精华内容
下载资源
问答
  • 多因素表格
    千次阅读
    2021-01-16 08:45:56

    一、教学内容

    多因素方差分析,用于研究一个因变量是否受到多个自变量(也称为因素)的影响,它检验多个因素取值水平的不同组合之间,因变量的均值之间是否存在显著的差异。多因素方差分析既可以分析单个因素的作用(主效应),也可以分析因素之间的交互作用(交互效应),还可以进行协方差分析,以及各个因素变量与协变量的交互作用。
    根据观测变量(即因变量)的数目,可以把多因素方差分析分为:单变量多因素方差分析(也叫一元多因素方差分析)与多变量多因素方差分析(即多元多因素方差分析)。本文将重点讲述一元多因素方差分析,下篇文章将详细讲述多元多因素方差分析。
    一元多因素方差分析:只有一个因变量,考察多个自变量对该因变量的影响。例如:分析不同品种、不同施肥量对农作物产量的影响时,可将农作物产量作为观测变量,品种和施肥量作为控制变量。利用多因素方差分析方法,研究不同品种、不同施肥量是如何影响农作物产量的,并进一步研究哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。
    01
    分析原理
    通过计算F统计量,进行F检验。F统计量是平均组间平方和与平均组内平方和的比。

    这里,把总的影响平方和记为SST,它分为两个部分,一部分是由控制变量引起的离差,记为SSA(组间离差平方和),另一部分是由随机变量引起的SSE(组内离差平方和)。即SST=SSA+SSE。
    组间离差平方和SSA是各水平均值和总体均值离差的平方和,反映了控制变量的影响。组内离差平方和是每个数据与本水平组平均值离差的平方和,反映了数据抽样误差的大小程度。
    通过F值看出,如果控制变量的不同水平对观测变量有显著影响,那观测变量的组间离差平方和就大,F值也大;相反,如果控制变量的不同水平没有对观测变量造成显著影响,那组内离差平方和就比较大,F值就比较小。
    同时,SPSS还会依据F分布表给出相应的相伴概率值sig。如果sig小于显著性水平(一般显著性水平设为0.05、0.01、或者0.001),则认为控制变量不同水平下各总体均值有显著差异,反之,则不然。一般地,F值越大,则sig值越小。
    02
    SPSS分析案例
    现在有一个公司员工的工资表,想看一下员工性别“gender”与接受教育年限“edu”这两个控制变量对员工“当前工资”的影响。采用多因素方差分析法,则要分别考虑“gender”、“edu”对“当前工资”的影响,称为主效应,还要考虑“gender*edu”对“当前工资”的影响,称为交互效应。
    (1)分析步骤:将数据导入SPSS后,选择:分析—— 一般线性模型——单变量

    (2)将“当前工资”选入因变量(也就是观测变量),将性别“gender”与受教育年限“edu”选入固定因子(也就是控制变量)。

    (3)选择“单变量”的“模型”,打开对话框后选择“全因子”,表示方差分析的模型包括所有因素的主效应,也包括因素之间的交互效应。然后“继续”。

    (4)打开“单变量”的“绘制”对话框,选择“gender”为横轴变量,选择“edu”为分线变量,单击“添加”,即显示这两个因素变量的交互作用,即 “gender*edu”这个交互作用变量。
    由于此例中“gender”只有两个水平,即男、女;而“edu”有多种水平。因此,如果主效应显著,则表明因素两种或多种水平之间存在显著性差异。事后可以继续对同一因素多个水平之间的均值差异进行比较,该过程称为多重比较。
    但实际上如果主效应和交互效应都达到显著,我们更关心在多因素交互作用下,因变量有什么影响。
    因此,如果交互效应显著的话,通常需要进行简单效应检验。所谓简单效应检验,是指一个因素的水平在另一个因素的某个因素的某个水平上的变异。例如我们本例中的,如果gender与edu之间存在显著的交互作用,我们可以检验当gender为“女”时,edu的各个水平之间的差异,称为edu在“女”性水平上的简单效应;以及在“男”性水平上edu各水平之间的差异,称为edu在“男”性水平上的简单效应。
    简单效应检验,实际上是把其中一个自变量固定在某一个特定的水平上,考察另一个自变量对因变量的影响。简单效应检验在SPSS里是用一个“MANOVA”命令来实现的。
    同理,当我们检验三个自变量时,若这些自变量之间的交互作用显著,需要进行简单简单效应检验,即一个因素的水平在另外两个因素的水平结合上的效应。
    也就是把两个因素固定在各自的某一个水平上,考察第三个因素对因变量的影响。也是用“MANOVA”命令来实现的。我们观察简单效应显著与否,是通过F值与sig值来看的,一般用sig值与我们设定的一个数值(0.05、0.01、或者0.001)来比较,若sig值大于该数值,说明简单效应不显著;反之,若sig值小于该数值,说明简单效应显著。

    (5)打开“选项”对话框,将左边三个控制变量均移入右边,“显示均值”,同时选中“描述统计”,选中“比较主效应”。

    (6)点击“确定”以后,就会在SPSS查看器里显示出结果。其中,最上面的那部分代码是我们所做的操作在SPSS里具体实现的步骤的代码。下面的表格是我们想要的结果,从表格里得出结论。

