse ist Rasse, Größe ist Tumorgröße und Status ist Überlebensergebnis.
Das plotRCS für P für insgesamt ist in zwei Fälle unterteilt, das heißt, eine Ergebnisvariable ist eine kontinuierliche Variable und die Ergebnisvariable ist eine binäre Variable.
Lassen Sie uns zunächst die binären Klassifizierungsvariablen demonstrieren.
Die Schritte zum Erstellen eingeschränkter kubischer Splines (RCS) sind die gleichen wie zuvor.
Logistische Regression:
library(rms)
in eine kategoriale Variable
bc$sex<-as.factor(bc$sex)
bc$race<-as.factor(bc$race)
Richten Sie die Datenumgebung für nachfolgende Programme ein
dd <- datadist(bc) #为后续程序设定数据环境
options(datadist='dd') #为后续程序设定数据环境
Um ein Modell zu erstellen, ist die Variable, die wir hier untersuchen möchten, das Alter,
fit<-lrm(status ~ rcs(age, 4)+sex+race,data=bc)
Berechnen Sie P für insgesamt und P für nichtlinear
out<-anova(fit)
out<-as.data.frame(out)
Auf diese Weise wird das Ergebnis erhalten, das mit dem R-Paket des Autors übereinstimmt.
Als nächstes folgt eine lineare Regression. Ändern Sie einfach die Ergebnisvariable
fit1<-ols(size ~ rcs(age, 4)+sex+race,data=bc)
Berechnen Sie P für insgesamt und P für nichtlinear
out1<-anova(fit1)
out1<-as.data.frame(out1)
Tatsächlich sind sie fast gleich, aber der Code unterscheidet sich beim Schreiben des Pakets geringfügig. Wenn Sie ihn wirklich benötigen, können Sie ihn auch hinzufügen, nachdem das ggrcs-Paket überarbeitet wurde. Dies ist sehr einfach.
Dies ist das Ende des Artikels, der Inhalt ist etwas kurz, hauptsächlich weil ich kürzlich eine kleine Ahnung habe und Nhanes-Daten schreibe, bei denen es sich um die Überprüfung der Untergruppen-Interaktionseffektfunktion (P für Interaktion) gewichteter Daten handelt wird verwendet, um die Interaktionseffekttabelle mit einem Schlüssel zu generieren, was einen Teil der Zeit in Anspruch nimmt, der Arbeitsaufwand ist etwas groß, hauptsächlich aufgrund der Schwierigkeit, kategoriale Variablen zu schreiben.