3-4. Rmarkdown 후향적 코호트 연구와 Propensity Score Matching(PSM)
2019. 2. 16. 23:10
Cohort 연구의 종류
cohort : 특정 인구집단
cohort study의 종류
전향적 코호트 연구 (Prospective cohort study)
- 대부분의 코호트 연구는 전향적 코호트 연구
1)특정인자-> 질병발생에 미치는 영향을 연구
2)질병없는 연구대상자모으기 =위험요인 노출O+위험요인 노출X나누기
3) 시간에 따라follow up(추적조사)하기
4) 위험요인 노출O =질병O+질병X관찰( 그중에 몇명이 질병걸렸냐 )
5) 위험요인 노출X =질병O+질병X관찰( 그중에 몇명이 질병걸렸냐 )
- 대부분의 코호트 연구는 전향적 코호트 연구
후향적 코호트 연구 (Retrospective cohort study)
기록을 통해특정인자 노출여부+질병발생 여부분석
1) 자료 =질병O+질병X 나누기
2) 질병O =특정요인 노출O+특정요인 노출X( 그중에 몇명이 특정요인 노출됬냐 )
3) 질병X =특정요인 노출O+특정요인 노출X( 그중에 몇명이 특정요인 노출됬냐 )
코호트 연구의 장단점
1) 장점 : 시간의 흐름에 따른 정보 + 다양한 요인 노출도 수집가능 + 질병위험도 산출
2) 단점 : 추적조사 놓치기 쉬움 + 희귀질병시 추적기간 매우 길어짐 -> 편향이 생길 수 있음.
Propensity Score Matching(성향 점수 매칭) for 후향적 코호트 연구(환자-대조군 연구)
환자 대조군 연구(case control study)는 후향적 코호트 연구에 속하며,
- 질병O(
환자군)과 질병X(대조군)을 나눈 뒤, - 각 군에 대해서
위험요인O+위험요인X나뉘는 것을 관찰한다.
그러나 RCT(Randomized Cotrolled Trial) - 무작위 대조군 실험과 같이 무작위 배정이 일어나지 않으므로, 편향이 생길 수 있다. 이 때, 사용하는 개념이 매칭이다.매칭에는 빈도매칭(전체적인 특성 맞추기 - 연령 등)과 대응매칭(개인적인 특성 맞춤)으로 나뉠 수 있다.
여기서는 성향점수매칭을 이용하여, n수가 적은 환자군에 비해 n수가 너무 많아 bias가 포함되어있는 대조군을 매칭 시켜줄 것이다.
후향적 코호트 연구(환자-대조군 연구)에서는
환자군(Case군, n수 적음)과 대조군(Control군, n수 많음)은 n수 차이로 인해 base characteristics(기본특성)이 맞지 않아,
선택 편향(slection bias)이 발생한다.Case군의 임상적 특징을 갖는 대상을 control군내에서 골라내어 맞추는 작업이 필요하다
- 환자군 100명, 대조군 900명의 unbalanced data라면, 대조군 900명 중 환자군과 유사한 사람 100명을 뽑아서 맞춰주어야한다.
이 때 . base성격(case군의 임상적특징)이 같은 여성을 뽑는 방법이 PSM이며,
공변량(공통 칼럼)의 수준을 맞춤으로서, 특정 독립변수가 종속변수에 미치는 영향을 파악할 수 있게 해준다.`예시
경구피임약이 유방암에 미치는 영향을 조사한다.
1) Case : 유방암(질병O)이 발생한 여성
2) Cotrol : 유방암이 발생하지 않은(질병X) 모든(X)base 성격이 유사한여성
코드로 구현해보기
3-4. 후향적 코호트 연구(환자-대조군 연구)와 PSM
PSM(성향 점수 매칭)
- 후향적 연구에서 n수가 많은 contrl(대조군) 중 case(환자군)과 base성격이 비슷한 것 뽑기
- na값이 있으면 MatchIt 패키지가 작동하지 않으니 미리 제거해놓아야한다.