    (7)从下面的“主体间效应的检验”表格里,我们比较性别gender、受教育程度edu、及genderedu交互作用的F值及sig值,看到edu的F值最大,sig值最小,且sig<0.05。而gender与genderedu的sig值都大于0.05,得出结论:“gender”的主效应未达到显著,而“edu”的主效应达到显著,gender与edu的交互效应未达到显著(当交互效应达到显著时,进而可以进行简单效应检验结果),就不需要进行简单效应检验。则该公司员工“受教育程度”对员工“当前工资”的影响显著,而“性别”对“当前工资”的影响不明显。

    (8)下图为均值分布图,即为两因素edu与gender作用下,因变量员工工资的均值分布情况。通常,若交互效应不显著时,图中的因素分布线均为平行线;若交互效应显著,图中的因素分线不平行。
    此图中,将性别“gender”作为横轴变量,观察接受教育年限“edu”对因变量“当前工资”的影响。

    图中得出结论:当受教育年限为20年,一般为研究生水平的时候,男女工资差别不大;受教育年限为14年,一般为专科生水平,男女工资差别不明显。但当受教育年限为8年、10年、12年、17年的时候,男女工资差别较大,尤其为8年、17年的时候,男女工资差别尤其明显。

    二、备注

    相关资料已上传我的资源,下载链接https://blog.csdn.net/TIQCmatlab?spm=1011.2124.3001.5343

    更多相关内容
  • 公司环境因素登记评价表(表格模板、XLS格式).xls
  • 拟议的算法旨在自动识别SEC表格10-K第1A节中报告的具有特定含义的25种类型的风险因素。 ML-CKNN的想法是通过该类别中K个最近邻居计算每个标签的分类相似性得分。 ML-CKNN是为实现从10K中提取风险因素的目标而量身...
  • 提供一篇重要环境因素登记表(表格模板、XLS格式),工作生活中我们都会需要各种样式的表格,...该文档为重要环境因素登记表(表格模板、XLS格式),是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看...
  • 重要环境因素登记表(表格模板、XLS格式).XLS
  • 环境因素识别调查表(表格模板、XLS格式).XLS
  • 上期学习了怎样汇总单因素 Cox 回归的结果,这期学习单因素;回归分的汇总,由于使用的是 coxph和 glm 两个函数结果的展示有所不同,因此整理过程略有不同,但是提取的信息是一致的。

    上期学习了怎样汇总单因素 Cox 回归的结果,这期学习单因素 Logistic 回归分的汇总,由于使用的是 coxph****和 glm 两个函数结果的展示有所不同,因此整理过程略有不同,但是提取的信息是一致的。

    01 单因素 Logistic 回归分析方法

    Logistic 回归模型是一种概率模型它是以某一事件发生与否的概率 P 为因变量,以影响 P的因素为自变量建立的回归模型,分析某事件发生的概率与自变量之间的关系,是一种非线性回归模型。

    Logistic 回归模型适用适用于因变量为:

    1. 二项分类

    2. 多项分类(有序、无序)的资料。

    library(rms)#可实现逻辑回归模型(lrm)
    library(survival)
    library("survminer")
    data("lung")
    head(lung)
    table(lung$status)
      1   2 
     63 165 
     #Error in eval(family$initialize) : y values must be 0 <= y <= 1
    lung$status=ifelse(lung$status==1,0,1)
    table(lung$status)
     0   1 
     63 165 
    fit<-glm(status~sex,family = binomial, data =lung)
    summary(fit)
    Call:
    glm(formula = status ~ sex, family = binomial, data = lung)
    
    Deviance Residuals: 
        Min       1Q   Median       3Q      Max  
    -1.8271  -1.3333   0.6462   0.6462   1.0291  
    
    Coefficients:
                Estimate Std. Error z value Pr(>|z|)    
    (Intercept)   2.5614     0.4852   5.279  1.3e-07 ***
    sex          -1.1010     0.3054  -3.605 0.000312 ***
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
    (Dispersion parameter for binomial family taken to be 1)
    
        Null deviance: 268.78  on 227  degrees of freedom
    Residual deviance: 255.46  on 226  degrees of freedom
    AIC: 259.46
    
    Number of Fisher Scoring iterations: 4
    

    将 glm 的结果与 coxph 的结果对比,glm 的结果没有在 summary() 之后显示出来,需要我们单独计算,在之前 Logistic 回归分析中已经介绍过了,这里再次追述一次,如下:

    fit<-glm(status~sex,family = binomial, data =lung)
    sum<-summary(fit) ##提取所有回归结果放入sum中
    OR<-round(exp(coef(fit)),2) ##1-计算OR值保留两位小数
    (Intercept)         sex 
          10.43        0.37
    sum<-sum$coefficients[,2] ##提取所有回归结果放入sum中
    Intercept)         sex 
      0.5513927   0.3529752 
    SE<-sum$coefficients[,2] ##2-提取SE
    (Intercept)         sex 
      0.5513927   0.3529752 
    lower<-round(exp(coef(fit)-1.96*SE),2) # #3-计算CI保留两位小数并合并
    (Intercept)         sex 
           3.54        0.19 
    upper<-round(exp(coef(fit)+1.96*SE),2)
    (Intercept)         sex 
          30.74        0.75 
    P<-round(sum$coefficients[,4],2) # #4-提取P值
    (Intercept)         sex 
           0.00        0.01 
    

