R appendix til slides
1 Data sæt
Alle datasæt er tilgængelige fra http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/.
1.1 Vitamin D
Data er beskrevet i detaljer i Andersen et al. (2005) ‘Teenage girls and elderly women living in northern Europe have low winter vitamin D status’, European Journal of Clinical Nutrition.
Variable:
- country (1=DK, 2=FI, 4=EI, 6=PO)
- vitd (nmol/L, serum Vitamin D level)
- age (years)
- bmi \(({\rm kilo/m}^2)\)
- sunexp (1=Avoid sun, 2=Sometimes in sun, 3=Prefer sun)
- vitdintake (Vitamin D intake, the amount of vitamin D contained in the consumed food)
vit <- read.csv("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/vitamin.csv")
head(vit) country vitd age bmi sunexp vitdintake
1 1 28.5 73.00 26.18 1 1.182
2 1 32.9 72.93 25.16 1 1.052
3 1 60.3 72.60 23.08 1 18.710
4 1 50.5 71.51 25.20 1 8.417
5 1 15.0 71.85 25.31 1 1.273
6 1 47.8 73.76 23.90 2 7.135Vi kan lægge labels på de kategoriske variable, så det er lettere at huske kodningen:
vit$country <- factor( vit$country, levels=c(1,2,4,6),
labels=c("DK", "SF", "EI", "PL"))
vit$sunexp <- factor( vit$sunexp, levels=1:3,
labels=c("Avoid sun", "Sometimes in sun", "Prefer sun"))
head( vit ) country vitd age bmi sunexp vitdintake
1 DK 28.5 73.00 26.18 Avoid sun 1.182
2 DK 32.9 72.93 25.16 Avoid sun 1.052
3 DK 60.3 72.60 23.08 Avoid sun 18.710
4 DK 50.5 71.51 25.20 Avoid sun 8.417
5 DK 15.0 71.85 25.31 Avoid sun 1.273
6 DK 47.8 73.76 23.90 Sometimes in sun 7.135Til senere brug laver vi lige en ny sol-variabel som angiver, om man dyrker sol (Sometimes+Prefer) eller ej (Avoid). Vi definerer den først som 0-1-variabel vha ifelse() og lægger derefter labels på:
vit$sol <- ifelse( vit$sunexp=='Avoid sun', 0, 1)
vit$sol <- factor( vit$sol, levels=0:1, labels=c('Nej','Ja'))
head(vit) country vitd age bmi sunexp vitdintake sol
1 DK 28.5 73.00 26.18 Avoid sun 1.182 Nej
2 DK 32.9 72.93 25.16 Avoid sun 1.052 Nej
3 DK 60.3 72.60 23.08 Avoid sun 18.710 Nej
4 DK 50.5 71.51 25.20 Avoid sun 8.417 Nej
5 DK 15.0 71.85 25.31 Avoid sun 1.273 Nej
6 DK 47.8 73.76 23.90 Sometimes in sun 7.135 JaVi arbejder i dele af slides med en gruppe kvinder af gangen og definerer derfor et datasæt for hvert land (bemærk at jeg ikke længere kan skrive f.eks. country==1 når jeg har lagt labels på):
vitDK <- subset(vit,country=='DK')
vitSF <- subset(vit,country=='SF')
vitEI <- subset(vit,country=='EI')
vitPL <- subset(vit,country=='PL')1.2 Immunoglobulin
Her er kun én variabel med navn img:
imm <- read.table("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/imm.csv", header=T)
head( imm ) img
1 0.1
2 0.1
3 0.1
4 0.2
5 0.2
6 0.21.3 Længdespring
Længespring mænd, kvalifikation OL 2012, bedste spring af 3. Vi skal kun bruge variablen distance, som angiver længden:
longjump <- read.csv('http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/longjump.csv')
head( longjump ) rank name country distance
1 1 Mauro Vinicius DA SILVA BRA 8.11
2 2 Marquise GOODWIN USA 8.11
3 3 Aleksandr MENKOV RUS 8.09
4 4 Greg RUTHERFORD GBR 8.08
5 5 Christopher TOMLINSON GBR 8.06
6 6 Michel TORNEUS SWE 8.031.4 Slagvolumen, parrede observationer
Data (fil med navn mf_sv.txt) indeholder slagvolumen bestemt ved to forskellige metoder på hver patient:
mf: Doppler ekkokardiografisv: Cross-sectional ekkokardiografi
ms <- read.csv('http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/mf_sv.txt', sep=' ')
head(ms,3) mf sv
1 47 43
2 66 70
3 68 72Skal også benyttes i såkaldt langt format i forbindelse med spaghettiplots (hvor mf og sv-målingerne er stablet ovenpå hinanden i en variabel med navn vol og vi har tilføjet en metode-variabel, som angiver om målingen er taget med mf eller sv). Data i langt format indlæses fra datafilen mf_sv_lang.csv:
lang <- read.csv('http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/mf_sv_lang.csv')
head(lang,3) vol metode id
1 47 mf 1
2 66 mf 2
3 68 mf 31.5 Vietnam veteraner
Data er beskrevet i detaljer i Carroll et al.: Low cognitive ability in early adulthood is associated with reduced lung function in middle age: the Vietnam Experience Study, Thorax (2011)
Vi har et tilfældigt udsnit af data på 87 af de 4526 veteraner, som var en del US army mellem 1965 og 1971.
