精华内容
下载资源
问答
  • 交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技,几乎在高分的SCI中必出现,因为把人群分为亚组后再进行统计可以增强文章结果的可靠性,下图就是一片20分的文章,做了交互作用分析 很多人不知道...

    交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技,几乎在高分的SCI中必出现,因为把人群分为亚组后再进行统计可以增强文章结果的可靠性,下图就是一片20分的文章,做了交互作用分析
    在这里插入图片描述
    很多人不知道怎么做出交互作用的P值,其实很简单,我们今天通过SPSS来演示怎么做出交互作用的P值
    首先用SPSS打开我们既往的乳腺癌的数据
    在这里插入图片描述
    假如我们研究的的是pr(孕激素受体状态)和死亡的关系,我们想知道ln_yesno(是否淋巴结转移)和pr是否产生交互作用。首先打开COX回归界面
    在这里插入图片描述
    填入时间,生存状态等数据后,在协变量一栏把ln_yesno、pr同时点击选入a*b选项
    在这里插入图片描述
    点击确定后如下图红箭头所示,0.003就是ln_yesno和pr的交互作用P值
    在这里插入图片描述
    是不是很简单呀,下一章节我们来剖析一篇20分的SCI(就是第一张图)的交互是怎么做出来的
    动动小手关注一下吧,更多精彩文章尽在零基础说科研
    在这里插入图片描述

    展开全文
  • 交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技,几乎在高分的SCI中必出现,因为把人群分为亚组后再进行统计可以增强文章结果的可靠性,进行可视化后可以清晰的表明变量之间的关系。不仅如此,交互...

    交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技,几乎在高分的SCI中必出现,因为把人群分为亚组后再进行统计可以增强文章结果的可靠性,进行可视化后可以清晰的表明变量之间的关系。不仅如此,交互作用还可以使用来进行数据挖掘。在既往文章中,我们已经介绍了怎么使用R语言对交互作用进行可视化分析(见下图)
    在这里插入图片描述
    后台有粉丝问我能不能用SPSS,不用代码,直接界面操作绘制logistic回归交互项(交互作用)的可视化分析图。SPSS可以进行计算出数据,但是绘图能力不行,多变量的数据拟合图不好画,而Excel作图能力和图片精美度都不错,我们可以SPSS联合Excel进行交互项(交互作用)的可视化图片绘制。
    在这里插入图片描述
    步骤为:

    1. 先使用SPSS拟合logistic回归方程,求出预测值
    2. 把数据代入Excel
    3. 使用E
    展开全文
  • meta分析亚组分析R实现

    千次阅读 2020-12-15 22:29:29
    f3<-metagen(OR, seTE, studlab = study, # method.tau = "SJ", sm = "OR", data = study_1) f<-metagen(log(study_2$OR), lower = log(study_2$low), upper = log(study_2$upper), ...

    library(meta)
    bin.metagen<-read.table("clipboard",header=T,sep="\t")
    bin.metagen

    bin.metagen$RR <- log(bin.metagen$RR)
    bin.metagen$lower <- log(bin.metagen$lower)
    bin.metagen$upper <- log(bin.metagen$upper)
    bin.metagen$seTE <- (bin.metagen$upper - bin.metagen$lower)/3.92
    fit<-metagen(RR, 
            seTE, 
            studlab = Author,
            method.tau = "SJ",
            sm = "RR",
            data = bin.metagen)
    forest(fit)

     

    fit<-metagen(RR, 
                 seTE, 
                 studlab = Author,
                 method.tau = "SJ",
                 sm = "RR",
                 data = bin.metagen,byvar = Group)
    forest(fit)

     

     ref:https://bookdown.org/MathiasHarrer/Doing_Meta_Analysis_in_R/binary.html

    展开全文
  • 交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技,几乎在高分的SCI中必出现,因为把人群分为亚组后再进行统计可以增强文章结果的可靠性,不仅如此,交互作用还可以使用来进行数据挖掘。在既往文章中...

    交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技,几乎在高分的SCI中必出现,因为把人群分为亚组后再进行统计可以增强文章结果的可靠性,不仅如此,交互作用还可以使用来进行数据挖掘。在既往文章中,我们已经介绍了怎么使用R语言可视化visreg包对交互作用进行可视化分析(见下图),
    在这里插入图片描述
    但是使用visreg包后我们对图形的细节掌控力不够,今天我们使用重新绘制手动图形,这在SCI论文中非常实用,几乎可以做出所有的交互可视化,也有利于我们了解制图原理。
    废话不多说,我们实操一下。我们使用人流后导致不孕的数据集(关注公众号后回复:不孕症,可以获得数据),我们先导入看一下

    library(rms)
    bc<-read.csv("E:/r/test/buyunzheng.csv",sep=',',header=TRUE)
    