    下面是单因素 Cox 回归的 summary(),显然有很大区别,因此在整理结果时我们需要重写一个简单函数来获取批量回归的结果。

    02 批量单因素 Logistic 分析

    根据上述求出每个单因素 Logistic 回归分析的各种指标,如 OR,95%自信区间,P 值等,整理成为一张表格,写一个简单的函数,获得各种指标,如下:

    univ_formulas<- 
      function(x){
        #拟合结局和变量
        fml<-as.formula(paste0("status==0~",x))
        #glm()逻辑回归
        glm<-glm(fml,data=lung,family = binomial)
        #提取所有回归结果放入sum中
        sum<-summary(glm)
        #1-计算OR值保留两位小数
        OR<-signif(exp(coef(glm)),2)
        #2-提取SE
        SE<-sum$coefficients[,2]
        #3-计算CI保留两位小数并合并
        lower<-signif(exp(coef(glm)-1.96*SE),2)
        upper<-signif(exp(coef(glm)+1.96*SE),2)
        CI<-paste0(lower,'-',upper)
        CI <- paste0(OR, " (", 
                      lower, "-", upper, ")")
        #4-提取P值
        P<-signif(sum$coefficients[,4],2)
        #5-将变量名、OR、CI、P合并为一个表,删去第一行
        univ_formulas<- data.frame('Variants'=x,
                                   'CI' = CI,
                                   'P-value' = P,
                                   'OR' = OR,
                                   'lower' = lower,
                                   'upper' = upper)[-1,]
                                   
        #返回循环函数继续上述操作                     
        return(univ_formulas)
      }
    

    这里我们选择除了 time, status 的8个协变量来做单因素 Logistic 回归分析,之后在对结果进行整理,达到一张表格,即为单因素 Logistic 回归分析的结果,也是文章经常出现的表格,整理数据,如下:

    covariates <- c("inst","age", "sex",  "ph.karno", "ph.ecog", "wt.loss","meal.cal","pat.karno") 
    univ_logistic_result <- lapply(covariates, univ_formulas)
    univ_logistic_result
    library(plyr)
    univ_logistic_result <- ldply(univ_logistic_result,data.frame)
    #最后,将P值=0的变为p<0.0001
    univ_logistic_result$P.value[univ_logistic_result$P==0]<-"<0.001" 
    names(univ_logistic_result)=c("Variants","Hazard Ratio (95%CI)","P-value","","","")
    univ_logistic_result  #########最后三列的列名赋值为空
     Variants Hazard Ratio (95%CI) P-value               
    1      inst         1 (0.99-1.1)     0.1 1.00 0.99 1.10
    2       age        0.96 (0.93-1)   0.042 0.96 0.93 1.00
    3       sex        2.7 (1.3-5.3)  0.0054 2.70 1.30 5.30
    4  ph.karno            1 (1-1.1)    0.04 1.00 1.00 1.10
    5   ph.ecog     0.46 (0.28-0.76)  0.0027 0.46 0.28 0.76
    6   wt.loss        0.99 (0.97-1)    0.53 0.99 0.97 1.00
    7  meal.cal              1 (1-1)    0.75 1.00 1.00 1.00
    8 pat.karno            1 (1-1.1)   0.018 1.00 1.00 1.10
    #保存为Excel
    write.csv(univ_logistic_result ,"univ_logistic_result.csv",row.names = F)
    

    03 单因素 Logistic 可视化

    这里我们仍然利用 R 包 forestplot 来绘制可视化图,跟单因素 Cox 回归的一样,但是得到的结果却不相同,根据上述结果我们已经保存输出结果,下面我们在利用 read.csv() 读取结果文件作为输入文件,森林图的代码就跟 Cox 回归一样,如下:

    #install.packages("forestplot")
    library(forestplot)
    rs_forest <- read.csv('univ_logistic_result.csv',header = FALSE)
    rs_forest
    # 读入数据的时候大家一定要把header设置成FALSE,保证第一行不被当作列名称〿
     tiff('Figure 2.tiff',height = 1800,width = 3000,res= 600)
    forestplot(labeltext = as.matrix(rs_forest[,c(1,2,3)]),
               #设置用于文本展示的列,此处我们用数据的前四列作为文本,在图中展示
               mean = rs_forest$V4, #设置均倿
               lower = rs_forest$V5, #设置均值的lowlimits陿
               upper = rs_forest$V6, #设置均值的uplimits陿
               #is.summary = c(T,T,T,T,T,T,T,T,T),
               #该参数接受一个逻辑向量,用于定义数据中的每一行是否是汇总值,若是,则在对应位置设置为TRUE,若否,则设置为FALSE;设置为TRUE的行则以粗体出现
               zero = 1.5, #设置参照值,此处我们展示的是HR值,故参照值是1,而不昿0
               boxsize = 0.3, #设置点估计的方形大小
               lineheight = unit(8,'mm'),#设置图形中的行距
               colgap = unit(2,'mm'),#设置图形中的列间跿
               lwd.zero = 2,#设置参考线的粗绿
               lwd.ci = 2,#设置区间估计线的粗细
               col=fpColors(box='#458B00', summary= "#8B008B",lines = 'black',zero = '#7AC5CD'),
               #使用fpColors()函数定义图形元素的颜色,从左至右分别对应点估计方形,汇总值,区间估计线,参考线
               xlab="The estimates",#设置x轴标筿
               lwd.xaxis=2,#设置X轴线的粗绿
               lty.ci = "solid",
               graph.pos = 3)#设置森林图的位置,此处设置为4,则出现在第四列
    dev.off()
    

    图片

    这样对比单因素 Cox 回归分析的结果,可以看出使用的模型不同,得到的结果大相径庭,我这里只是做个例子,所以说在模型选择上,一定需要我们清晰的知道自己的目的是什么,数据类型才能准确快速的选择模型。

    单因素完成,下期需要将单因素与多因素整理到一张表格中,有时还需要加一列数据本身的分组信息,下期将进行讲解。

    关注公众号,每天有更新,记得扫码进群,每天有讨论,免费交流哦!

