医学生R语言数据库 r语言与医学统计图形pdf

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。

文章目录

• 前言
• 多个样本均数间的多重比较

• LSD-t检验
• TukeyHSD
• Dunnett-t检验
• SNK-q检验

前言

这是R语言和医学统计学的第9篇内容。

主要是用R语言复现课本中的例子。我使用的课本是孙振球主编的《医学统计学》第4版，封面如下：

多个样本均数间的多重比较

使用课本例4-2的数据。

首先是构造数据，本次数据自己从书上摘录。。

trt<-c(rep("group1",30),rep("group2",30),rep("group3",30),rep("group4",30))

weight<-c(3.53,4.59,4.34,2.66,3.59,3.13,3.30,4.04,3.53,3.56,3.85,4.07,1.37,
          3.93,2.33,2.98,4.00,3.55,2.64,2.56,3.50,3.25,2.96,4.30,3.52,3.93,
          4.19,2.96,4.16,2.59,2.42,3.36,4.32,2.34,2.68,2.95,2.36,2.56,2.52,
          2.27,2.98,3.72,2.65,2.22,2.90,1.98,2.63,2.86,2.93,2.17,2.72,1.56,
          3.11,1.81,1.77,2.80,3.57,2.97,4.02,2.31,2.86,2.28,2.39,2.28,2.48,
          2.28,3.48,2.42,2.41,2.66,3.29,2.70,2.66,3.68,2.65,2.66,2.32,2.61,
          3.64,2.58,3.65,3.21,2.23,2.32,2.68,3.04,2.81,3.02,1.97,1.68,0.89,
          1.06,1.08,1.27,1.63,1.89,1.31,2.51,1.88,1.41,3.19,1.92,0.94,2.11,
          2.81,1.98,1.74,2.16,3.37,2.97,1.69,1.19,2.17,2.28,1.72,2.47,1.02,
          2.52,2.10,3.71)

data1<-data.frame(trt,weight)
data1$trt <- factor(data1$trt)

str(data1)
## 'data.frame':	120 obs. of  2 variables:
##  $ trt   : Factor w/ 4 levels "group1","group2",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ weight: num  3.53 4.59 4.34 2.66 3.59 3.13 3.3 4.04 3.53 3.56 ...

数据一共两列，第一列是分组（一共四组），第二列是低密度脂蛋白测量值

进行完全随机设计资料的方差分析：

fit <- aov(weight ~ trt, data = data1)
summary(fit)
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## trt           3  32.16  10.719   24.88 1.67e-12 ***
## Residuals   116  49.97   0.431                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

LSD-t检验

library(agricolae)

res <- LSD.test(fit, "trt", p.adj = "none") # LSD-t检验

res
## $statistics
##     MSerror  Df   Mean      CV  t.value       LSD
##   0.4307502 116 2.7025 24.2855 1.980626 0.3356368
## 
## $parameters
##         test p.ajusted name.t ntr alpha
##   Fisher-LSD      none    trt   4  0.05
## 
## $means
##          weight       std  r      LCL      UCL  Min  Max    Q25   Q50    Q75
## group1 3.430333 0.7151247 30 3.193002 3.667664 1.37 4.59 2.9650 3.530 3.9825
## group2 2.715333 0.6381586 30 2.478002 2.952664 1.56 4.32 2.3175 2.665 2.9650
## group3 2.698000 0.4971671 30 2.460669 2.935331 1.68 3.68 2.3375 2.655 2.9800
## group4 1.966333 0.7464421 30 1.729002 2.203664 0.89 3.71 1.3350 1.905 2.4225
## 
## $comparison
## NULL
## 
## $groups
##          weight groups
## group1 3.430333      a
## group2 2.715333      b
## group3 2.698000      b
## group4 1.966333      c
## 
## attr(,"class")
## [1] "group"

只看$groups下面的输出，这个结果解读和SPSS差不多，后面标相同字母的是没有差异的。

所有group2和group3是没差别的，和另外两组有差别。

还可以可视化结果：

plot(res)

TukeyHSD

这里介绍一种TukeyHSD方法：

TukeyHSD(fit) ### 每个组之间进行比较,多重比较
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = weight ~ trt, data = data1)
## 
## $trt
##                      diff        lwr        upr     p adj
## group2-group1 -0.71500000 -1.1567253 -0.2732747 0.0002825
## group3-group1 -0.73233333 -1.1740587 -0.2906080 0.0001909
## group4-group1 -1.46400000 -1.9057253 -1.0222747 0.0000000
## group3-group2 -0.01733333 -0.4590587  0.4243920 0.9996147
## group4-group2 -0.74900000 -1.1907253 -0.3072747 0.0001302
## group4-group3 -0.73166667 -1.1733920 -0.2899413 0.0001938

这个结果更直观，可以直接看到每个组之间的比较，后面给出了P值。

可视化结果：

plot(TukeyHSD(fit))

Dunnett-t检验

使用Dunnett-t检验进行多重比较：

library(multcomp)
## 载入需要的程辑包：mvtnorm
## 载入需要的程辑包：survival
## 载入需要的程辑包：TH.data
## 载入需要的程辑包：MASS
## 
## 载入程辑包：'TH.data'
## The following object is masked from 'package:MASS':
## 
##     geyser

res <- glht(fit, linfct = mcp(trt = "Dunnett"))

summary(res)
## 
## 	 Simultaneous Tests for General Linear Hypotheses
## 
## Multiple Comparisons of Means: Dunnett Contrasts
## 
## 
## Fit: aov(formula = weight ~ trt, data = data1)
## 
## Linear Hypotheses:
##                      Estimate Std. Error t value Pr(>|t|)    
## group2 - group1 == 0  -0.7150     0.1695  -4.219 0.000148 ***
## group3 - group1 == 0  -0.7323     0.1695  -4.322 0.000115 ***
## group4 - group1 == 0  -1.4640     0.1695  -8.639  < 1e-04 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## (Adjusted p values reported -- single-step method)

结果也是非常明显，所有组和安慰剂组相比都有意义。

可视化结果：

plot(res)

SNK-q检验

还是使用agricolae包。

library(agricolae)

res <- SNK.test(fit, "trt") 

res
## $statistics
##     MSerror  Df   Mean      CV
##   0.4307502 116 2.7025 24.2855
## 
## $parameters
##   test name.t ntr alpha
##    SNK    trt   4  0.05
## 
## $snk
##      Table CriticalRange
## 2 2.801028     0.3356368
## 3 3.357590     0.4023275
## 4 3.686381     0.4417253
## 
## $means
##          weight       std  r  Min  Max    Q25   Q50    Q75
## group1 3.430333 0.7151247 30 1.37 4.59 2.9650 3.530 3.9825
## group2 2.715333 0.6381586 30 1.56 4.32 2.3175 2.665 2.9650
## group3 2.698000 0.4971671 30 1.68 3.68 2.3375 2.655 2.9800
## group4 1.966333 0.7464421 30 0.89 3.71 1.3350 1.905 2.4225
## 
## $comparison
## NULL
## 
## $groups
##          weight groups
## group1 3.430333      a
## group2 2.715333      b
## group3 2.698000      b
## group4 1.966333      c
## 
## attr(,"class")
## [1] "group"

这个结果和LSD检验的结果解读一样，就不再赘述了！

可视化结果：

plot(res)

也是和LSD检验一样的！

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。