So erhalten angepasst abhängigen Variablen

die folgenden Daten-Set Gegeben:So erhalten angepasst abhängigen Variablen

csf  age sex tiv group 
0,30 7,92 1 1,66 1 
0,26 33,75 0 1,27 3 
0,18 7,83 0 1,43 2 
0,20 9,42 0 1,70 1 
0,29 22,33 1 1,68 2 
0,40 20,75 1 1,56 1 
0,26 13,25 0 1,68 1 
0,28 6,67 0 1,66 1 
0,22 10,58 0 1,38 1 
0,22 13,08 0 1,41 2 
0,33 36,42 1 1,68 3 
0,29 35,00 1 1,34 3 
0,11 7,25 1 1,20 2 
0,13 10,00 0 1,12 3 
0,32 34,58 1 1,33 3 
0,68 8,25 1 1,90 1 
0,25 11,08 1 1,92 2 
0,33 10,92 0 1,24 1 
0,20 9,33 1 1,58 1 
0,25 51,67 0 1,15 3 
0,16 27,67 0 1,19 3 
0,19 33,25 0 1,29 3 
0,16 7,92 1 1,67 1 
0,17 13,42 0 1,34 3 
0,45 48  1 1,85 1 
0,34 14,67 1 1,80 1 
0,23 35,33 0 1,31 3 
0,18 15,50 1 1,59 1 
0,11 12,08 0 1,34 2 
0,21 9,92 0 1,43 1 
0,19 8,83 0 1,59 1 
0,21 6,83 1 1,78 1 
0,13 10  0 1,28 1 
0,38 38,42 1 1,63 3 
0,27 13,83 0 1,63 1 
0,28 15,33 0 1,43 2 
0,31 38  1 1,70 1 
0,19 13,08 0 1,56 1 
0,13 26,25 0 1,07 3 
0,14 63,08 1 1,34 3 
0,19 10,25 1 1,27 3 
0,38 37,25 1 1,63 3 
0,28 37,33 0 1,47 3 
0,34 20,25 1 1,41 2 
0,36 40,33 1 1,44 3 
0,26 42,83 0 1,43 2 
0,29 46,08 1 1,74 2 
0,19 10,25 0 1,56 1 
0,20 12,08 1 1,76 1 
0,29 30,58 1 1,39 3 
0,23 44,67 1 1,45 3

Ich möchte wissen, ob CSF zwischen den Gruppen unterschiedlich ist. Aber ich weiß, dass CSF stark von Alter, Geschlecht und Leben beeinflusst wird. Also möchte ich die Unterschiede zwischen den Gruppen über den Einfluss von Alter, Geschlecht und Tiv hinaus darstellen. Zu diesem Zweck muss ich CSF für diese drei Kovariaten anpassen. Meine Frage ist: Wie kann ich für jeden Einzelnen seinen angepassten CSF-Wert erhalten?

ich das folgende lineare Modell: Mit

model1 <- lm(csf ~ age + sex + tiv,data=mri22))

und verwendet, um die Summe von (Residuen + Intercept), um den csf Wert frei von den Auswirkungen des Alters, des Geschlechts, und tiv zu erhalten:

csf_adj <- resid(model1) + coef(model1)[1]

Allerdings bekomme ich viele negative Werte, die keinen Sinn ergeben, da CSF nicht negativ sein kann. Meine Frage ist also: Wie kann ich die guten CSF-Werte für alle drei Kovariaten erhalten?

Quelle

2016-04-13 Borja

Per Definition addieren sich die Residuen eines linearen Modells zu 0. Wenn nicht jede Beobachtung auf die Regressionslinie fällt, sind einige Residuen negativ. – lmo

Werfen Sie einen Blick auf "Vorhersage". – lmo

Danke @lmo Diese negativen Residuen sollten jedoch positiv werden, sobald wir den Abschnitt summieren. – Borja

Sie können eine Regression wie diese ausführen und es wird Ihnen sagen, ob die Gruppe signifikant ist. Hier zeigt sich, dass es nicht ist:

df$group <- as.factor(df$group) 
fit <- lm(csf ~ age + sex + tiv + group, data = df) 
summary(fit) 

Call: 
lm(formula = csf ~ age + sex + tiv + group, data = df) 

Residuals: 
    Min  1Q Median  3Q  Max 
-0.12429 -0.04760 -0.00306 0.01967 0.34004 