    Reference:

    1. Liu Y, Zhao P, Cheng M, Yu L, Cheng Z, Fan L, Chen C. AST to ALT ratio and arterial stiffness in non-fatty liver Japanese population:a secondary analysis based on a cross-sectional study. Lipids Health Dis. 2018 Dec 3;17(1):275.

    2. Hosmer, D. & Lemeshow, S. (2000). Applied Logistic Regression (Second Edition). New York: John Wiley & Sons, Inc.

    3. Long, J. Scott (1997). Regression Models for Categorical and Limited Dependent Variables. Thousand Oaks, CA: Sage Publications.

    桓峰基因

    生物信息分析,SCI文章撰写及生物信息基础知识学习:R语言学习,perl基础编程,linux系统命令,Python遇见更好的你

    31篇原创内容

    公众号

    在这里插入图片描述

    展开全文
  • 岗位评价因素与定义分级表(表格模板、DOC格式).doc
  • 职业危害因素检测记录(Word表格).doc
  • 重要环境因素清单(表格模板、DOC格式).doc
  • 职业病危害因素识别记录(Word表格).doc
  • 环境因素调查表(表格模板、DOC格式).doc
  • 环境因素综合评价表(表格模板、XLS格式).XLS
  • Excel表格+Word文档各类各行业模板-季节因素计算表.zip
  • 因此,在出现这种情况时,可以查看一下表格上方是否有影响因素。 学员介绍 您的大名 贵庚 请放下你最美的照片 是否毕业 专业是啥 大学名称 从事过工作 H5基础程度 自我性格描述 简述1、...
  • 塑料五金制品有限公司质量管理表格(59个表格模板).rar
  • 在SCI论文中,我们经常可以看见一些这样的表格,大多数命名表格 2.,主要用来表示原因和结果的单因素分析的关系或者是分组变量的关系,也就是单因素分析,那这样一张表格该怎么完成呢?

    在SCI论文中,我们经常可以看见一些这样的表格,大多数命名表格 2.,主要用来表示原因和结果的单因素分析的关系或者是分组变量的关系,也就是单因素分析,那这样一张表格该怎么完成呢?

    01 单因素回归分析方法

    单因素回归分析就是在构建回归模型时,只纳入一个因素进入到回归模型中进行拟合,其理论上也应该属于单因素分析的范畴,只不过是用到了稍微高级一点的回归方法而已。

    单因素回归分析有三种方法,那么三种方法该怎么选择,以及什么样的数据适合哪种回归分析方法,这其中都存在很复杂的过程,但是经我细细的道来,自然就明了许多,单因素回归分析三种方法包括如下:  
    
    1. 单因素 Cox 回归

    2. 单因素 Logistic 回归

    3. 多线性回归

      先看第一种 Cox 回归分析,这种方法最常用,常常与 Logisitc 回归分析方法混淆,那么什么样的数据应当选择 Cox 回归分析方法呢?如下数据中的有 time-to-event, 对应着 sex 二分类方法,如下:

    library("survival")
    library("survminer")
    #导入数据
    data("lung")
    head(lung)
      inst time status age sex ph.ecog ph.karno pat.karno meal.cal wt.loss
    1    3  306      2  74   1       1       90       100     1175      NA
    2    3  455      2  68   1       0       90        90     1225      15
    3    3 1010      1  56   1       0       90        90       NA      15
    4    5  210      2  57   1       1       90        60     1150      11
    5    1  883      2  60   1       0      100        90       NA       0
    6   12 1022      1  74   1       1       50        80      513       0
    
    #COX分析需要的生存时间time和生存状态status
    res.cox<- coxph(Surv(time, status)~sex,data = lung)
    summary(res.cox)
    Call:
    coxph(formula = Surv(time, status) ~ sex, data = lung)
    
      n= 228, number of events= 165 
    
           coef exp(coef) se(coef)      z Pr(>|z|)   
    sex -0.5310    0.5880   0.1672 -3.176  0.00149 **
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
        exp(coef) exp(-coef) lower .95 upper .95
    sex     0.588      1.701    0.4237     0.816
    
    Concordance= 0.579  (se = 0.021 )
    Likelihood ratio test= 10.63  on 1 df,   p=0.001
    Wald test            = 10.09  on 1 df,   p=0.001
    Score (logrank) test = 10.33  on 1 df,   p=0.001
    

    02 批量单因素 Cox 回归

    一般我们的关注的特征都比较多,用上面的代码一个一个来做单因素cox回归分析效率太低了,下面我们来看看如何批量做单因素cox回归分析。对于上面的肺癌数据,我们对除了time-to-event 之外的8特征做单因素cox回归分析,然后对数据进行整理,因为数据有缺失,去除缺失的数据,如下:

    lung<-na.omit(lung)
    

    对单因素数据结果进行整理,之后达到一张表格,如下:

    #对除了time-to-event 之外的8特征做单因素cox回归分析
    covariates <- c("inst","age", "sex",  "ph.karno", "ph.ecog", "wt.loss","meal.cal","pat.karno")
    #分别对每一个变量,构建生存分析的公式
    univ_formulas <- sapply(covariates,
                            function(x) as.formula(paste('Surv(time, status)~', x)))
    