# install.packages("optmatch")
# library(optmatch) # 쓰이진 않았으나,, 흠..
# install.packages("MatchIt")
library(MatchIt)
# 1. 데이터 준비하기
library(moonBook)
acs2 <- na.omit(acs)
# 2. 데이터에서 case / contrl 가르기
# 데이터에서 환자군(case)과 대조군(control)를 가르기 위한 칼럼 생성해주기
# - acs2데이터 중에서 1) Dx가 "STEMI" 2) obesity가 Yes인 경우를 case군 1로 본다. 그렇않으면 control군으로서 0으로 본다.
# - ifelse (조건, 조건만족시 값, 조건불만족시의 값)
acs2$case_control <- ifelse( acs2$Dx == "STEMI" & acs2$obesity == "Yes", 1, 0)
# case/contrl분류 칼럼(범주형 칼럼) 확인 -> 범주 1개라도 table()로 범주형의 빈도 확인하기
table(acs2$case_control)##
## 0 1
## 586 91# 3. control군을 case군에 PSM 해주기 by age, sex, BMI로 ***절대 종속변수(폐암)과 특정요인(흡연)을 PSM기준으로 넣지 않는다!
# - MatchIt 패키지 - matchit()함수를 쓰며, method는 일단 "optimal"로 해준다.
# - case군 91건에 비해 ratio 3배로 뽑아 대조군 273건을 만든다. 기준은 3개의 공변량을 지정해줬다.
opt <- matchit( case_control ~ age + sex + BMI, method = "optimal", data = acs2, ratio = 3)## Warning in optmatch::fullmatch(d, min.controls = ratio, max.controls = ratio, : Without 'data' argument the order of the match is not guaranteed
## to be the same as your original data.summary(opt) # 3개의 칼럼을 기준(보통 인구통계학적 칼럼)으로 매칭시킨 control군 273개, case 91개##
## Call:
## matchit(formula = case_control ~ age + sex + BMI, data = acs2,
## method = "optimal", ratio = 3)
##
## Summary of balance for all data:
## Means Treated Means Control SD Control Mean Diff eQQ Med
## distance 0.2629 0.1145 0.1284 0.1484 0.1269
## age 58.9780 63.7099 11.7782 -4.7319 5.0000
## sexFemale 0.2527 0.3413 0.4745 -0.0885 0.0000
## sexMale 0.7473 0.6587 0.4745 0.0885 0.0000
## BMI 27.4390 23.7060 3.2452 3.7330 3.3811
## eQQ Mean eQQ Max
## distance 0.1468 0.2894
## age 4.7033 8.0000
## sexFemale 0.0879 1.0000
## sexMale 0.0879 1.0000
## BMI 3.7942 9.4500
##
##
## Summary of balance for matched data:
## Means Treated Means Control SD Control Mean Diff eQQ Med
## distance 0.2629 0.1970 0.1490 0.0659 0.0582
## age 58.9780 59.9744 11.1096 -0.9963 1.0000
## sexFemale 0.2527 0.2308 0.4221 0.0220 0.0000
## sexMale 0.7473 0.7692 0.4221 -0.0220 0.0000
## BMI 27.4390 26.1883 2.6436 1.2507 1.3298
## eQQ Mean eQQ Max
## distance 0.0671 0.1844
## age 1.4396 6.0000
## sexFemale 0.0220 1.0000
## sexMale 0.0220 1.0000
## BMI 1.3628 4.7419
##
## Percent Balance Improvement:
## Mean Diff. eQQ Med eQQ Mean eQQ Max
## distance 55.6152 54.1190 54.3272 36.3000
## age 78.9441 80.0000 69.3925 25.0000
## sexFemale 75.1800 0.0000 75.0000 0.0000
## sexMale 75.1800 0.0000 75.0000 0.0000
## BMI 66.4967 60.6702 64.0818 49.8212
##
## Sample sizes:
## Control Treated
## All 586 91
## Matched 273 91
## Unmatched 313 0
## Discarded 0 0# 4. PSM을 거친 case(91)과 control(273)의 자료 opt 객체 안의 data만 뽑아보자.
# - 사실 이 자료들은 case(91)에 대해서, 3개의 기준칼럼간에 distance가 가까운 contol(273)을 뽑아준다.
# - case1 control 0으로 지정해놓았는데, 이것을 종속변수로한 로지스틱회귀분석을 통해 0 ~ 1사이의 확률을 distance로 보고, control 0인 자료중 case 1에 가까운 자료들 273개를 뽑았을 것이다.