Variable:
smoke01: 0 = Ikke- eller ex-ryger, 1 = Ryger.iq: IQ målt ved start ansættelseFEV1: (L, Forced Expiratory Volume in one second) målt i 1986
Data ligger i filer med navn viet, og kan indlæses med:
viet <- read.csv('http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/viet.csv')
head(viet) smoke01 iq FEV1
1 0 86.40 3.71
2 0 119.83 5.16
3 1 122.06 3.95
4 1 110.17 3.85
5 1 99.77 4.63
6 1 102.74 3.941.6 VCF og blodsukker
Data (fil med navn vcf.txt) indeholder to variable målt på 23 diabetikere:
blodsukkervcf, der er sammentrækningsevne for venstre hjertekammer (velocity of circumferential shortening)
Data gemmes under navnet hjerte
hjerte <- read.table('http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/vcf.txt', header = TRUE)
head(hjerte, 3) blodsukker vcf
1 15.3 1.76
2 10.8 1.34
3 8.1 1.271.7 Refe og test
To forskellige metoder til bestemmelse af glucosekoncentration. Ref: R.G. Miller et.al. (eds): Biostatistics Casebook. Wiley, 1980.
Data (fil med navn refe_test (.txt eller .sav)) indeholder to variable målt på 46 individer
refe, farvetest der kan ’forurenes’ af urinsyretest, enzymatisk test, mere specifikt for glucose.
refetest <- read.csv( "http://publicifsv.sund.ku.dk/~lts/basal/Rdata/refe_test.txt", sep=" ")1.8 Lille SundBy
Data med navn sundby_lille (.txt eller .sav).
er et subdatasæt på 100 tilfældige individer fra SundBy-materialet. Her er tre variable
genderkodet “male” og “female”vaegti kghoejdei meter
su <- read.table("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/sundby_lille.txt", header = T, na.strings = c("."))
su$gender <- factor(su$gender)
# Vi arbejder med log-transformeret vægt og højde
su$log10vaegt <- log10(su$vaegt)
su$log10hoejde <- log10(su$hoejde)1.9 AMH og P-piller
Data (fil med navn ppills, .txt eller .sav) indeholder to variable målt på 732 danske kvinder:
amhppiller, P-pille bruger 0/1 (nej/ja)
pill <- read.table("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/ppills.txt", header = T)
pill$logamh <- log10(pill$amh)
pill$ppiller <- factor(pill$ppiller)1.10 Fødselsvægt (Secher)
Data benyttes i uge 6, multipel regression.
Data (fil med navn secher.txt) indeholder 4 variable målt ved 107 ultralydsscanninger:
vaegtfødselsvægtbpdhoveddiameteradmaveomfangetnrobservationsnummeret
secher <- read.csv("http://staff.pubhealth.ku.dk/~sr/BasicStatistics/datasets/secher.txt",sep="")
head(secher) vaegt bpd ad nr
1 2350 88 92 1
2 2450 91 98 2
3 3300 94 110 3
4 1800 84 89 4
5 2900 89 97 5
6 3500 100 110 61.11 Fedme
Data benyttes i uge 6, multipel regression. Datasættet (filer med navn fedme) indeholder følgende målinger på 197 børn:
vaegtvægt i 1-års alderhoejdehøjdde i 1-års alderfedmei skolealderen - skal normeres således at vi regner påfedmescore=fedme/0.2859382(0.2859382 er SD affedme-variablen)
Data kan indlæses fra link med følgende kode (hvor der samtidigt defineres et par nye variable):
1.12 Lungefunktion og cystisk fibrose
Data benyttes i uge 6, multipel regression.
Studie af 25 patienter, hvor outcome er pemax (et udtryk
for lungefunktion) og 9 kovariater: age, sex, height, weight, bmp, fev1, rv, frc og tlc. Se evt. O’Neill et. al. (Am Rev Respir Dis, 1983).
Data (fil med navn pemax.txt) kan indlæses fra link med:
pemax <- read.csv("http://staff.pubhealth.ku.dk/~sr/BasicStatistics/datasets/pemax.txt", sep="")
names(pemax) [1] "nr" "age" "sex" "height" "weight" "bmp" "fev1" "rv"
[9] "frc" "tlc" "pemax" 1.13 Biokemisk iltforbrug (BOC)
Datafil med navn boc, benyttes i uge 7 (den generelle lineære model).
