Использование tbl_regression для многомерной регрессии во вложенных фреймах данных

20.02.2021Рубрика: ВопросыАвтор: admin

Я делаю многомерную регрессию по списку переменных результата с последовательным набором независимых переменных. Для одномерной регрессии я следовал этому примеру использовать tl_uvregression из gtsummary во вложенном фрейме данных, но я пытаюсь обобщить это на многомерную регрессию, используя tbl_regression во вложенном фрейме данных, и когда я пытаюсь unnest таблицы, я получаю сообщение об ошибке, что вход должен быть списком векторов. Ниже показано, что я пробовал — я предполагаю, что мне не хватает небольшого, но важного шага, но я не могу понять, что это такое. Мой желаемый результат — это таблица выходных данных многомерной регрессии, где каждая модель является столбцом, а все ковариаты — строками (аналогично выполнению tbl_merge в списке каждой из этих многомерных моделей, выполняемых отдельно в tbl_regression).

library(tidyverse)
library(magrittr)
library(gtsummary)
library(broom)

id <- 1:2000
gender <- sample(0:1, 2000, replace = T)
age <- sample(17:64, 2000, replace = T)
race <- sample(0:1, 2000, replace = T)
health_score <- sample(0:25, 2000, replace = T)
cond_a <- sample(0:1, 2000, replace = T)
cond_b <- sample(0:1, 2000, replace = T)
cond_c <- sample(0:1, 2000, replace = T)
cond_d <- sample(0:1, 2000, replace = T)
df <- data.frame(id, gender, age, race, health_score, cond_a, cond_b, cond_c, cond_d)

regression_tables <- df %>% select(-id) %>% 
  gather(c(cond_a, cond_b, cond_c, cond_d), key = "condition", value = "case") %>% 
  group_by(condition) %>% nest() %>% 
  mutate(model = map(data, ~glm(case ~ gender + age + race + health_score, family = "binomial", data = .)),
         table = map(model, ~tbl_regression, exponentiate = T, conf.level = 0.99)) %>% 
  select(table) %>% unnest(table)

Так почему бы не остановиться на шаге select и изучить структуру результата? — person Kellan Baker schedule 20.02.2021

@IRTFM Я сделал. И я не знаю, что делать с тем фактом, что table — это список функций. — person Kellan Baker schedule 20.02.2021

См. также: Как использовать dplyr для фильтрации NA в нескольких столбцах

Попробуйте заменить последний select / nest на pull(table) %>% tbl_stack(). Используйте аргумент заголовка группы в функции стека, чтобы получить заголовки над каждой многомерной моделью. — person Kellan Baker schedule 20.02.2021

@ DanielD.Sjoberg большое вам спасибо! Я пробовал pull, но с переменной модели. Кроме того, @akrun заметил лишний ~ в вызове map(model, ~tbl_regression), который превращал вывод в непригодную для использования таблицу функций. — person Kellan Baker schedule 21.02.2021

Post Views: 112

1 gtsummary purrr r regression tidyr

Комментарии: 1

Kellan Baker 20.02.2021 в 00:00
Проблема, похоже, заключается в использовании лямбда-выражения (~) и без его использования, т.е. с указанием аргументов. Кроме того, отсутствуют tidy доступные методы (начиная с broom) для извлечения в формат Tibble из tbl_regression
```
library(dplyr)
library(tidyr)
library(broom)
library(gtsummary)

out <-  df %>% 
   select(-id) %>% 
 gather(c(cond_a, cond_b, cond_c, cond_d), key = "condition", 
    value = "case") %>% 
 group_by(condition) %>% 
 nest() %>% 
  mutate(model = map(data,  
    ~glm(case ~ gender + age + race + health_score, 
        family = "binomial", data = .)),
  table = map(model, tbl_regression, exponentiate = T, conf.level = 0.99)) %>%
  select(table)

out$table[[1]]
```
Фактически, помимо метода OP, использующего map для перебора цикла, мы могли бы просто применить модель tbl_regression после nest_by (заменили gather на pivot_longer, поскольку gather устареет, pivot_longer — это обобщенная версия)
```
out <-  df %>%
    select(-id) %>% 
    pivot_longer(cols = starts_with('cond'), 
       names_to = 'condition', values_to = 'case') %>% 
    nest_by(condition) %>% 
    mutate(model = list(glm(case ~ gender + age + 
      race + health_score, 
        family = "binomial", data = data)), 
table_out = list(tbl_regression(model, exponentiate = TRUE, conf.level = 0.99)))

out
# A tibble: 4 x 4
# Rowwise:  condition
#  condition               data model  table_out 
#  <chr>     <list<tbl_df[,5]>> <list> <list>    
#1 cond_a           [2,000 × 5] <glm>  <tbl_rgrs>
#2 cond_b           [2,000 × 5] <glm>  <tbl_rgrs>
#3 cond_c           [2,000 × 5] <glm>  <tbl_rgrs>
#4 cond_d           [2,000 × 5] <glm>  <tbl_rgrs>
```
Если нам нужна объединенная таблица, примените tbl_merge к list из tbl_regression
```
tbl_merge(out$table_out)
```
-выход

Спасибо тебе за это! Я должен признаться, что меня сбил с толку второй метод, просто использующий list для просмотра различных моделей, но я понимаю, что он приближает меня к решению. Есть ли способ превратить полученный тиббл в объединенную таблицу, используя, например, gt_summary::tbl_merge, без ручного извлечения каждой отдельной таблицы из out $ table_out? Я пытался lapply безуспешно. — person Kellan Baker; 20.02.2021

@KellanBaker, ты можешь просто сделать tbl_merge(out$table_out) — person Kellan Baker; 20.02.2021

@KellanBaker Не могли бы вы проверить обновление. Причина, по которой это не сработало, заключалась в том, что tbl_merge ожидает list в качестве ввода — person Kellan Baker; 20.02.2021

Извините за задержку, сервер в моей безопасной среде не работает, что не позволяет мне снова войти в систему. Как только я смогу войти, я проверю это. Я очень ценю вашу помощь! — person Kellan Baker; 21.02.2021

Это сработало, спасибо! Я наконец понимаю, что вы имеете в виду, говоря о неиспользованном ~, который превратил вывод в функцию. Можете ли вы указать мне на ресурс, который объясняет, как / почему я могу просто использовать list для циклического просмотра моделей во вложенном фрейме данных? Я искал объяснение этому, но не понимаю, что list здесь делает вместо map. — person Kellan Baker; 21.02.2021

@KellanBaker, я использовал list, потому что мы создаем новый столбец в mutate, а результат model представляет собой сложную структуру данных в формате списка. Итак, я обернул list, чтобы контейнер выводить как единое целое, поскольку mutate по умолчанию будет искать простой векторный столбец без каких-либо изысков. Используя map, вы, по сути, перебираете каждый элемент или строку, а затем структура вывода по умолчанию — это список. Кроме того, поскольку мы используем nest_by, группировка выполняется по строкам и, таким образом, можно строить модель непосредственно для каждой строки. — person Kellan Baker; 21.02.2021
Ответить

Добавить комментарий