# - 결과적으로 distance( 0 ~ 1 확률) 칼럼도 생기는 것 같다.
opt.data <- match.data(opt)
head(opt.data)## age sex cardiogenicShock entry Dx EF height weight
## 1 62 Male No Femoral STEMI 18.0 168 72
## 5 56 Male No Radial NSTEMI 21.8 162 64
## 6 73 Female No Radial Unstable Angina 22.0 153 59
## 7 58 Male No Radial Unstable Angina 24.7 167 78
## 9 59 Female No Radial Unstable Angina 28.5 152 67
## 12 52 Female No Radial Unstable Angina 31.1 156 63
## BMI obesity TC LDLC HDLC TG DM HBP smoking case_control
## 1 25.51020 Yes 215 154 35 155 Yes No Smoker 1
## 5 24.38653 No 195 151 36 63 Yes Yes Smoker 0
## 6 25.20398 Yes 184 112 38 137 Yes Yes Never 0
## 7 27.96802 Yes 161 91 34 196 Yes Yes Ex-smoker 0
## 9 28.99931 Yes 239 161 34 118 Yes Yes Never 0
## 12 25.88757 Yes 184 123 43 72 Yes Yes Never 0
## distance weights subclass
## 1 0.15417267 1 1
## 5 0.11760849 1 44
## 6 0.08791559 1 55
## 7 0.30317725 1 59
## 9 0.28675559 1 58
## 12 0.13214478 1 1연습다시 해보기
- acs -> 결측값 제거 -> acs3로 저장 -> ifelse 문으로 case/control 가르는 칼럼 지정 -> ratio 2배로 뽑아보기
- 비만이 남자가 case , 그외 비만- 여자 + 비만x 남자 + 비만x 여자는 대조군
- 추출변수(case와 맞춰줄 인구통계 변수)는 age, BMI
acs3 <- na.omit(acs)
acs3$case_control <- ifelse( acs3$obesity == "Yes" & acs3$sex == "Male", 1, 0)
table( acs3$case_control )##
## 0 1
## 500 177opt2 <- matchit( case_control ~ age + BMI, method = "optimal", data = acs3, ratio =2 )## Warning in optmatch::fullmatch(d, min.controls = ratio, max.controls = ratio, : Without 'data' argument the order of the match is not guaranteed
## to be the same as your original data.summary(opt2) # case(Treated) 177 , contrl 354##
## Call:
## matchit(formula = case_control ~ age + BMI, data = acs3, method = "optimal",
## ratio = 2)
##
## Summary of balance for all data:
## Means Treated Means Control SD Control Mean Diff eQQ Med eQQ Mean
## distance 0.5679 0.1530 0.2052 0.4150 0.4297 0.4146
## age 57.5650 65.0240 11.6706 -7.4590 8.0000 7.4011
## BMI 27.3810 23.0844 2.9534 4.2966 3.9319 4.2867
## eQQ Max
## distance 0.6091
## age 11.0000
## BMI 9.3978
##
##
## Summary of balance for matched data:
## Means Treated Means Control SD Control Mean Diff eQQ Med eQQ Mean
## distance 0.5679 0.2109 0.2190 0.3570 0.3690 0.3586
## age 57.5650 62.4718 11.2119 -4.9068 5.0000 4.8418
## BMI 27.3810 24.3167 2.4533 3.0643 3.0018 3.0747
## eQQ Max
## distance 0.5337
## age 8.0000
## BMI 5.0135
##
## Percent Balance Improvement:
## Mean Diff. eQQ Med eQQ Mean eQQ Max
## distance 13.9564 14.1371 13.5022 12.3878
## age 34.2169 37.5000 34.5802 27.2727
## BMI 28.6800 23.6552 28.2740 46.6523
##
## Sample sizes:
## Control Treated
## All 500 177
## Matched 354 177
## Unmatched 146 0
## Discarded 0 0opt2.data <- match.data(opt2)
head(opt2.data)## age sex cardiogenicShock entry Dx EF height weight
