R语言 | 卡方检验(Chi-squaretest)

Posted 统计学

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了R语言 | 卡方检验(Chi-squaretest)相关的知识,希望对你有一定的参考价值。




卡方检验在计数资料中的应用,包括推断两个总体率或构成比之间有无差别、多个总体率或构成比之间有无差别、多个样本率间的多重比较、两个分类变量之间有无关联性、多维列联表的分析和频数分布拟合优度的卡方检验。


R语言 | 卡方检验(Chi-squaretest)
选自:周支瑞老师

下面分别介绍计数资料怎么进行卡方检验。


目  录

  • 1. 四格表资料的卡方检验

    • 1.1 数据集数据

    • 1.2 向量或矩阵数据

    • 1.3 chisq.test()函数

  • 2. Fisher确切概率法

  • 3. 配对四格表资料的卡方检验

    • 3.1 b+c < 40

    • 3.2 b+c ≥ 40

    • 3.3 mcnemar.test()函数

  • 4. Cochran-Mantel-Haenszel检验

    • 4.1 mantelhaen.test()函数

    • 4.2 数据集形式的数据

    • 4.3 向量或数组数据

    • 4.4 计算各层OR值

    • 4.5 Breslow-Day检验

    • 4.6 BreslowDayTest()函数

    • 4.7 WoolfTest()函数

  • 5. 计算列联系数

  • 6. 频数分布拟合优度的卡方检验


1. 四格表资料的卡方检验

1.1 数据集数据

选用survival包的colon数据集。

library(survival) #加载内置数据集的包
data(colon) # 加载数据集

mytable <- xtabs(~ status + sex, data= colon); mytable
chisq.test(mytable)  # 进行连续性校正
chisq.test(mytable, correct = FALSE# 不进行连续性校正
R语言 | 卡方检验(Chi-squaretest)

无论是否进行连续性校正,结果都显示p值>0.05,接受原假设,说明sexstatus无关。

还可以输出卡方检验摘要:

chisq.test(mytable)$observed   # 实际频数(和mytable一样)
chisq.test(mytable)$expected   # 期望频数
chisq.test(mytable)$residuals  # Pearson 残差
chisq.test(mytable)$stdres     # 标准化残差

1.2 向量或矩阵数据

compare<-matrix(c(706,792,184,176), nr = 2,
                dimnames = list(c("male""female"),
                                c("Yes""No")));compare
chisq.test(compare)
R语言 | 卡方检验(Chi-squaretest)

注意:在使用chisq.test()函数计算时,要注意单元格的期望频数。如果所有单元格频数都不为零,并且所有单元的期望频数≥5,那么Pearson卡方检验是合理的,否则会显示警告信息。

如果在计算时出现警告信息,表明表中单元格期望频数有<5的值,这可能会使卡方近似无效。

R语言 | 卡方检验(Chi-squaretest)

如果数据不满足卡方检验的条件时,应使用Fisher精确检验。

1.3 chisq.test()函数

chisq.test()函数可以进行卡方列联表检验和拟合优度检验。

chisq.test(x, y = NULL# x是由数据构成的向量或矩阵,y是数据向量(当x为矩阵时,y忽略)
           correct = TRUE# 逻辑词,默认为TRUE,在计算2x2列联表的检验统计量时是否使用连续性校正
           p = rep(1/length(x), length(x)), # p是原假设落在小区间的理论概率,默认值表示均匀分布. 
           # P是和x长度相同的概率向量,P值如果输入有负值,会返回错误信息。
           rescale.p = FALSE# 逻辑词,为TRUE,则p将缩放成和为1的向量;为FALSE,如果p向量和≠1,则会返回错误信息
           simulate.p.value = FALSE# 为TRUE则不进行连续性校正,根据蒙特卡洛检验计算p值
           B = 2000# B为整数,在蒙特卡洛检验中使用的重复次数。

对于2x2的列联表,参数correct的默认值为TRUE,即使用Yate连续修正,目的是提高P值,避免"有显著差异"不可靠的情况发生;

