4-5. 상관관계(계수, 산점도), t-test, anova 간단 복습
2019. 2. 21. 15:27
Untitled
내용정리
- 상관관계 : 숫자형-숫자형 변수의 관계, 직선성에 대한 척도, 그래프시 산점도 / 분석시 상관관계
- t-test : 범주(요인) 1개 속 2개의 집단(수준, class, 범주의 종류)별 숫자형의 평균차이 검정
- anova : 범주(요인) 1개 or 2개 속 3개의 집단(수준, class, 범주의 종류)별 숫자형의 평균차이를 분산분석으로 검정
상관관계
- moonBook 의 acs데이터
- 숫자형 hegiht, weight, bmi칼럼만 가져와서 acs2로 만들고 산점도, 히트
# 0. 데이터 준비
library(moonBook)
data(acs)
head(acs)## age sex cardiogenicShock entry Dx EF height weight
## 1 62 Male No Femoral STEMI 18.0 168 72
## 2 78 Female No Femoral STEMI 18.4 148 48
## 3 76 Female Yes Femoral STEMI 20.0 NA NA
## 4 89 Female No Femoral STEMI 21.8 165 50
## 5 56 Male No Radial NSTEMI 21.8 162 64
## 6 73 Female No Radial Unstable Angina 22.0 153 59
## BMI obesity TC LDLC HDLC TG DM HBP smoking
## 1 25.51020 Yes 215 154 35 155 Yes No Smoker
## 2 21.91381 No NA NA NA 166 No Yes Never
## 3 NA No NA NA NA NA No Yes Never
## 4 18.36547 No 121 73 20 89 No No Never
## 5 24.38653 No 195 151 36 63 Yes Yes Smoker
## 6 25.20398 Yes 184 112 38 137 Yes Yes Never# 1. 숫자형 필요칼럼만 뽑기
acs2 <- acs[, c("height", "weight", "BMI")]
# 2. 상관계수 행렬
cor( acs2, use = "na.or.complete")## height weight BMI
## height 1.000000000 0.6315767 -0.009049596
## weight 0.631576661 1.0000000 0.762441135
## BMI -0.009049596 0.7624411 1.000000000# 3. 산점도+상관계수 행렬 pairplot 1
library(psych)
pairs.panels(acs2)
# 4. 산점도+상관계수 행렬 pairplot 2
library(PerformanceAnalytics)## Loading required package: xts## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## Attaching package: 'PerformanceAnalytics'## The following object is masked from 'package:graphics':
##
## legendchart.Correlation(acs2, histogram = TRUE, pch = 19)
# 5. 상관계수 heatmap
library(corrplot)## corrplot 0.84 loadedcorrplot(cor(acs2,use="na.or.complete"))
t-test
- 독립표본 : sex(요인, 범주)의 2집단(수준, class)별 BMI의 평균 차이 검정
- 보정된t-test : age까지 요인으로 추가
#### 1. 독립표본 t-test
# 데이터 준비
# 1. 독립성 생략
# 2. 정규성 생략
# 3. 등분산성 검정 : 집단별로 BMI를 인덱싱한 뒤, 등분산성 체크
var.test(acs[ acs$sex == "Male", ]$BMI, acs[acs$sex == "Female",]$BMI)##
## F test to compare two variances
##
## data: acs[acs$sex == "Male", ]$BMI and acs[acs$sex == "Female", ]$BMI
## F = 0.82798, num df = 508, denom df = 254, p-value = 0.07756
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.6663069 1.0210005
## sample estimates:
## ratio of variances
## 0.8279795# 4. 독립표본 t-test
t.test(BMI ~ sex, data = acs, var.equal = T)##
## Two Sample t-test
##
## data: BMI by sex
## t = -0.50823, df = 762, p-value = 0.6114
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.6348532 0.3737344
## sample estimates:
## mean in group Female mean in group Male
## 24.19492 24.32548#### 2. 보정된 t-test
summary(aov(BMI ~ age + sex, data = acs)) # 기존 sex가 +뒤에 있으며, 이 것의 p-value 보는 것이 목적## Df Sum Sq Mean Sq F value Pr(>F)
## age 1 386 385.8 36.097 2.91e-09 ***
## sex 1 26 25.9 2.427 0.12
## Residuals 761 8134 10.7
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 93 observations deleted due to missingness#### 3. 대응표본 t-test