## 1 62 Male No Femoral STEMI 18.0 168 72
## 5 56 Male No Radial NSTEMI 21.8 162 64
## 6 73 Female No Radial Unstable Angina 22.0 153 59
## 7 58 Male No Radial Unstable Angina 24.7 167 78
## 9 59 Female No Radial Unstable Angina 28.5 152 67
## 12 52 Female No Radial Unstable Angina 31.1 156 63
## BMI obesity TC LDLC HDLC TG DM HBP smoking case_control
## 1 25.51020 Yes 215 154 35 155 Yes No Smoker 1
## 5 24.38653 No 195 151 36 63 Yes Yes Smoker 0
## 6 25.20398 Yes 184 112 38 137 Yes Yes Never 0
## 7 27.96802 Yes 161 91 34 196 Yes Yes Ex-smoker 1
## 9 28.99931 Yes 239 161 34 118 Yes Yes Never 0
## 12 25.88757 Yes 184 123 43 72 Yes Yes Never 0
## distance weights subclass
## 1 0.3028581 1 1
## 5 0.2291040 1 56
## 6 0.1643829 1 35
## 7 0.7171087 1 77
## 9 0.8211678 1 52
## 12 0.4871921 1 103QUIZ - 1
- 데이터(COPD_Lung_Cancer.csv)를 불러들이고 난후(df로 이름저장), 각 변수별 missing rate를 확인
- mice 패키지의 md.pattern함수, VIM 패키지의 aggr함수 활용
- is.na()활용
- Missing rate가 5%가 넘는 변수는 제외하여 df2로 저장
getwd()## [1] "C:/Users/is2js/R_da/myR"# 불러오기
df <- read.csv('C:/Users/is2js/R_da/myR/week4/4주차_코드/COPD_Lung_Cancer.csv', header = T)
head(df)## PERSON_ID SEX DTH CTRB_PT_TYPE_CD BMI BP_LWST BLDS TOT_CHOLE HMG
## 1 10000065 1 0 8 25.73 90 112 177 12.2
## 2 10000183 1 0 9 22.77 100 105 177 15.7
## 3 10000269 1 0 8 24.54 70 76 156 13.1
## 4 10000471 1 0 1 21.63 100 70 228 14.0
## 5 10000788 2 0 7 25.65 54 113 199 12.1
## 6 10001096 2 0 3 19.84 60 137 182 12.0
## FMLY_CANCER_PATIEN_YN SMK_STAT_TYPE DRNK_HABIT EXERCI_FREQ lungC copd
## 1 1 1 1 1 0 0
## 2 1 1 5 1 0 1
## 3 1 1 1 1 1 1
## 4 NA 1 1 1 0 1
## 5 1 1 1 1 0 0
## 6 1 1 1 1 0 0
## Asthma DM Tub before_op_score after_op_score
## 1 0 1 0 44 52
## 2 1 1 0 44 53
## 3 0 1 1 37 60
## 4 0 1 0 50 44
## 5 1 1 0 31 43
## 6 0 0 0 34 49# 전체 missing 값 확인
sum( is.na(df))## [1] 228# 전체 missing rate 확인
round( sum( is.na(df)) / (nrow(df) * ncol(df)) * 100 , 2)## [1] 1.21# 각 변수별 missing 개수 확인
apply( is.na(df), MARGIN = 2, FUN = "sum") ## PERSON_ID SEX DTH
## 0 0 0
## CTRB_PT_TYPE_CD BMI BP_LWST
## 0 0 0
## BLDS TOT_CHOLE HMG
## 8 10 6
## FMLY_CANCER_PATIEN_YN SMK_STAT_TYPE DRNK_HABIT
## 91 44 33
## EXERCI_FREQ lungC copd
## 36 0 0
## Asthma DM Tub
## 0 0 0
## before_op_score after_op_score
## 0 0# 각 변수별 missing rate 확인
round( (apply( is.na(df), MARGIN = 2, FUN = "sum") / nrow(df) )* 100, 2)## PERSON_ID SEX DTH
## 0.00 0.00 0.00
## CTRB_PT_TYPE_CD BMI BP_LWST
## 0.00 0.00 0.00
## BLDS TOT_CHOLE HMG
## 0.85 1.06 0.64
## FMLY_CANCER_PATIEN_YN SMK_STAT_TYPE DRNK_HABIT
## 9.64 4.66 3.50
## EXERCI_FREQ lungC copd
## 3.81 0.00 0.00
## Asthma DM Tub
## 0.00 0.00 0.00
## before_op_score after_op_score
## 0.00 0.00# mice패키지 - md.pattern()를 이용한 missing value 패턴확인
library(mice)## Loading required package: lattice##
