Crashkurs R – Übungen Teil 2

1. Bilden Sie die Untergruppe der Werte von ALP.B für die Dosis A und weisen Sie diese Werte der Variablen alp.a.b zu.

x <- read.csv("liver.csv")
alp.a <- subset(x$ALP.M, x$dose=="A")
alp.d <- subset(x$ALP.M, x$dose=="D")
 
alp.a.b <- subset(x$ALP.B, x$dose=="A")

2. Bilden Sie die Differenz zwischen den Vektoren alp.a und alp.a.b und weisen Sie das Ergebnis der Variablen diff.alp.a zu.

diff.alp.a <- alp.a - alp.a.b

Bilden Sie analog die Differenz zwischen den Vektoren alp.d und alp.d.b und weisen Sie das Ergebnis der Variablen diff.alp.d zu.

alp.d.b <- subset(x$ALP.B, x$dose=="D")
diff.alp.d <- alp.d - alp.d.b

Bestimmen Sie den p-Value für den Vergleich der Mittelwerte von diff.alp.a und diff.alp.d mittels t-Test.

t.test(diff.alp.a, diff.alp.d )

    Welch Two Sample t-test

data:  diff.alp.a and diff.alp.d
t = -4.2779, df = 167.9, p-value = 3.161e-05
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -13.521081  -4.982084
sample estimates:
mean of x mean of y 
  2.87500  12.12658 

Zusatz: Visualisierung der Daten

boxplot(diff.alp.a, diff.alp.d, boxwex = 0.2, las = 2)
# boxwex macht schmalere boxes beim box plot
grid()

boxplot(alp.a-alp.a.b, alp.d-alp.d.b, boxwex = 0.2, las = 2, ylim = c(0, 20))
grid()

Mann-Whitney U test

wilcox.test(diff.alp.a, diff.alp.d)

    Wilcoxon rank sum test with continuity correction

data:  diff.alp.a and diff.alp.d
W = 6728, p-value = 2.058e-11
alternative hypothesis: true location shift is not equal to 0

3. Tragen Sie in einem Streudiagramm die Schwellenwerte der ROC-Kurve für S100β gegen die Sensitivitäten auf.

# get dataset of 141 patients with aneurysmal subarachnoid hemorrhage
library(pROC)
data(aSAH)
roc.s100b <- roc(outcome ~ s100b, data= aSAH)
plot(roc.s100b$thresholds, roc.s100b$sensitivities, 
     xlab = "Schwellenwert",
     ylab = "Sensitivität")
grid()

4. Zeichnen Sie ROC-Kurven für S100β und NDKA inklusive Konfidenzbändern. Verwenden Sie dazu transparente Farben für die Konfidenzbänder. Hinweise: Transparente Farben erhält man durch

rgb(1,0,0,0.1) (transparentes Rot) oder

rgb(0,0,1,0.1) (transparentes Blau).

Der letzte Wert gibt jeweils die Stärke der Undurchsichtigkeit (0: völlig transparent, 1: völlig undurchsichtig) an. Die ersten drei Werte spezifizieren die Farbe als RGB-Werte zwischen 0 und 1.)

roc.s100b.ci <- roc(outcome ~ s100b, data=aSAH, ci = TRUE)
roc.ndka.ci <- roc(outcome ~ ndka, data=aSAH, ci = TRUE)
plot(roc.s100b.ci, col = "blue", legacy.axes = TRUE)
plot(roc.ndka.ci, col = "red", add = TRUE) 

# Berechnung dauert ca. 1 min
col.s100b <- rgb(1, 0, 0, 0.2)
col.ndka <- rgb(0, 0, 1, 0.2)
ci.s100b <- ci.se(roc.s100b.ci, specificities = seq(0, 1, 0.01))
ci.ndka <- ci.se(roc.ndka.ci, specificities = seq(0, 1 , 0.01))
plot(roc.s100b.ci, col = "blue", legacy.axes = TRUE)
plot(roc.ndka.ci, col = "red", add = TRUE) 

plot(ci.s100b, type = "shape", col = col.s100b)
plot(ci.ndka, type = "shape", col = col.ndka)

plot(roc.s100b.ci, col = "blue", add = TRUE)
plot(roc.ndka.ci, col = "red", add = TRUE)