比较不同技术之间的相关性
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了比较不同技术之间的相关性相关的知识,希望对你有一定的参考价值。
1 /给出以下提示,我测试了三种不同的技术(PCR,TECH_A和TECH_B)。这个想法是要看TECH_A和TECH_B与PCR在检测特定基因上的比较。我的意思是如果他们同意。
N等效于“-”(表示负)。例如,第一行说PCR为负TECH_a和tech_A为负,因此它们返回的结果都是负。
> dat
# A tibble: 5 x 4
# Groups: PCR [2]
PCR TECH_A TECH_B CASES
<chr> <chr> <chr> <int>
1 N - - 1
2 N - + 23
3 N + + 8
4 P - + 2
5 P + + 4
这里是数据:
dat <-
structure(list(PCR = c("N", "N", "N", "P", "P"), TECH_A = c("-",
"-", "+", "-", "+"), TECH_B = c("-", "+", "+", "+", "+"), CASES = c(1L,
23L, 8L, 2L, 4L)), row.names = c(NA, -5L), class = c("grouped_df",
"tbl_df", "tbl", "data.frame"), na.action = structure(c(`2` = 2L,
`6` = 6L, `8` = 8L, `10` = 10L, `12` = 12L, `15` = 15L, `18` = 18L,
`20` = 20L, `22` = 22L, `24` = 24L, `26` = 26L, `28` = 28L, `30` = 30L,
`31` = 31L, `34` = 34L, `35` = 35L, `38` = 38L, `39` = 39L, `42` = 42L,
`44` = 44L, `46` = 46L, `48` = 48L, `50` = 50L, `52` = 52L, `54` = 54L,
`56` = 56L, `58` = 58L, `60` = 60L, `62` = 62L, `64` = 64L, `67` = 67L,
`69` = 69L, `71` = 71L), class = "omit"), groups = structure(list(
PCR = c("N", "P"), .rows = list(1:3, 4:5)), row.names = c(NA,
-2L), class = c("tbl_df", "tbl", "data.frame"), .drop = TRUE))
关于如何将最后两种技术与PCR进行比较,看看它们是否相关的任何想法?
答案
两个二进制值之间的相关性就像精度,我猜(有很多人同意)。除此之外,您还可以查看误报率,误报率等,以您的情况为准。
[下面我在PCR和Tech A / Tech B之间进行了比较,使用混淆矩阵从本质上对每种技术的统计信息进行了排序,您可以看到Tech A与PCR一致。]]
对于TECH_A首先:
cm = table(rep(dat$PCR,dat$CASES),rep(dat$TECH_A,dat$CASES)) # rename for convenience rownames(cm) = c("-","+") Accuracy : 0.7368 95% CI : (0.569, 0.866) No Information Rate : 0.6842 P-Value [Acc > NIR] : 0.3062 Kappa : 0.2963 Mcnemar's Test P-Value : 0.1138 Sensitivity : 0.9231 Specificity : 0.3333 Pos Pred Value : 0.7500 Neg Pred Value : 0.6667 Prevalence : 0.6842 Detection Rate : 0.6316 Detection Prevalence : 0.8421 Balanced Accuracy : 0.6282
然后是B:
cm = table(rep(dat$PCR,dat$CASES),rep(dat$TECH_B,dat$CASES)) rownames(cm) = c("-","+") Confusion Matrix and Statistics - + - 1 31 + 0 6 Accuracy : 0.1842 95% CI : (0.0774, 0.3433) No Information Rate : 0.9737 P-Value [Acc > NIR] : 1 Kappa : 0.0101 Mcnemar's Test P-Value : 7.118e-08 Sensitivity : 1.00000 Specificity : 0.16216 Pos Pred Value : 0.03125 Neg Pred Value : 1.00000 Prevalence : 0.02632 Detection Rate : 0.02632 Detection Prevalence : 0.84211 Balanced Accuracy : 0.58108 'Positive' Class : -
以上是关于比较不同技术之间的相关性的主要内容,如果未能解决你的问题,请参考以下文章