# 데이터 준비 : 같은 길이를 가진 데이터야한다.
Before_score = c(80,30,50,40,40,10,20,30,60,70)
After_score = c(95,40,60,45,40,15,20,25,67,90)
t.test(Before_score, After_score, paired=T)##
## Paired t-test
##
## data: Before_score and After_score
## t = -2.8423, df = 9, p-value = 0.01933
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -12.032489 -1.367511
## sample estimates:
## mean of the differences
## -6.7ANOVA
- 1way : smoking요인(범주)의 3집단(수준, class)별 TG의 평균차이 검정
- 2way : Dx, smoking
#### 1. 1way anova
# 1.숫자형으로 되어있다면 범주형으로 타입 변경 생략
# 2. 범주별 숫자의 boxplot, mean, sd 생략
# 3. 등분산성 검정 생략
# 4. anova
aov <- aov(TG ~ smoking, data= acs)
summary(aov)## Df Sum Sq Mean Sq F value Pr(>F)
## smoking 2 65695 32848 4.008 0.0185 *
## Residuals 839 6876082 8196
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 15 observations deleted due to missingness# 5. 사후분석 Duncan
library(laercio)
LDuncan(aov, "group")##
## DUNCAN TEST TO COMPARE MEANS
##
## Confidence Level: 0.95
## Dependent Variable: TG
## Variation Coefficient: 72.28546 %
##
##
## Independent Variable: smoking
## Factors Means
## Smoker 136.490566037736 a
## Never 119.496913580247 b
## Ex-smoker 116.65 b#### 2. 2way anova
# 1. 2way anova
aov2 <- aov( TG ~ smoking + Dx, data = acs)
summary(aov2) # 두 요인 모두 유의## Df Sum Sq Mean Sq F value Pr(>F)
## smoking 2 65695 32848 4.119 0.0166 *
## Dx 2 201756 100878 12.651 3.87e-06 ***
## Residuals 837 6674326 7974
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 15 observations deleted due to missingnessaov2 <- aov( TG ~ Dx + smoking , data = acs)
summary(aov2) # 두 요인 모두 유의 but 수준차이가 난다...## Df Sum Sq Mean Sq F value Pr(>F)
## Dx 2 166365 83182 10.432 3.35e-05 ***
## smoking 2 101087 50543 6.338 0.00185 **
## Residuals 837 6674326 7974
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 15 observations deleted due to missingness# 2. interactioplot
par(mfrow=c(1,2))
mean.rm.na <- function(x) mean(x,na.rm=T) # interaction.plot에 들어가는 집계함수를 직접 정의***
interaction.plot(acs$smoking,acs$Dx, acs$TG,fun=mean.rm.na)
interaction.plot(acs$Dx,acs$smoking, acs$TG,fun=mean.rm.na)
'한의대 생활 > └ 통계에 대한 나의 정리' 카테고리의 다른 글
| 4-7. 2집단(t-test), 3집단(ANOVA) : 범주별 숫자형의 평균차이의 비모수 통계 분석 (9) | 2019.02.21 |
|---|---|
| 4-6. 범주형-범주형의 빈도에 대한 독립성(연관성) 검정(카이제곱, Exact, trend test) (1) | 2019.02.21 |
| 4-4. Rmarkdown 칼럼명변경 +range() + 사용자정의함수로 scaling (0) | 2019.02.21 |
| 4-3. Rmarkdown ANOVA 와 interactionplot (1) | 2019.02.21 |
| 4-2. Rmarkdown T-test (0) | 2019.02.20 |