## Attaching package: 'lattice'## The following object is masked from 'package:moonBook':
##
## densityplot##
## Attaching package: 'mice'## The following objects are masked from 'package:base':
##
## cbind, rbindmd.pattern(df)
## PERSON_ID SEX DTH CTRB_PT_TYPE_CD BMI BP_LWST lungC copd Asthma DM Tub
## 794 1 1 1 1 1 1 1 1 1 1 1
## 81 1 1 1 1 1 1 1 1 1 1 1
## 8 1 1 1 1 1 1 1 1 1 1 1
## 4 1 1 1 1 1 1 1 1 1 1 1
## 11 1 1 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 7 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 20 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 4 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1 1 1
## 0 0 0 0 0 0 0 0 0 0 0
## before_op_score after_op_score HMG BLDS TOT_CHOLE DRNK_HABIT
## 794 1 1 1 1 1 1
## 81 1 1 1 1 1 1
## 8 1 1 1 1 1 1
## 4 1 1 1 1 1 1
## 11 1 1 1 1 1 1
## 2 1 1 1 1 1 1
## 2 1 1 1 1 1 0
## 1 1 1 1 1 1 0
## 7 1 1 1 1 1 0
## 1 1 1 1 1 1 0
## 1 1 1 1 1 1 0
## 20 1 1 1 1 1 0
## 1 1 1 1 1 1 0
## 2 1 1 1 1 0 1
## 1 1 1 1 1 0 1
## 1 1 1 1 0 1 1
## 1 1 1 1 0 0 1
## 4 1 1 0 0 0 1
## 1 1 1 0 0 0 1
## 1 1 1 0 0 0 1
## 0 0 6 8 10 33
## EXERCI_FREQ SMK_STAT_TYPE FMLY_CANCER_PATIEN_YN
## 794 1 1 1 0
## 81 1 1 0 1
## 8 1 0 1 1
## 4 1 0 0 2
## 11 0 1 1 1
## 2 0 0 1 2
## 2 1 1 1 1
## 1 1 1 0 2
## 7 1 0 1 2
## 1 1 0 0 3
## 1 0 1 1 2
## 20 0 0 1 3
## 1 0 0 0 4
## 2 1 1 1 1
## 1 1 1 0 2
## 1 1 1 0 2
## 1 1 1 1 2
## 4 1 1 1 3
## 1 1 1 0 4
## 1 0 0 1 5
## 36 44 91 228# VIM패키지 - aggr()을 이용한 missing value확인
library(VIM)## Loading required package: colorspace## Loading required package: grid## Loading required package: data.table## VIM is ready to use.
## Since version 4.0.0 the GUI is in its own package VIMGUI.
##
## Please use the package to use the new (and old) GUI.## Suggestions and bug-reports can be submitted at: https://github.com/alexkowa/VIM/issues##
## Attaching package: 'VIM'## The following object is masked from 'package:datasets':
##
## sleepmissing_pattern <- aggr(df)
missing_pattern$missings # aggr()의 값중에서도 $를 통해 missing value 개수를 빼낼 수 있음## Variable Count
## PERSON_ID PERSON_ID 0
## SEX SEX 0
## DTH DTH 0
## CTRB_PT_TYPE_CD CTRB_PT_TYPE_CD 0
## BMI BMI 0
## BP_LWST BP_LWST 0
## BLDS BLDS 8
## TOT_CHOLE TOT_CHOLE 10
## HMG HMG 6
## FMLY_CANCER_PATIEN_YN FMLY_CANCER_PATIEN_YN 91
## SMK_STAT_TYPE SMK_STAT_TYPE 44
## DRNK_HABIT DRNK_HABIT 33
## EXERCI_FREQ EXERCI_FREQ 36
## lungC lungC 0
## copd copd 0
## Asthma Asthma 0
## DM DM 0
## Tub Tub 0
## before_op_score before_op_score 0
## after_op_score after_op_score 0missing_pattern$missings$Count # 칼럼의 순서를 기억하면서, 갯수만 빼낼 수 있다.## [1] 0 0 0 0 0 0 8 10 6 91 44 33 36 0 0 0 0 0 0 0(missing_pattern$missings$Count / nrow(df) )* 100 # missing rate 5%이상은 10번째 칼럼## [1] 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.8474576
## [8] 1.0593220 0.6355932 9.6398305 4.6610169 3.4957627 3.8135593 0.0000000
## [15] 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000df2 <- df[,-c(1, 10)] # 앞에 -를 달아서, 해당것만 제외하고 인덱싱할 있다. 첫번째 칼럼은 id칼럼이라서 제외시킨다.
