Samenvatting R-code - Statistiek en data analyse (J000497A)

STATISTIEK: R-CODES
1. INLEIDING: Wat is medische statistiek?
2. STUDIEDESIGN: Wat maakt een empirische studie kwalitatief?
3. DATA-VISUALISATIE: Hoe gegevens visualiseren?
- Staafdiagram maken:
Ggplot(vanhouw5, aes(x=sexe)) + geom_bar() + labs(x=”geslacht”, y=”aantal”)
 Bindwith instellen (geom_bar(bindwith = 20))

- Histogram maken:
Ggplot(vanhouw5, aes(x=OPP) + geom_histogram(aes(y=..density..)) +
geom_density(aes(y=..density..)) + labs(x=”oppervlakte lever”, y=”dichtheid”)

- Twee figuren samen in 1 grafisch venster plaatsen (bv 2 kolommen en 1 rij)
Grid.arrange(p1,p2,ncol=2,nrow=1)

- Spreidingsdiagram:
Index <- seq(1,154)
Datnmm <- mutate(datnmm, index)
Datnmm1 <- datnmm[trt==1,]
Ggplot(datnmm1, aes(x=index,y=dbp3,ymin=80,ymax=120)) + geom_point() +
labs(x=”index”,y=”Diast bloeddruk 3 (begin)”)

- Dotplot:
Ggplot(vanhouw5, aes(x=sexe,y=OPP)) + geom_histogram(bindwidth=30) + facet_grid(sexe ~ .)
+ labs(x=”oppervlakte lever”, y=”aantal”)

- Boxplot/box-en-whisker plot:
ggplot(vanhouw5,aes(x=sexe,y=OPP)) + geom_boxplot() + labs(x=”geslacht”,y=”oppervlakte
lever”)

OF voor outliers:
Ggplot(vanhouw5,aes(x=sexe,y=OPP)) + geom_boxplot(outlier.shape=NA) +
geom_point(position=”jitter”) + labs(x=”geslacht”,y=”oppervlakte lever”)

- Profielplot: (nog eens op pag. 150)
Crossover0 <- subset(crossover, crossover$FIRSTTTRT==0)
Crossover0$individu <- 1:3
Crossover.wide <- data.frame(crossover0[c(“ TIME1”,”TIME2”,”individu”)])
Head(crossover.wide)
Crossover.long <- melt(crossover.wide, id.vars=c(“individu”))
Head(crossover.long)
Ggplot(crossover.long,aes(x=variable,y=value,group=individu

, - Puntenwolk + niet-parametrische regressielijn:
Ggplot(subset(datnmm,trt==1),aes(y=dbpdif,x=compjb,xmin=0,xmax=1.25,ymin=-
45,ymax=25)) + geom_point()
+ geom_smooth(aes(x=compjb,y=dbpdif),method=’loess’,formula=y~x)
+ labs(x=”% ingenomen pillen”,y=”wijziging diast bloeddruk”) + ggtitle(“arm 1)



4. DATA-ANALYSE: Hoe een behandelingseffect kwantificeren?
- Kans berekenen P:
Pnorm(x,mu,sd)

- QQ-plot:
X <- rnorm(1000)
Ggplot(data.frame(x),aes(sample=x)) + geom_qq() + geom_qq_line()

- Puntenwolk + lineaire regressive:
Ggplot(prothrombin, aes(x=DOSIS,y=TIJD)) + geom_point()
+ geom_smooth(aes(x=DOSIS,y=TIJD), method=’lm’,formula=y~x)
+ labs(x=”dosis”,y=”prohtrombine tijd”)

- Kruistabel opstellen:
Data <- matrix(c(3,14,17,12,,15),ncol=3,byrow=TRUE)
Rownames(data) <- c(“Controle”, “Test”)
Colnames(data) <- c(“Succes”,”Failing”,”Totaal”)
Tabel <- as.table(data)
Tabel

5. DATA-ANALYSE: Hoe nauwkeurig is een data-analyse?
- Betrouwbaarheidsintervallen: stel voor 95% en 25 observaties
Y <- rnorm(25,7,2)
Mean(y)
Sd(y)
Mean(y) – qt(0.975,df=24)*sd(y)/5
Mean(y) + qt(0.975,df=24)*sd(y)/5

- 100 keer het betrouwbaarheidsinterval herhalen: zie pagina 127

6. DATA-ANALYSE: Hoe beslissen of een behandeling effectief is?
- Boxplot maken met op de x-as een variabele:
Library(speff2$trial)
ACTG175$treat <- as.factor(ACTG175$treat)
Ggplot(ACTG175,aes(x=treat,y=cd420)) + geom_boxplot() + labs(x=”Behandelingsarm”,y=”CD4
T cel telling na 20 weken”)