    #循环对每一个特征做cox回归分析
    univ_models <- lapply( univ_formulas, function(x){coxph(x, data = lung)})
    univ_models
    #提取HR,95%置信区间和p值
    univ_results <- lapply(univ_models,
                           function(x){ 
                             x <- summary(x)
                             #获取p值
                             p.value<-signif(x$wald["pvalue"], digits=2)
                             #获取HR
                             HR <-signif(x$coef[2], digits=2);
                             #获取95%置信区间
                             HR.confint.lower <- signif(x$conf.int[,"lower .95"], 2)
                             HR.confint.upper <- signif(x$conf.int[,"upper .95"],2)
                             HRa <- paste0(HR, " (", 
                                           HR.confint.lower, "-", HR.confint.upper, ")")
                             res<-c(p.value,HRa,HR,HR.confint.lower,HR.confint.upper)
                             # names(res)<-c("P-value","HR (95% CI for HR)","","","")
                             return(res)
                           })
    #转换成数据框,并转置
    res <- t(as.data.frame(univ_results, check.names = FALSE))
    res<-as.data.frame(res)
    names(res)=c("Variants","P-value","Hazard Ratio (95%CI)","","")
    res
             Variants         P-value Hazard Ratio (95%CI)         
    inst          0.18    1 (0.99-1.1)                    1 0.99 1.1
    age          0.044   0.97 (0.94-1)                 0.97 0.94   1
    sex          0.089    1.7 (0.93-3)                  1.7 0.93   3
    ph.karno     0.063       1 (1-1.1)                    1    1 1.1
    ph.ecog       0.18 0.73 (0.46-1.2)                 0.73 0.46 1.2
    wt.loss       0.63   0.99 (0.97-1)                 0.99 0.97   1
    meal.cal      0.73         1 (1-1)                    1    1   1
    pat.karno     0.38      1 (0.99-1)                    1 0.99   1
    
    write.table(file="univariate_cox_result.xls",res,quote=F,sep=",",row.names = T)
    

    03 单因素回归结果可视化

    对于这个结果一般来说文章分析中都会存在,有时是单独一张表格,有时是与多因素放在一起,不过我们这里先说的就是批量整理单因素回归分析的结果,可视化结果我们利用R包forestplot,如下:

    #install.packages("forestplot")
    library(forestplot)
    rs_forest <- read.csv('univariate_cox_result.xls',header = FALSE)
    rs_forest
    # 读入数据的时候大家一定要把header设置成FALSE,保证第一行不被当作列名称〿
     tiff('Figure 2.tiff',height = 1800,width = 3000,res= 600)
    forestplot(labeltext = as.matrix(rs_forest[,c(1,3,2)]),
               #设置用于文本展示的列,此处我们用数据的前四列作为文本,在图中展示
               mean = rs_forest$V4, #设置均倿
               lower = rs_forest$V5, #设置均值的lowlimits陿
               upper = rs_forest$V6, #设置均值的uplimits陿
               #is.summary = c(T,T,T,T,T,T,T,T,T),
               #该参数接受一个逻辑向量,用于定义数据中的每一行是否是汇总值,若是,则在对应位置设置为TRUE,若否,则设置为FALSE;设置为TRUE的行则以粗体出现
               zero = 1.5, #设置参照值,此处我们展示的是HR值,故参照值是1,而不昿0
               boxsize = 0.3, #设置点估计的方形大小
               lineheight = unit(8,'mm'),#设置图形中的行距
               colgap = unit(2,'mm'),#设置图形中的列间跿
               lwd.zero = 2,#设置参考线的粗绿
               lwd.ci = 2,#设置区间估计线的粗细
               col=fpColors(box='#458B00', summary= "#8B008B",lines = 'black',zero = '#7AC5CD'),
               #使用fpColors()函数定义图形元素的颜色,从左至右分别对应点估计方形,汇总值,区间估计线,参考线
               xlab="The estimates",#设置x轴标筿
               lwd.xaxis=2,#设置X轴线的粗绿
               lty.ci = "solid",
               graph.pos = 3)#设置森林图的位置,此处设置为4,则出现在第四列
    dev.off()
    

    图片

    怎么样,学会了吗?当然后面还会有多因素表格,但是我们一般会将单因素与多因素的表格合并为一张表格,下期将说说怎么自动化合并一张这么复杂的表并进行可视化展示,敬请期待!

    关注公众号,每天有更新,记得扫码进群,每天有讨论,免费交流哦!

    Reference:

    1. Liu Y, Zhao P, Cheng M, Yu L, Cheng Z, Fan L, Chen C. AST to ALT ratio and arterial stiffness in non-fatty liver Japanese population:a secondary analysis based on a cross-sectional study. Lipids Health Dis. 2018 Dec 3;17(1):275.

    2. Hosmer, D. & Lemeshow, S. (2000). Applied Logistic Regression (Second Edition). New York: John Wiley & Sons, Inc.

    3. Long, J. Scott (1997). Regression Models for Categorical and Limited Dependent Variables. Thousand Oaks, CA: Sage Publications.