head(df2)## SEX DTH CTRB_PT_TYPE_CD BMI BP_LWST BLDS TOT_CHOLE HMG SMK_STAT_TYPE
## 1 1 0 8 25.73 90 112 177 12.2 1
## 2 1 0 9 22.77 100 105 177 15.7 1
## 3 1 0 8 24.54 70 76 156 13.1 1
## 4 1 0 1 21.63 100 70 228 14.0 1
## 5 2 0 7 25.65 54 113 199 12.1 1
## 6 2 0 3 19.84 60 137 182 12.0 1
## DRNK_HABIT EXERCI_FREQ lungC copd Asthma DM Tub before_op_score
## 1 1 1 0 0 0 1 0 44
## 2 5 1 0 1 1 1 0 44
## 3 1 1 1 1 0 1 1 37
## 4 1 1 0 1 0 1 0 50
## 5 1 1 0 0 1 1 0 31
## 6 1 1 0 0 0 0 0 34
## after_op_score
## 1 52
## 2 53
## 3 60
## 4 44
## 5 43
## 6 49QUIZ - 2
- df2에서 ifelse를 활용하여 1,0 생성(criteria 변수 : BMI>25 & DM=1인 값)
- Sex, BMI, BP_LWST가 비슷한 환자군 고르기
- 1:2 ratio
# ifelse : y/n형태로 범주화칼럼을 생성해서 0:대조군 1:환자군(case)를 만든다.
df2$case_contorl <- ifelse( df2$BMI > 25 & df2$DM == 1, 1, 0)
# PSM전에는 missing value가 있으면 안된다.
df2<-na.omit(df2)
# MatchIt 패키지 - matchif()함수로 , 기준칼럼들을 기준으로 환자군과 비슷한 대조군을 1:2배율로 뽑아낸다
library(MatchIt)
opt <- matchit( case_contorl ~ SEX + BMI + BP_LWST,
method = "optimal",
data = df2,
ratio = 2)## Warning in optmatch::fullmatch(d, min.controls = ratio, max.controls = ratio, : Without 'data' argument the order of the match is not guaranteed
## to be the same as your original data.# 뽑힌 대조군(2:1)환자군 수 확인
summary(opt)##
## Call:
## matchit(formula = case_contorl ~ SEX + BMI + BP_LWST, data = df2,
## method = "optimal", ratio = 2)
##
## Summary of balance for all data:
## Means Treated Means Control SD Control Mean Diff eQQ Med eQQ Mean
## distance 0.5453 0.0888 0.1751 0.4564 0.427 0.4548
## SEX 1.6573 1.5628 0.4964 0.0945 0.000 0.0979
## BMI 26.9328 21.8550 2.8444 5.0778 4.560 5.0863
## BP_LWST 81.2238 81.0464 12.0707 0.1773 0.000 0.9580
## eQQ Max
## distance 0.7382
## SEX 1.0000
## BMI 12.3900
## BP_LWST 15.0000
##
##
## Summary of balance for matched data:
## Means Treated Means Control SD Control Mean Diff eQQ Med eQQ Mean
## distance 0.5453 0.2119 0.2314 0.3334 0.3204 0.3350
## SEX 1.6573 1.5490 0.4985 0.1084 0.0000 0.1119
## BMI 26.9328 24.5638 1.7015 2.3690 2.2900 2.3844
## BP_LWST 81.2238 81.9441 12.3441 -0.7203 0.0000 0.9371
## eQQ Max
## distance 0.5623
## SEX 1.0000
## BMI 3.0600
## BP_LWST 15.0000
##
## Percent Balance Improvement:
## Mean Diff. eQQ Med eQQ Mean eQQ Max
## distance 26.9584 24.9694 26.3326 23.8321
## SEX -14.6987 0.0000 -14.2857 0.0000
## BMI 53.3451 49.7807 53.1210 75.3027
## BP_LWST -306.1847 0.0000 2.1898 0.0000
##
## Sample sizes:
## Control Treated
## All 732 143
## Matched 286 143
## Unmatched 446 0
## Discarded 0 0# 뽑은 데이터만 가져오기
opt.data <- match.data(opt)
nrow(opt.data) # 286 + 143 = 429## [1] 429'한의대 생활 > └ 통계에 대한 나의 정리' 카테고리의 다른 글
| 3-6. 반복문, ifelse-binning + 빈도분석, 데이터합치기(rbind, cbind, merge) (0) | 2019.02.17 |
|---|---|
| 3-5. 확률변수 , 확률분포, 그리고 대표적 확률분포 (0) | 2019.02.17 |
| 3-3 Rmarkdown 이상치와 결측치 (0) | 2019.02.16 |
| 3-2. 결측값(결측치) (1) | 2019.02.14 |
| 3-1. 이상치 (0) | 2019.02.14 |