这位心脏病学教授写了一个R包，解释置信区间到底是怎么回事！

这篇文章介绍一个R包，名为{interpretCI}，可用于画出均数以及均数差值的置信区间，并且还可以一键出文档，进一步帮助解释统计结果。相信对于了解置信区间这一统计核心概念会非常有帮助。

首先安装和载入R包：

install.packages("interpretCI")
install.packages("PairedData")

library(interpretCI)
library(PairedData)
R包get！

下一步，查看数据集mtcars的概况： 

summary(mtcars)

使用meanCI函数（这个R包的核心函数）计算一个均数的置信区间，以mpg变量为例，代码如下：

meanCI(mtcars$mpg)

结果中的lower和upper为置信区间的下限和上限。

下一步，画出置信区间的估计图，代码如下：

meanCI(mtcars$mpg) |> 
  plot()

上图左侧画出了mpg的原始数据散点，右侧部分为均数的95%置信区间。

如果希望更加详细的了解上述统计结果的解释，还可以使用代码查看详细的解释（这个功能很赞！），代码如下：

interpret(meanCI(mtcars$mpg))

右侧Viewer会出一个详细的文档，各位可以进一步拿去学习！ 

下一个例子，比较两个均数。 

首先查看使用到的数据集iris概况：

summary(iris)

假如希望比较第一个变量（Sepal.Length）和第二个变量（Sepal.Width）的均数，那该怎么做？代码如下：

meanCI(iris$Sepal.Length, iris$Sepal.Width)

上述的结果其实与独立样本t检验的结果是一样的，代码如下：

t.test(iris$Sepal.Length, iris$Sepal.Width)

可以比较上面两种方法得到的均数差值，以及置信区间，发现结果是一样的。

还可以将上述的结果进行作图，会更加的直观，代码如下：

meanCI(iris$Sepal.Length, iris$Sepal.Width) |>
  plot(ref = "control", side = FALSE)

图片的上半部分为两个变量的数据点，以蜂群图（swarmplot）的形式呈现。散点的右侧为对应的置信区间。

图片的下半部分为均数差值（y-x），以及对应的置信区间。

下一个例子，为配对样本的均数差值。

查看下数据集Anorexia的概况，代码如下：

data(Anorexia)
summary(Anorexia)

下一步，比较两个时间点（Prior和Post）的均数，并且直接画图，代码如下：

meanCI(Anorexia, Prior, Post, paired = TRUE) |>
  plot(ref = "test", side = FALSE)

上述两个时间点的作图非常的直观漂亮，同时非常的实用！

同样，也使用R自己的函数进行配对t检验，查看结果是否一致，代码如下：

t.test(Anorexia$Prior, Anorexia$Post, paired = TRUE)

发现结果是一样的！

再举几个例子，比如，比较三个或者更多组别的均数。 

回到iris数据集，将比较不同Species（三个组）的Sepal.Length水平。

代码如下：

meanCI(iris, Species, Sepal.Length)

将上述的结果作图：

meanCI(iris, Species, Sepal.Length) |> plot()

与两个组别的比较类似，上半部分展示了三个组别数据点以及置信区间；下半部分展示了其他两个组别与setosa（作为参照组）的比较。

为了让下半部分的差值比较更清晰，最好添加上一个横线0，代码如下：

meanCI(iris, Species, Sepal.Length, 
       mu = 0) |> plot()


从上图的下半部分结果可知，差值以及置信区间距离0较远，没有交集，提示上述的组别比较存在统计学差异。

再举一个例子，这个R包还可以处理多个配对样本的比较。 

查看数据集anscombe2：

data(anscombe2)
anscombe2

假设现在希望将X1-Y1，X2-Y2，以及X3-Y3之间三个配对比较同时展示在一张图上，那可以这么做，代码如下：

meanCI(anscombe2,
       idx = list(c("X1","Y1"),
                  c("X2","Y2"),
                  c("X3","Y3")),
       paired = TRUE, mu = 0) |>
  plot()

非常漂亮！对于需要这种类型的比较来说，将会非常实用！

最后一个例子，这个R包还可以处理以下这种情况，即含有一个分类变量，但包含多个连续变量。

查看下数据集acs的概况：

summary(acs)

现在假设研究者希望比较sex组别的TC, TG以及HDLC，那可以这么做，代码如下：

acs |> 
  subset(select = c(sex, TC, TG, HDLC)) |>
  meanCI(sex, mu = 0)

还可以直接出图: 

acs |> 
  subset(select = c(sex, TC, TG, HDLC)) |>
  meanCI(sex, mu = 0) |> 
  plot()

图太美了！虽然上述比较都没有统计学差异。


好啦，今天的内容就到这里。如果有帮助，记得分享给需要的人！


参考文献

https://cran.r-project.org/web/packages/interpretCI/index.html


公众号的线上课程
1. 《R语言和统计新手课程》
2. 《回归：从入门到进阶》
【通过公众号菜单栏--线上课程--新手课程/回归课程】

统计咨询
《服务介绍和经典合作案例》

公众号核心成员的成果发表
《SCI医学1区影响因子9分论文》

公众号核心成员担任SCI杂志Associate Editor!
《JAD杂志Associate editor》
《Frontiers in Neuroscience, Frontiers in Neurology and Frontiers in Psychiatry杂志的神经退行性病变板块》


▌本文由R语言和统计首发
▌课程相关咨询可添加R师妹微信: kefu_rstats
▌编辑：June
▌邮箱：contact@rstats.cn
▌网站：www.rstats.cn
▌我们致力于让R语言和统计变得简单！



2024-05-02 09:15
首页  ꄲ  公众号  ꄲ  这位心脏病学教授写了一个R包，解释置信区间到底是怎么回事！