    桓峰基因

    生物信息分析,SCI文章撰写及生物信息基础知识学习:R语言学习,perl基础编程,linux系统命令,Python遇见更好的你

    30篇原创内容

    公众号
    在这里插入图片描述

    展开全文
  • 30年碳排放原始数据
  • 一套完整的企业管理表格模板,包括人事管理、仓库管理、工资管理、市场分析、生产管理、营销策划、质量管理、采购管理、销售管理9个部分。本文件为 “企业管理表格-营销策划”
  • 日照经济开发区ISO14001环境管理体系表格(18个表格模板).rar
  • 现实生活中人人都有创新潜能,只是需要一定外在因素的激发才能将其发挥出来。 TRIZ(Theory of Inventive Problem Solving),是原俄文首字母对应的拉丁字母缩写。它的含义是"发明问题解决理论"。该理论源于前苏联,在...
  • 重要环境因素清单.doc

    2021-12-19 10:20:12
    重要环境因素清单.doc
  • Latex 制作表格

    千次阅读 2022-05-20 10:26:45
    文章目录前言一、Latex三线表1、普通三线表2、跨页三线表二、简单表1、基本需求表2、更需求设置【表名及位置、表宽、注解、字体】1. 表名及位置2. 表宽设置3. 表格注解4. 字体设置三、复杂表1、合并单元格2、斜线...


    前言

    提示:这里可以添加本文要记录的大概内容:

    Latex 表格代码汇总,包括三线表[跨页]、简单表[表格基本配置(表名、表宽、注解、字号)]、单元格合并、斜线表头、


    提示:以下是本篇文章正文内容,下面案例可供参考

    一、Latex三线表

    1、普通三线表

    三线表需要一个专门的宏包booktabs。通过该宏包,可以使用以下代码画不同粗细的表线。

    代码含义
    \toprule顶部粗线
    \midrule中间细线
    \bottomrule底部粗线

    示例代码:

    \documentclass{article}
    \usepackage{booktabs} % 导入三线表需要的宏包
    
    \begin{document}
    
    \begin{tabular}{ccc}% 其中,tabular是表格内容的环境;c表示centering,即文本格式居中;c的个数代表列的个数
    \toprule %[2pt]设置线宽     
    a & b  &  c \\ %换行
    \midrule %[2pt]  
    1 & 2 & 3 \\
    4 & 5 & 6 \\
    7 & 8 & 9 \\
    \bottomrule %[2pt]     
    \end{tabular}
    
    \end{document}
    

    代码结果图片:
    在这里插入图片描述

    2、跨页三线表

    跨页表格需要导入宏包 longtable,并将原来的表格内容环境tabular改成longtable即可。

    示例代码:

    \documentclass{article}
    \usepackage{booktabs} % 导入三线表需要的宏包
    \usepackage{longtable}% 导入跨页表格所需宏包
    \begin{document}
    
    \begin{longtable}{ccc}% 其中,tabular是表格内容的环境;c表示centering,即文本格式居中;c的个数代表列的个数
    \toprule %[2pt]设置线宽     
    a & b  &  c \\ %换行
    \midrule %[2pt]  
    1 & 2 & 3 \\
    4 & 5 & 6 \\
    7 & 8 & 9 \\
    \bottomrule %[2pt]     
    \end{longtable}
    
    \end{document}
    

    代码结果图片:
    在这里插入图片描述

    二、简单表

    1、基本需求表

    表格,简而言之就是被 横竖表线 框起来文本。

    1.横线:

    代码含义
    \hline表格所有列的一整条表线
    \cline{a-b}指定列数的表线,a-b表示从第a列到第b列

    2.竖线:| |
    3.文本位置:

    参数含义
    ccentering,表示文本居中
    lleft,表示文本靠左
    rrigth,表示文本靠右

    参考代码:

    \begin{document}
    
    \begin{tabular}{|c|c|c|c|r|l|} \hline % 其中,|c|表示文本居中,文本两边有竖直表线。
    aaaaa & bbbbb & ccccc & ddddd & eeeee & fffff  \\ \hline
    1 & 2 & 3 & 4 & 5 & 6  \\ \hline
    7 &	8 &	9 &	10 & 11 & 12\\ \hline
    13 & 14 & 15 & 16 &	17 & 18\\ \hline
    \end{tabular}
    
    \end{document}
    

    代码结果图片:
    在这里插入图片描述

    2、表格整体相关设置【表名及位置、表宽、注解、字号】

    很多时候,我们都是对表格整体进行相关设置,来达到自己的相关需求。而对表格整体的相关设置其实与表格内容并无太大关系。

    因此我们需要在表格内容环境【如上文中的 \begin{tabular}、\begin{longtable} 】外面进行相关环境设置。

    \begin{table}%表格环境
    
    ...表格整体相关设置
    \begin{tabular}% 表格内容环境
    \end{tabular}
    ...表格整体相关设置
    
    \end{table}
    

    1. 表格标题及位置

    1.标题
    导入宏包 caption,使用代码:\caption{表格标题}(位置上下均可)

    2.位置
    \begin{table}[!ht],中的参数 !ht 就是对表格位置的相关设置。

    [!ht] 这个参数组合是我比较喜欢用的,含义:尽量放在代码当前位置,实在放不下,将放在下一页的顶部。

    其他参数及含义如下:

    参数含义
    h(here)代码当前位置
    t(top)页面顶部
    b(bottom) 页面底部
    p单独一个页面,只含浮动对象
    忽略系统排版美学因素,尽可能按照你的代码参数放置表格位置
    H需导入宏包 float ,放在当前代码位置,放不下则不显示(错误)