    

    在这里插入图片描述
    在这里插入图片描述
    数据有8个指标,最后两个是PSM匹配结果,我们不用理他,其余六个为:
    Education:教育程度,age:年龄,parity产次,induced:人流次数,case:是否不孕,这是结局指标,spontaneous:自然流产次数。
    有一些变量是分类变量,我们需要把它转换一下

    bc$education<-ifelse(bc$education=="0-5yrs",0,ifelse(bc$education=="6-11yrs",1,2))
    bc$spontaneous<-as.factor(bc$spontaneous)
    bc$case<-as.factor(bc$case)
    bc$induced<-as.factor(bc$induced)
    bc$education<-as.factor(bc$education)
    
    

    建立模型,假如我们想知道流产(包括人流和自然流产)和年龄这两个指标是不是存在交互影响

    f1<- glm(case ~ age + education + parity + induced+spontaneous+age*induced*spontaneous,
               family = binomial(link = logit), data = bc)
    summary(f1)
    
    

    我们看到自然流产和年龄之间可能存在交互(下图)
    在这里插入图片描述
    重新建立模型

    f1<- glm(case ~ age  + parity +spontaneous+age:spontaneous,
             family = binomial(link = logit), data = bc)
    
    

    建立新数据集

    attach(bc)
    newdata2<-data.frame(age,spontaneous,parity=mean(parity))
    
    

    把模型带入新数据集

    newdata3<-data.frame(newdata2,predict(f1,newdata = newdata2,type = "link",se =T))
    

    生成预测值

    newdata4<-within(newdata3,{
      pre<-plogis(fit)
      ll<-plogis(fit-(1.96*se.fit))
      ul<-plogis(fit+(1.96*se.fit))
    })
    
    

    最后绘图

    ggplot(newdata4,aes(x=age,y=pre))+
      geom_line(aes(col=spontaneous),size=1)
    
    

    在这里插入图片描述
    最后对图形进行修饰
    在这里插入图片描述
    最后得出和visreg包同样的结果,随着年龄增长,自然流产2次以上的患者不孕的概率比没有自然流产的患者明显增高。
    我们还可以在细节和年龄范围进一步修饰,这里就不多说了,总之,数据交互可视化是一项非常实用的技能,不仅可以用于数据分析,还可以用于数据挖掘。
    在这里插入图片描述