2. Fisher确切概率法

在样本较小时(单元的期望频数<5),需要用Fisher精确检验来完成独立性检验。Fisher检验开始是针对2x2四格表提出的,当卡方检验的条件不满足时,可以使用精确检验。

fisher.test(x, y = NULL# 参数x为二维列联表形式的矩阵,或者由因子构成的对象。y为因子构成的向量,当x为矩阵时,此值无效。
            workspace = 200000# 正整数,表示用于网络算法工作空间的大小
            hybrid = FALSE,  # 逻辑词,仅用于2x2列联表,为FALSE时(默认值)表示精确计算概率,取TRUE表示用混合算法计算概率。
            hybridPars = c(expect = 5, percent = 80, Emin = 1),
            control = list(), or = 1# 为列表,指定低水平算法的组成,or为优势比的原假设,默认值为1,仅用于2x2列联表。
            alternative = "two.sided"# 备择假设,默认值"two.sided",表示双侧检验(不独立),“less”表示单侧小于检验(负相关);“greater”表示单侧大于检验(正相关)。
            conf.int = TRUE# 逻辑词,为TRUE则给出优势比的置信区间。
            conf.level = 0.95,  # 置信水平,默认0.95
            simulate.p.value = FALSE, B = 2000# 逻辑词,为TRUE,表示用Monto Carlo方法计算P值,B为正整数,表示Monto Carlo重复的次数。

例:研究COPD与吸烟之间的关系,调查了52名COPD患者和33名非COPD患者吸烟的人数。

compare<-matrix(c(49,28,3,5),nr = 2, byrow = TRUE,
                dimnames = list(c("smoke""Notsmoke"),
                                c("COPD""normal")))
compare
chisq.test(compare)$expected  # 查看期望频数
fisher.test(compare) # 进行fisher精确检验
R语言 | 卡方检验(Chi-squaretest)

因为p-value=0.2518>0.05,并且优势比的置信区间包含1,故接受原假设, 认为吸烟与COPD无关。

3. 配对四格表资料的卡方检验

计数资料的配对设计常用于两种检验方法、培养方法、诊断方法的比较。特点是对样本中各观察单位分别用两种方法处理,然后观察两种处理方法的某两分类变量的计数结果。

假设检验为McNemar卡方检验,检验统计量有两种(分b+c ≥ 40b+c < 40的情况)。该法一般用于样本含量不太大的资料。

  • b+c < 40 时,使用连续性校正,即 correct=TRUE
  • b+c ≥ 40 时,不使用连续性校正,即 correct=FALSE

3.1 b+c < 40

例:某实验室分别用乳胶凝集法和免疫荧光法对58名可疑系统性红斑狼疮患者血清中抗核抗体进行测定,问这两种方法的检测结果有无差别?

X <- matrix(c(11,2,12,33), 
            nrow = 2,
            byrow = FALSE,
            dimnames = list(免疫荧光法 = c("+","-"),乳胶凝集法 = c("+","-")));X
#           乳胶凝集法
# 免疫荧光法   +  -
#          + 11 12
#          -  2 33

mcnemar.test(X,correct=TRUE)
# McNemar's Chi-squared test with continuity correction
# data:  X
# McNemar's chi-squared = 5.7857, df = 1, p-value = 0.01616
结论:p-value = 0.01616 < 0.05,可以认为两种方法的检测结果不同,免疫荧光法的阳性检测率较高

3.2 b+c ≥ 40

例:某医院同时用A、B两种方法测定160份痰标本中的抗酸杆菌,问A、B两种方法的检出率有无显著性差异?

X <- matrix(c(52,20,35,53), 
            nrow = 2,
            byrow = FALSE,
            dimnames = list(A方法 = c("+","-"),B方法 = c("+","-")));X
#       B方法
# A方法  +  -
#     + 52 35
#     - 20 53
mcnemar.test(X,correct=FALSE
# McNemar's Chi-squared test
# data:  X
# McNemar's chi-squared = 4.0909, df = 1, p-value = 0.04311
结论:p-value = 0.04311 < 0.05,可以认为两种方法的检测结果不同。