Iltsvind i lukkede flasker (Biochemical Oxygen Consumption, BOC), som funktion af antal dage. Datasættet indeholder 24 målinger og to variable:
daysboc, iltsvind (BOC)
boc <- read.csv("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/boc.txt", sep="")1.14 Serum IGF
Datafil med navn juul2, benyttes i uge 7 (den generelle lineære model). Datasættet indeholder følgende variable målt på 1340 individer
agealder i årheighthøjde i cmmenarchesexnrkøn (1=male, 2=female)sigf1Serum IGF-1tanner, Tanner’s pubertetsklassifikation (1–5)testvolweightvægt i kg
juul <- read.csv("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/juul2.txt", sep="", na.strings=".")
# Kvadratrodstransformeret sigf1
juul$ssigf1 <- sqrt(juul$sigf1)1.15 RES-systemet i leveren
Datafil med navn kw benyttes i uge 7, den generelle lineære model. Eksempel på ikke-lineær sammenhæng.
Indeholder to variable målt på 26 individer:
koncentration, koncentration af radioaktiv tracertid, tid for målingen afkoncentrationefter bolus injektion ved tid 0
kw <- read.csv("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/kw.txt", sep="")1.16 Blodtryk og fedme
Datafil med navn bp benyttes i uge 7, den generelle lineære model.
Datasættet indeholder 3 variable målt på 102 individer
sexnrkøn (1=male, 2=female)obesefedmegrad, vægt/idealvægtbpsystolisk blodtryk
bp <- read.table("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/bp.txt", header = T, na.strings = c("."))1.17 Prostatakræft
Datafil med navn prostate benyttes i uge 8, logistisk regression.
Datasættet indeholder 6 variable målt på 380 mænd med prostatakræft. Formålet med undersøgelsen er at bestemme hvordan risikoen for at tumor er trængt igennem prostatakapslen afhænger af forklarende variable og hvorvidt disse variable kan benyttes til at prædiktere gennemtrængning. Variablene er
gennemtraengning01tumor har penetreret kapslen (0=nej, 1=ja)involveringkapsel involvering ved rektal eksploration (0=ej involvering, 1=involvering)knudeknudes placering på lap (“ingen”,“venstre”,“hoejre”,“begge”)psaProstataspecifikt Antigen i Plasma (PSA, ng/ml)alder65Under / over 65 år (“Under”/“Over”)gleasonGleason score, 0-10.
prostate <- read.csv("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/prostate.csv")Data er lånt fra Hosmer & Lemeshow: Applied Logistic Regression, 2nd ed.
1.18 Lungecancer
Datafil med navn veteran.csv benyttes i uge 9 om overlevelsesanalyse.
Datasættet indeholder 9 variable observeret for 137 mænd. Af de 9 variable kommer vi til at benytte følgende 5:
timeTid fra randomisering til død/censureringstatusAngiver omtimeer observation af død eller censurering (1 = død, 0 = censurering)treatBehandling (0 = standardbehandling, 1 = ny behandling)celltypeType af lungecancer (4 forskellige typer)karnoKvantitativ Karnofsky score
d <- read.csv('http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/veteran.csv')1.19 Calcium tilskud
Datafil med navn calcium_lang benyttes i uge 10 om korrelerede data.
Datasættet indeholder 4 variable observeret for 112 piger. Variablene er følgende:
Obsfortløbende observationsnummer / række i datasættetgrpcalciumtilskud (“C”) eller placebo (“P”)girlfortløbende identifikationsnummer for hver pigevisitbesøg, nummereret 1-5bmdangiver “Bone Mineral Density”
calcium <- read.csv("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/calcium_lang.txt", sep="")
head(calcium) Obs grp girl visit bmd
1 1 C 101 1 0.815
2 2 C 101 2 0.875
3 3 C 101 3 0.911
4 4 C 101 4 0.952
5 5 C 101 5 0.970
6 6 P 102 1 0.8131.20 Kaniner
Datafil med navn kanin benyttes i uge 10 om korrelerede data.
Datasættet indeholder observationer af hævelse efter vaccination af 6 kaniner, hvor hver kanin er vaccineret 6 gange. Datafilen er i såkaldt bredt format, dvs hver linje indholder information for en kanin.
Variable:
kaninidnummerra-findeholder målinger af hævelsen efter vaccination 1-6
Hele datasættet:
kanin <- read.csv("http://publicifsv.sund.ku.dk/~sr/BasicStatistics/datasets/kanin.txt", sep="") kanin a b c d e f
1 1 7.9 6.1 7.5 6.9 6.7 7.3
2 2 8.7 8.2 8.1 8.5 9.9 8.3
3 3 7.4 7.7 6.0 6.8 7.3 7.3
4 4 7.4 7.1 6.4 7.7 6.4 5.8
5 5 7.1 8.1 6.2 8.5 6.4 6.4
6 6 8.2 5.9 7.5 8.5 7.3 7.7