    展开全文
  • 交互作用我们在前面已经说过,就不具体说了。在SCI论文中可以起到画龙点睛,并能进一步挖掘数据之间的亚组关系,进行数据挖掘也非常实用,交互项的可视化能把交互数据之间的关系明白的展示出来,在实际论文中绝对是...
  • 前几日有一位朋友询问了关于“相对权重分析”的问题,今日拿来和大家分享。所谓相对权重分析,即分析各变量在回归过程中,对因变量的解释力度分别有多大,英文即为“Relative Weight Analysis”。之前没怎么接触过...
  • 本教程将介绍如何使用R的gemtc包对分类变量进行贝叶斯网状Meta分析。前提条件:需要下载R软件,本教程使用的R版本为3.5.3,URL:https://cloud.r-project.org/bin/windows/base/old/3.5.1/R-3.5.1-win.exe以及...
  • 技术分析 如何使用 性能分析 一、项目介绍 项目背景 阿里云EMR是一个开源大数据解决方案,目前EMR上面已经集成了很多开源组件,并且组件数量也在不断的增加中。EMR下层可以访问各种各样的存储,比如对象存储OSS...
  • 交互作用就是看二者合在一起的效应,与二者单独效应之和(相加)/之乘(相乘),相等还是不相等。不相等,那就是有交互。Mediation是解释暴露因素how导致的结局,而interaction是说明who是高风险目标人群。
  • R语言生存分析之COX比例风险模型构建及亚组森林图绘制示例 森林图(forest plots)是以统计指标和统计分析方法为基础, 用数值运算结果绘制出的图型。它在平面直角坐标系中, 以一条垂直的无效线(横坐标刻度为1 或0)...
  • 该软件包提供了用于质量控制,过滤,聚类,可视化,差异表达,交叉方面/状态以及基因/途径过度分散分析的方法。 配套的前端应用程序使用户可以找出哪些基因表达模式在数据中引起了不同的群。 该应用程序允许...
  • 欢迎关注”生信修炼手册”!得到一个物种的参考基因是开展后续结构和功能基因挖掘的前提,通过高通量测序可以快速的拼接得到基因,本文整理了基因组装相关的数据分析资料。二代测序的基因组装...
  • Pairtree使用基因突变数据推断癌症的系统发育。 Pairtree特别适用于每种癌症的多个组织样本的设置,提供了每个样本的单独克隆频率估计,这些样本限制了一致的系统发育集。 在{插入纸张链接}中描述了Pairtree算法。...
  • IBM Watson 进入癌症基因组分析市场 2015-06-18大数据文摘 点击上方“大数据文摘”可以订阅哦!大数据文摘编译作品,欢迎个人转发朋友圈;其他机构、自媒体转载,务必后台留言,申请授权。 作者|Matthew Herper ...
  • 欢迎关注”生信修炼手册”!single cell RNA sequencing,简称scRNA_seq, 指的是针对单个细胞的RNA进行分析。传统的转录组分析其样本为多种细胞的混合物,称...
  • 本文版权归《遗传》杂志,已获授权,转载请联系杂志社微生物数据分析方法与应用刘永鑫1,2,秦媛1,2,3,郭晓璇1,2,白洋1,2,31. 中国科学院遗传与发育生物学研究所,植物基因学...
  • 交互效应分析在SCI中是一个重要的组成,可以表示特殊的人群(也就是亚组)中自变量和因变量的结果关系,可以说是高分SCI必做的项目,在SCI中,这一部分结果很多都是以森林图来展示,这样结果又直观有方便分析,例如...
  • 蛋白质细胞定位预测对于确定蛋白质功能、揭示分子交互机理、理解复杂生理过程和设计药物靶标等方面都有很大的促进作用。随着后基因时代中蛋白质序列数据的指数增长,研究基于机器学习的计算性蛋白质细胞定位...
  • 我们先要看他是怎么分析的,他把血小板进行4分组和2分组后,在进行血小板和叶酸的交互作用分析,从各个层面分析了血小板对叶酸的影响,所以别人能发高分不是没有原因的。在模型中,他还使用了调整模型和未调整模型...
  • 细胞结构的预测,超体素提取和网格生成 (子)细胞区室(脊柱,胸肉和轴突/树突/体)和细胞类型分类,采用多视图和基于骨骼的方法 胶质细胞的鉴定和分离 连接矩阵导出 用于交互式探索的KNOSSOS插件(正在进行中...
  • 自然微生物综述(2017 IF:31.851)于2018年5月23日在线发表了Rob Knight亲自撰写(一作兼通讯)的微生物领域研究方法综述,不仅系统总结了过去,更为未来3-5年内本领域研究方法的选择,提供了清晰的技术路线,让大家...
  • 业务分析师在敏捷项目中的作用 作者 Shane Hastie 译者 郑柯 发布于 2009年2月23日 下午12时35分 社区 Agile 主题 客户及需求 标签 补充实践 敏捷软件开发实践的文化中存在着一个断层,该断层同样体现在...
  • 为进一步提高《微生物实验手册》稿件质量,本项目新增大众评审环节。文章在通过同行评审后,采用公众号推送方式分享全文,任何人均可在线提交修改意见。公众号格式显示略有问题,建议电脑端点击文末阅...
  • 可以使用一属性来控制折线图的各个方面,例如要绘制的数据以及连接绘制点的线条的形状或颜色。 Plotly.js允许您以类似方式创建条形图。 在本教程中,您将学习如何使用Plotly.js创建各种条形图。 我还将讨论如何...
  • 第2亚组生物生产率及总有机碳含量(介于0.42%~1.11%)均最高,有机质类型基本以Ⅲ型干酪根为主,含少量II2型干酪根,成熟度达到高—过成熟阶段。矿物成分以黏土矿物和石英为主,尤其是第2亚组(黏土矿物:32%~49%;石英:33%~...
  • 医学图像分析领域算法汇总

    千次阅读 2020-01-15 10:17:36
    本文首发于公众号【3D视觉工坊】,原文请见汇总|医学图像分析领域论文,更多干货获取请关注公众号~ 医学图像分析相关期刊会议汇总 1、医学图像分析 (MedIA) 2、IEEE 医学图像学报 (IEEE-TMI) 3、IEEE 生物医学工程...
  • 稳态是指触发器无法在特定时间内达到已知状态。当触发器进入稳状态时,您既无法预测元件的输出电压电平,也无法预测输出何时将稳定至正确的电压电平。在此稳定时间内,触发器的输出处于某个中间电压电平,或者...
  • 汇总|医学图像分析领域论文

    千次阅读 2020-02-02 17:16:25
    医学图像分析相关期刊会议汇总1、医学图像分析 (MedIA)2、IEEE 医学图像学报 (IEEE-TMI)3、IEEE 生物医学工程学报(IEEE-TBME)4、IEEE 生物医学与健康信息学杂志 (IEEE-JBHI)5、国际计算机辅助放射学和外科学杂志 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,230
精华内容 1,292
关键字:

亚组分析交互作用