3.3 mcnemar.test()函数

使用mcnemar.test()函数进行McNemar检验。

mcnemar.test(x, y=NULL#参数x为二维列联表形式的矩阵,或者由因子构成的对象。y为因子构成的向量,当x为矩阵时,此值无效。
             correct=TRUE)  #逻辑词,默认为TRUE,仅在2x2列联表下进行连续校正。

4. Cochran-Mantel-Haenszel检验

CMH检验可以理解为分层卡方检验,CMH检验用于高维列联表的分析,即在控制了某一个或几个混杂因素(分层变量)之后,检验二维RxC表中行变量与列变量之间是否存在统计学关联。

假设检验:
H0:为任一层的行变量X与列变量Y均不相关;  
H1:为至少有一层X与Y存在统计学关联。

当H0成立时,CMH统计量渐近卡方分布。需要注意的是,当各层间行变量与列变量相关的方向不一致时,CMH统计量的检验效能较低。

根据行变量X和列变量Y的类型不同,CMH卡方统计量包括:

1.相关统计量:适用于双向有序分类变量;  
2.方差分析统计量:也称行平均得分统计量,适用于列变量Y为有序分类变量;  
3.一般关联统计量:适用双向无序分类变量,目的是检验X和Y是否存在关联性。

4.1 mantelhaen.test()函数

mantelhaen.test()函数用来进行CMH卡方检验。其原假设是,两个分类变量在第三个变量的每一层中都是条件独立的。

mantelhaen.test(x, y = NULL# x为数组形式的三维列联表,行与列的维度至少为2,最后一个维度为分层变量;
                # 或者x为至少有2个水平的因子,y也为至少有2个水平的因子,如果x为三维数组时,y忽略;
                z = NULL# 至少有2个水平的因子,表示哪一层对应x中的元素,哪一层对应y的元素,如果x为三维数组,则z忽略;
                alternative = c("two.sided""less""greater"), # 备择假设,默认为"two.sided"双侧检验;
                correct = TRUE# 逻辑词,计算检验统计量时使用连续性校正;
                exact = FALSE# 逻辑词,是否计算精确检验;
                conf.level = 0.95# 置信水平,默认0.95

注意:数组或向量不允许存在缺失值,x,y,z必须为长度相同的数字向量。

4.2 数据集形式的数据

选用survival包的colon数据集。xtabs()函数可以基于三个或多个分类变量生成多维列联表。

mytable <- xtabs(~ rx + status + sex, data= colon); mytable
mantelhaen.test(mytable)
R语言 | 卡方检验(Chi-squaretest)

结果中p-value = 2.921e-08,表明患者接受的治疗与结局状态在性别的每一水平下并不独立。

4.3 向量或数组数据

为研究心肌梗死与近期使用避孕药之间的关系,采用病例对照研究方法调查了234 名心肌梗死病人与1742名对照使用口服避孕药的状况。考虑到年龄是混杂因素,按照年龄分层后结果见下表。试分析排除了年龄因素的影响后,心肌梗死是否与近期使用口服避孕药有关。

R语言 | 卡方检验(Chi-squaretest)
mydata <- array(c(1712147944,
                  1214158663),
                dim = c(222),
                dimnames = list(心肌梗死 = c("病例""对照"),
                                    近期使用口服避孕药 = c("是""否"), 
                                    年龄 = c("< 40岁""≥ 40岁")))
mydata
mantelhaen.test(mydata, correct = F# 经典的2x2xk水平 CMH 检验
R语言 | 卡方检验(Chi-squaretest)

结果显示P<0.001,按a=0.05的检验水准拒绝H0,接受H1,可认为控制了年龄的影响后,心肌梗死与近期服用口服避孕药有关。

4.4 计算各层OR值

apply(mydata, 3function(x) (x[1,1]*x[2,2])/(x[1,2]*x[2,1]))
#  < 40岁   ≥ 40岁 
# 2.821874 3.596745 

4.5 Breslow-Day检验

对于分层病例对照研究或队列研究资料,通常应用Breslow-Day检验对各层的效应值(OR或RR)进行齐性检验。

若不拒绝齐性假设(p>0.05),才可依据CMH检验的结果推断出暴露因素是否与疾病相关。如果相关,可进一步用Mantel-Haenszel法估计OR或RR值及其可信区间。

