Выполните мета-анализ нескольких фреймов данных в R - PullRequest
Новая
       63

Выполните мета-анализ нескольких фреймов данных в R

1 голос
/ 06 мая 2020

Я новичок в R. Мне нужна ваша помощь, чтобы автоматизировать этот анализ и получить итоговый результат с результатами.

У меня есть 4 разных фрейма данных, подобных этому (см. Ниже), с те же заголовки и те же значения в столбце Threshold: 

   Set   Threshold  R2           P          Coefficient  Standard.Error  Num_SNP
Base  0.0001     0.000233304  0.66047    0.0332613    0.0757204       47
Base  0.001      0.000387268  0.571772   -0.0438782   0.0775996       475
Base  0.05       0.00302399   0.114364   0.129474     0.082004        14164
Base  0.1        0.00252797   0.14897    0.117391     0.0813418       24616
Base  0.2        0.00481908   0.0465384  0.163571     0.0821767       41524
Base  0.3        0.00514761   0.0398082  0.170058     0.0827237       55307
Base  0.4        0.00699506   0.0166685  0.200571     0.083783        66943
Base  0.5        0.00634181   0.0226301  0.192314     0.0843623       76785

Для каждого совпадающего значения в столбцах Threshold я хотел бы использовать метафор пакета в R для метаанализа соответствующих размеров эффекта (в столбец Coefficient) и стандартные ошибки по 4 кадрам данных.

Использование пакета metafor: 

rma.uni(yi=c(Coefficient_1,Coefficient_2,Coefficient_3,Coefficient_4),sei=c(Standard.Error_1,Standard.Error_2,Standard.Error_3,Standard.Error_4), measure="GEN", method='FE',intercept=T,weights=c(sample_size1,sample_size2,sample_size3,sample_size4))

Как мне автоматизировать анализ и получить сводный кадр данных с результатами для каждого Порог?

1 Ответ

0 голосов
/ 06 мая 2020

Привет, это должно помочь тебе начать. По сути, вы можете oop по всем порогам извлечь строки, соответствующие каждому порогу, из всех 4 фреймов данных в новый фрейм данных и запустить ваш мета-анализ 

library(metafor)
# Make some fake data resembling your own
df1 = data.frame(Set=rep("Base",8), Threshold=c(0.0001,0.001,0.05,seq(0.1,0.5,0.1)),
                 R2=runif(8,0.001,0.005),P=runif(8,0.001,1),Coefficient=runif(8,-0.1,0.2),
                 Standard.Error=runif(8,0.07,0.08),Num_SNP=sample(1:1000,8))
df2 = data.frame(Set=rep("Base",8), Threshold=c(0.0001,0.001,0.05,seq(0.1,0.5,0.1)),
                 R2=runif(8,0.001,0.005),P=runif(8,0.001,1),Coefficient=runif(8,-0.1,0.2),
                 Standard.Error=runif(8,0.07,0.08),Num_SNP=sample(1:1000,8))
df3 = data.frame(Set=rep("Base",8), Threshold=c(0.0001,0.001,0.05,seq(0.1,0.5,0.1)),
                 R2=runif(8,0.001,0.005),P=runif(8,0.001,1),Coefficient=runif(8,-0.1,0.2),
                 Standard.Error=runif(8,0.07,0.08),Num_SNP=sample(1:1000,8))
df4 = data.frame(Set=rep("Base",8), Threshold=c(0.0001,0.001,0.05,seq(0.1,0.5,0.1)),
                 R2=runif(8,0.001,0.005),P=runif(8,0.001,1),Coefficient=runif(8,-0.1,0.2),
                 Standard.Error=runif(8,0.07,0.08),Num_SNP=sample(1:1000,8))

Thresholds = unique(df1$Threshold)

Results <- NULL
for(i in 1:length(Thresholds)){
  idf = rbind(df1[df1$Threshold==Thresholds[i],],
              df2[df2$Threshold==Thresholds[i],],
              df3[df3$Threshold==Thresholds[i],],
              df4[df4$Threshold==Thresholds[i],])
  i.meta <- rma.uni(yi=idf$Coefficient,sei=idf$Standard.Error, measure="GEN", method='FE',intercept=T,
                    weights=idf$Num_SNP)
  Results <- rbind(Results, c(Threshold=Thresholds[i],beta=i.meta$beta,se=i.meta$se,
                              zval=i.meta$zval,pval=i.meta$pval,ci.lb=i.meta$ci.lb,
                              ci.ub=i.meta$ci.ub,QEp=i.meta$QEp))
}
Results <- data.frame(Results)
Results

должен дать вам: 

  Threshold         beta         se       zval       pval        ci.lb     ci.ub        QEp
1     1e-04 -0.012079013 0.04715546 -0.2561530 0.79783270 -0.104502022 0.0803440 0.08700919
2     1e-03  0.068932388 0.04006086  1.7206917 0.08530678 -0.009585452 0.1474502 0.22294419
3     5e-02  0.050069503 0.04094881  1.2227340 0.22143020 -0.030188694 0.1303277 0.07342661
4     1e-01  0.102598016 0.04188183  2.4497022 0.01429744  0.020511132 0.1846849 0.07380669
5     2e-01  0.069482160 0.04722693  1.4712401 0.14122619 -0.023080930 0.1620452 0.95494364
6     3e-01  0.009793206 0.05098346  0.1920859 0.84767489 -0.090132542 0.1097190 0.12191340
7     4e-01  0.030432884 0.03967771  0.7670021 0.44308028 -0.047333994 0.1081998 0.86270334
8     5e-01  0.073511575 0.03997485  1.8389458 0.06592316 -0.004837683 0.1518608 0.12333557
...