    位置参数参考

    参考代码:

    \begin{table}[!ht] % [!ht]表格在文本中放置的位置参数(努力放在当前位置,实在放不下,将放在下一页的顶部)
    \centering % 表格整体居中
    \caption{表格标题}
    \begin{tabular}{|c|c|c|c|r|l|} \hline % 其中,|c|表示文本居中,文本两边有竖直表线。
    aaaaa & bbbbb & ccccc & ddddd & eeeee & fffff  \\ \hline
    1 & 2 & 3 & 4 & 5 & 6  \\ \hline
    7 &	8 &	9 &	10 & 11 & 12\\ \hline
    13 & 14 & 15 & 16 &	17 & 18\\ \hline
    \end{tabular}
    \end{table}
    

    代码结果图片:
    在这里插入图片描述

    2. 表宽设置

    由于latex的表格长宽都是通过表格中文本的最大长度来设定的,这就可能造成表格过窄或过宽导致的不美观现象。
    因此,如果你对表格的美观程度要求较高的话,就还需要设定一些参数。

    1.自定义表格整体大小
    首先需要导入graphics、graphicx、pdfpages 这三个宏包中的任意一个,然后在表格内部环境外面进行相关设置。
    resizebox{表宽}{表长}{…表格内部环境…}
    其中,表宽和表长可以自己定义多少厘米,也可以采用页面的相关长度来进行设置。
    以下是相关参数及含义:

    参数含义
    \linewidth当前环境宽度,即上下文宽度
    \textwidth文本宽度
    (高度或宽度)随着另一个参数的改变而改变

    宽度参数参考

    存在的缺陷:改变了表格的大小,同时也会自动改变表格中文本字体的大小,如果你对表格中的字体还有要求的话,那么这个代码并不适用。

    参考代码:

    \usepackage{graphics}
    \begin{document}
    
    
    \begin{table}[!ht]
    
    \resizebox{\textwidth}{!}{ % 表格环境外部设置(头)
    \begin{tabular}{|c|c|c|c|r|l|} \hline % 其中,|c|表示文本居中,文本两边有竖直表线。
    aaaaa & bbbbb & ccccc & ddddd & eeeee & fffff  \\ \hline
    1 & 2 & 3 & 4 & 5 & 6  \\ \hline
    7 &	8 &	9 &	10 & 11 & 12\\ \hline
    13 & 14 & 15 & 16 &	17 & 18\\ \hline
    \end{tabular}
    }% 外部环境设置(尾)
    
    \end{table}
    
    
    \end{document}
    

    代码结果图片:
    在这里插入图片描述
    2. 设置每列文本宽度

    \setlength{\tabcolsep}{宽度}{…表格内部环境…},设置表格中每列的宽度(每个单元格都是一样的)。

    ② 导入宏包array,使用 \begin{tabular}{宽度设置} 进行设置

    宽度设置相关参数:

    参数含义
    p{宽度}指定单元格宽度,汉字内容超出宽度自动换行,文本在单元格中的位置为垂直靠上
    m{宽度}指定单元格宽度,汉字内容超出宽度自动换行,文本在单元格中的位置为垂直居中
    b{宽度}指定单元格宽度,汉字内容超出宽度自动换行,文本在单元格中的位置为垂直靠下
    <{\raggedright}单元格内容左对齐
    <{\raggedleft}单元格内容右对齐
    <{\centering}单元格内容居中

    参考代码:

    \begin{tabular}{|p{6cm}<{\raggedleft}|p{4cm}<{\raggedright}|p{4cm}<{\centering}|} \hline
    
    汉字文本文本文本文本&汉字文本文本文本文本汉字文本文本文本文本&汉字文本文本文本文本汉字文本文本文本文本汉字文本文本文本文本\\ \hline
    汉字文本&汉字文本&汉字文本\\ \hline
    aaaaaaaaa&aaaaaaaaa&aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa\\ \hline
    111111111&111111111&111111111111111111111111111111111111\\ \hline
    
    \end{tabular}
    

    代码结果图片:
    在这里插入图片描述
    文本对齐参数参考

    3.更多方法
    当然,如果你实在不想管这些东西,你还可以利用空格来增加文本的宽度,快速的得到你想要的表格。
    空格的相关设置参数如下:

    参数含义
    a\ bab之间1个m的宽度
    a\quad bab之间2个m的宽度

    空格参数参考

    3. 表格注解

    导入宏包 threeparttable,使用 \begin{threeparttable} 进行设置。

    参考代码:

    \centering
    \begin{threeparttable}
    \begin{tabular}{|c|c|c|c|c|c|} \hline
    
    班级层次&平均值	&个案数	&标准偏差	&最小值&最大值\\ \hline
    1&	53.74&	77	&29.819&	4	&96\\ \hline
    2	&57.60	&119&	28.971&	4	&100\\ \hline
    3	&58.94&	119&	29.930	&0&	100\\ \hline
    总计	&57.16	&315	&29.520&	0&	100\\ \hline
    \end{tabular}
    注: 1代表学习成绩低的同学;2代表学习层次居中的同学;3代表学习层次较好的同学。
    \end{threeparttable}
    

    代码结果图片:

    在这里插入图片描述

    4. 字号设置

    由前文对表格整体的设置可知,当对表格整体进行设置的时候,只需在表格内容环境的外面进行相关设置,就可以改变表格的整体。
    同样的,字号也是一样,字号设置的位置决定了你的作用域在哪里。
    下面给出字体设置的相关参数:

    参数含义
    \small小五
    \large小四

    字体字号参数参考

    三、复杂表

    1、合并单元格

    导入宏包 multirow
    对行合并:使用 \multirow{合并行数}{*}{文本内容}
    对列合并:使用 \multicolumn{合并列数}{c|}{文本内容}
    对行列进行合并:使用 \multicolumn{合并列数}{|c|}{\multirow{合并行数}{*}{内容}}

