广州建网站的网络公司,免费制作企业宣传视频app,个人主页设计html代码,wordpress templates在流行病学研究中#xff0c;相较于单一因素的暴露#xff0c;多因素同时暴露的情况更为常见。传统模型在评价多因素联合暴露时存在数据维度高、多重共线性等问题. WQS 回归模型的基本原理是通过分位数间距及加权的方法#xff0c;将多种研究因素的效应综合成为一个指数相较于单一因素的暴露多因素同时暴露的情况更为常见。传统模型在评价多因素联合暴露时存在数据维度高、多重共线性等问题. WQS 回归模型的基本原理是通过分位数间距及加权的方法将多种研究因素的效应综合成为一个指数再进行回归分析。不同因素赋予的权重反映了其对结局的影响程度。使用该模型时应满足各研究因素 对结局影响的方向相同这一基本假设. 模型的一般形式为 式中c 表示污染物种类β 0 表示截距β 1 表示回归系数用于限制联合效应对结局影响的方向w i 表示第 i 种因素的未知权重取值范围01且 ∑wi 1q i 表示对因素 i 进行 q 分位如三、四分位等 上公式表示c 种研究因素的综合权重指数z 为协变量矩阵φ为该矩阵的回归系数g ( )为连接函数μ 为均数。 下面咱们来进行演示一下先导入R包和数据数据使用的是gWQS自带的数据
library(gWQS)
library(ggplot2)
library(reshape2)
data(wqs_data)数据挺大的上图只是数据的一部分这些数据反映了参与NHANES研究2001-2002的受试者中34种多氯联苯暴露和25种邻苯二甲酸酯生物标志物的分布模拟的59种暴露浓度概括来说就是一些指标的浓度结局有连续变量和分类变量还有性别作为协变量。 WQS 回归模型的思想就是把指标打包成一个指数第一步先要确定咱们研究哪些指标假设咱们研究的是前面34种指标
PCBs - names(wqs_data)[1:34]
PCBs然后就可以生成模型了, 通过 y ~ wqssex 将 y 与 34种 PCBs 的联合效应建立回归方程并调整性别sex。其中wqs 是固定参数即必须包含项, mix_namemix 表示指定联合暴露污染物data wqs_data 表示输入的数据集为 wqs_dataq10表示将联合效应进行10分位在实际运用过程中研究者可设置不同的分位数validation0.6 表示随机抽取数据集中的 60% 作为验证集余下的 40% 作为训练集b表示 bootstrap 随机抽样次数该参数至少为 100b1_posTRUE 表示设定联合效应的权重为正 若为 负则设置为 FALSEb1_constrFALSE 表示使用优化算法对权重进行估计时不进行限制若进行限制则设置为 TUREfamilygaussian表示采用高斯分布进行拟合也可根据研究对象的数据类型采用二项分布、多项式或泊松分布等进行拟合由于涉及 boot⁃strap 随机抽样过程将随机种子数 seed 设置为2021。
results2i -gwqs (y ~ wqssex, mix_namePCBs, datawqs_data,q10, validation0.6, b100, b1_posTRUE,b1_constrFALSE, familygaussian, seed2021)解析结果可以看到这个联合指数是和结局相关的
summary(results2i)也可以使用gwqs解析函数生成标准化表格
gwqs_summary_tab(results2i)这样也可以查看系数和可信区间
summary(results2i)[[coefficients]]
confint(results2i)接下来咱们 咱们查看污染物权重构成比
gwqs_weights_tab(results2i)这样也可以的
results2i$final_weights可以进一步可视化画个条形图咱们可以看到前4个指标对结局影响最大
gwqs_barplot(results2i)咱们也可以把数据提取出来使用ggplot来话这样更加美观
w_ord - order(results2i$final_weights$mean_weight)
mean_weight - results2i$final_weights$mean_weight[w_ord]mix_name - factor(results2i$final_weights$mix_name[w_ord],levels results2i$final_weights$mix_name[w_ord])
dataplot - data.frame(mean_weight, mix_name)ggplot(dataplot, aes(x mix_name, y mean_weight, fill mix_name)) geom_bar(stat identity, color black) theme_bw() theme(axis.ticks element_blank(),axis.title element_blank(),axis.text.x element_text(colorblack),legend.position none) coord_flip()画个相关曲线图可以看到是正相关
gwqs_scatterplot(results2i)绘制残差图可以检查它们是否随机分布在0附近或是否有趋势
gwqs_fitted_vs_resid(results2i)咱们还可以进行箱线图绘制但是绘制箱线图需要使用gwqsrh函数生成下结果
results3i -gwqsrh (y ~ wqssex, mix_namePCBs, datawqs_data,q10, validation0.6, b5, b1_posTRUE,seed2021,b1_constrFALSE, familygaussian, future.seedTRUE)生成结果后绘图
gWQS::gwqsrh_boxplot(results3i)也可以使用ggplot提取数据绘图
wboxplot - melt(results3i$wmat, varnames c(rh, mix_name))wboxplot$mix_name - factor(wboxplot$mix_name, levels results3i$final_weights$mix_name)ggplot(wboxplot, aes(x mix_name, y value,fillmix_name))geom_boxplot()theme_bw()theme(axis.text.x element_text(angle 45, hjust 1)) 还可以调整一下
ggplot(wboxplot, aes(x mix_name, y value,fillmix_name))geom_boxplot()theme_bw()theme(axis.text.x element_text(angle 45, hjust 1))ylab(Weight (%)) stat_summary(fun.y mean, geom point, shape 18, size 3) geom_jitter(alpha 0.3)如果结局是二分类指标咱们还可以绘制roc曲线咱们从新生成一个结果
results4i -gwqs (ybin ~ wqssex, mix_namePCBs, datawqs_data,q10, validation0.6, b100, b1_posTRUE,b1_constrFALSE, familybinomial, seed2021)gwqs_ROC(results4i,wqs_data)参考文献
gwqs说明文件Carrico C , Gennings C , Wheeler D C ,et al.Characterization of Weighted Quantile Sum Regression for Highly Correlated Data in a Risk Analysis Setting[J].Journal of Agricultural, Biological, and Environmental Statistics, 2014.DOI:10.1007/s13253-014-0180-3.李珽君,黄俊理,陈海建,莫春宝.加权分位数和回归模型的应用及R软件实现[J].预防医学,2023,35(3):275-276.DOI:10.19485/j.cnki.issn2096-5087.2023.03.021.https://blog.csdn.net/qq_42458954/article/details/120157806https://blog.csdn.net/weixin_42812146/article/details/126192945