若拒绝了齐性假设(p<0.05),则提示分层变量与暴露因素间存在交互作用,此时CMH检验的结果不能说明问题,可进行多元logistic回归分析。

4.6 BreslowDayTest()函数

BreslowDayTest(x, # 2x2xk列联表
               OR = NA# 要检验的OR值,默认使用Mantel-Haenszel估算值。
               correct = FALSE# 为TRUE,则使用Tarone调整的Breslow-Day检验
library(DescTools) # 加载包
BreslowDayTest(mydata)  # 进行Breslow-Day检验
# Breslow-Day test on Homogeneity of Odds Ratios
# data:  mydata
# X-squared = 0.23409, df = 1, p-value = 0.6285
BreslowDayTest(mydata, correct = TRUE)  # Tarone校正的Breslow-Day检验
# Breslow-Day Test on Homogeneity of Odds Ratios (with Tarone correction)
# data:  mydata
# X-squared = 0.23369, df = 1, p-value = 0.6288

结果为P=0.6285,可认为两年龄组口服避孕药对心肌梗死的总体OR值同质:用Mantel-Haenszel法估计OR值及其95%可信区间为3.09(1.93-4.93)

4.7 WoolfTest()函数

除了BreslowDayTest()函数外,WoolfTest()函数也可以对2x2xk列联表的同质性进行检验。

WoolfTest(x)  # x为2x2xk列联表,最后一个维度为分层变量
WoolfTest(mydata)
# Woolf Test on Homogeneity of Odds Ratios (no 3-Way assoc.)
# data:  mydata
# X-squared = 0.23358, df = 1, p-value = 0.6289

结论和BreslowDayTest检验一样。

5. 计算列联系数

若行x列表资料的两个分类变量都为无序分类变量,进行多个样本率的比较、样本构成比的比较都可以用卡方检验,也就是使用chisq.test()函数来计算。

若得知两个分类变量之间有关联性,需进一步分析关系的密切程度时,可计算Pearson列联系数。

列联系数C (Contingency Coeff) 取值为0-1之间,0表示完全独立, 1表示完全相关;愈接近于1,关系愈密切。

vcd包中的assocstats()函数可以用来计算二维列联表的phi系数、列联系数和Cramer’s V系数。

例:测得某地 5801 人的 ABO 血型和 MN 血型结果如下,问这两种血型之间是否有关联。

R语言 | 卡方检验(Chi-squaretest)
mytable <- matrix(c(431388495137,
                    490410587179,
                    90280095032),
                  nrow = 4, byrow = FALSE,
                  dimnames = list(ABO血型 = c("O","A","B","AB"),
                                  MN血型 = c("M","N","MN")))
mytable
chisq.test(mytable) # 判断两分类变量有无关联性
R语言 | 卡方检验(Chi-squaretest)

p-value < 2.2e-16,可以认为两种血型系统间有关联,可进一步计算Pearson列联系数,以分析其密切程度。

library(vcd)
assocstats(mytable) # 查看关联性的强弱
R语言 | 卡方检验(Chi-squaretest)

从上面可以看出,列联系数为0.188,虽然有关联性,但列联系数比较小,虽然有统计学意义,但关系不太密切。

6. 频数分布拟合优度的卡方检验

频数分布拟合优度(goodness-of-fit)检验还是使用chisq.test()函数。

chisq.test(x, # x为向量或单行/单列矩阵,参数 x 必须全部是非负整数。
           p, # P是和x长度相同的概率向量,P值如果输入有负值,会返回错误信息。
              # p中向量的和应为1,p不给出则向量值全部相等。
           rescale.p = TRUE# 逻辑词,为TRUE,则p将缩放成和为1的向量;为FALSE,如果和≠1,则会返回错误信息。
x <- c(10,25,15
chisq.test(x)  # chisq.test(as.table(x))等效

x <- c(82,47,20,18,22# x为向量
p <- c(45,25,25,18,15# p为概率
chisq.test(x, p = p)  # 返回错误信息,概率总和必须为1
chisq.test(x, p = p, rescale.p = TRUE# 运行正常