    参考代码:

    \begin{table}[!ht]
    
    \center
    \begin{tabular}{|c|c|c|c|}\hline
    \multicolumn{1}{|c|}{\multirow{2}{*}{aaaa}} & \multicolumn{3}{c|}{bbbb}\\ \cline{2-4}
     & cccc  & dddd & eeee \\ \hline
    \multirow{2}{*}{aaaa}& 50 & 86 & 122  \\ \cline{2-4}
    \multirow{2}{*}{ }& 5 & 78  & 107   \\ \hline
     3& 25 & 48  & 101  \\ \hline
     4& 28 & 60 & 106  \\ \hline
    \end{tabular}
    
    \end{table}
    
    

    代码结果图片:
    在这里插入图片描述

    2、斜线表头

    导入宏包diagbox
    利用 \diagbox{A}{B}{C} 来写某个单元格的分块内容

    代码参考:

    \centering
    \begin{threeparttable}
    \begin{tabular}{|c|c|c|c|c|c|} \hline
    
    \diagbox{班级层次}{班级层次}&平均值	&个案数	&标准偏差	&最小值&最大值\\ \hline
    1&	53.74&	77	&29.819&	4	&96\\ \hline
    2	&57.60	&119&	28.971&	4	&100\\ \hline
    3	&58.94&	119&	29.930	&0&	100\\ \hline
    总计	&57.16	&315	&29.520&	0&	100\\ \hline
    \end{tabular}
    注: 1代表学习成绩低的同学;2代表学习层次居中的同学;3代表学习层次较好的同学。
    \end{threeparttable}
    

    代码结果图片:
    在这里插入图片描述
    斜线表头参考

    五、常用表格模板代码

    1.代码1:

    \begin{table*}[!ht]
    %\usepackage{multirow}
    \center
    \caption{不同层次学生显著性分析}
    \begin{threeparttable}
    \resizebox{\linewidth}{!}{ 
    \begin{tabular}{|c|c|c|c|c|c|c|c|} \hline
    
    
    \multirow{2}{*}{} &\multirow{2}{*}{(I) 班级层次} &\multirow{2}{*}{(J) 班级层次} &\multirow{2}{*}{平均值差值 (I-J)} &\multirow{2}{*}{标准 错误} &\multirow{2}{*}{显著性} &\multicolumn{2}{c|}{95\% 置信区间}\\ \cline{7-8}
    
    \multirow{2}{*}{}&\multirow{2}{*}{} &\multirow{2}{*}{} &\multirow{2}{*}{} &\multirow{2}{*}{} &\multirow{2}{*}{} &上限&下限   \\ \hline
    
    \multirow{6}{*}{塔姆黑尼}&\multirow{2}{*}{1} &2&	-3.856	&4.313	&.753&	-14.26&	6.55  \\ \cline{3-8}
    \multirow{6}{*}{}&\multirow{2}{*}{} & 3	&-5.201&4.368&	.553&	-15.74&	5.34 \\ \cline{2-8}
    
    \multirow{6}{*}{}&\multirow{2}{*}{2} &1&	3.856&	4.313&	.753&	-6.55&	14.26  \\ \cline{3-8}
    \multirow{6}{*}{}&\multirow{2}{*}{} &  3&	-1.345	&3.819&	.979	&-10.53&	7.84\\ \cline{2-8}
    
    \multirow{6}{*}{}&\multirow{2}{*}{3} &1&	5.201&	4.368&	.553	&-5.34&	15.74  \\ \cline{3-8}
    \multirow{6}{*}{}&\multirow{2}{*}{} & 2	&1.345&	3.819&	.979&	-7.84	&10.53 \\ \hline
    
    \multirow{2}{*}{邓尼特 t(双侧)} & 1&	3	&-5.201&4.321	&.384&	-14.83	&4.43 \\ \cline{2-8}
    \multirow{2}{*}{} & 2&	3&	-1.345	&3.830	&.917	&-9.88	&7.19\\ \hline
    
    \end{tabular}
    }	
    \begin{tablenotes}
    \item[1] 1代表学习成绩低的同学;2代表学习层次居中的同学;3代表学习层次较好的同学。
    \end{tablenotes}
    \end{threeparttable}
    \end{table*}
    
    

    代码1结果图:
    在这里插入图片描述

    总结

    展开全文
  • Cox比例风险回归模型单因素多因素生存分析

    万次阅读 多人点赞 2020-03-13 12:00:20
    Cox比例风险回归模型单因素多因素生存分析 欢迎使用Markdown编辑器 Cox比例风险回归模型临床应用非常广泛,Cox分析得到的结果是可以直接运用到临床应用的,所以这个分析对癌症临床诊断有非常关键的作用,检测高低...
  • 来源于网络的excel的各种操作,表格,拿来就用的表格,学习,办公快捷的好办法,有同样需要提高办公效率的网友可以参考一下
  • 质量问题人员因素- 5Why分析,用于质量问题分析的人员因素影响深入分析 不拘泥于人出问题,而深入人到底因为什么出问题
  • 品质因素变动表.doc

    2022-01-31 09:18:19
    品质因素变动表.doc
  • 环境因素调查表.doc

    2021-12-19 10:18:39
    环境因素调查表.doc
  • 环境因素评价表.xls

    2021-12-18 21:23:42
    环境因素评价表.xls
  • 技术岗位薪酬因素表.doc

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 69,842
精华内容 27,936
关键字:

多因素表格