Coefficients: 
      Estimate Std. Error t value Pr(>|t|) 
(Intercept) -0.155845 0.147860 -1.054 0.3000 
age   0.002895 0.001539 1.881 0.0694 . 
sex   0.019926 0.036502 0.546 0.5891 
tiv   0.237891 0.097655 2.436 0.0208 * 
group2  -0.037555 0.040104 -0.936 0.3563 
group3  -0.013844 0.051717 -0.268 0.7907 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.0874 on 31 degrees of freedom 
Multiple R-squared: 0.4342, Adjusted R-squared: 0.3429 
F-statistic: 4.757 on 5 and 31 DF, p-value: 0.00243

Quelle

2016-04-13 13:58:59 Gopala

Danke @ Gopala. Der vollständige Datensatz gibt tatsächlich einen Gruppeneffekt. Aber selbst wenn es nicht signifikant ist, wie kann ich die individuellen angepassten CSF-Werte extrahieren? – Borja

Sie können von oben mit 'fit $ passed.values [df $ group == 1]' und so für die angepassten Werte von 'csf' der Gruppe extrahieren. – Gopala

Danke für die Antwort. Diese (angepassten) Werte sind jedoch durch die Auswirkungen von Alter, Geschlecht und Leben kontaminiert. Sie korrelieren stark mit den Kovariaten. Die adjustierten CSF-Werte, die ich erreichen möchte, sollten den Einfluss der Kovariaten sauber halten, daher dürfen sie nicht mit ihnen korrelieren. – Borja

Wie @Gopala sagte, anscheinend gibt es keine Wirkung der Gruppe im Schnittpunkt. Auch gibt es keinen Effekt auf die Antworten (Koeffizienten). Sie können dies in Plots und statistischen Tests sehen.

mri22$group <- as.factor(mri22$group) 
plot(mri22) 
plot(csf~group,data=mri22,col=mri22$group) 

plot(csf~age,data=mri22,col=mri22$group) 
plot(csf~sex,data=mri22,col=mri22$group) 
plot(csf~tiv,data=mri22,col=mri22$group) 

model1 <- lm(csf ~ age + sex + tiv,data=mri22) 
summary(model1) 

model2 <- lm(csf ~ 0+age + sex + tiv+group,data=mri22) 
summary(model2) 
model3 <- lm(csf ~ 0+age*I(group) + sex + tiv,data=mri22) 
summary(model3) 
model4 <- lm(csf ~ 0+age*I(group) + sex*I(group) + tiv*I(group),data=mri22) 
summary(model4) 


Coefficients: 
       Estimate Std. Error t value Pr(>|t|) 
age   0.0025507 0.0020500 1.244 0.2208 
I(group)1  -0.1902470 0.2174566 -0.875 0.3870 
I(group)2  -0.0076027 0.2224419 -0.034 0.9729 
I(group)3  -0.2303957 0.1993927 -1.155 0.2549 
sex   0.0208069 0.0480609 0.433 0.6675 
tiv   0.2552315 0.1428288 1.787 0.0817 . 
age:I(group)2 -0.0002252 0.0030392 -0.074 0.9413 
age:I(group)3 -0.0021075 0.0026656 -0.791 0.4339 
I(group)2:sex -0.0048219 0.0790885 -0.061 0.9517 
I(group)3:sex -0.0014738 0.0711362 -0.021 0.9836 
I(group)2:tiv -0.1307945 0.2153850 -0.607 0.5472 
I(group)3:tiv 0.0796898 0.2143078 0.372 0.7120 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Quelle

2016-04-13 14:17:18 Robert

Danke @ Gopala. Tatsächlich habe ich nur einen Teil des Datensatzes veröffentlicht (es ist ein riesiger), weil ich mehr daran interessiert war, wie man die korrigierten CSF-Werte bekommt, anstatt ihre statistische Signifikanz zu überprüfen. Der vollständige Datensatz gibt tatsächlich einen Gruppeneffekt. Aber selbst wenn es nicht signifikant ist, wie kann ich die angepassten CSF-Werte extrahieren? – Borja

Für jedes Modell ist nur 'model4 $ fit.values' – Robert

Eigentlich ist die Antwort das" Gegenteil ", was Sie brauchen, sind nicht die angepassten Werte, sondern die Residuen: model1 $ residues – michael

So erhalten angepasst abhängigen Variablen

Antwort

Verwandte Themen