R语言 plw包 lmw()函数中文帮助文档(中英文对照)

loveR

lmw(plw)
lmw()所属R语言包：plw

                                        Locally Moderated Weighted-t.
                                         本地版主加权-T。

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Computes Locally Moderated Weighted t-test for microarray data.
微阵列数据计算局部版主加权t检验。


用法----------Usage----------


lmw(x,design=rep(1,ncol(x)),contrast=matrix(1), meanX=NULL,
    maxIter = 200, epsilon = 1e-06, verbose = TRUE,
    nknots = 10, nOut = 2000, nIn = 4000, knots = NULL,
    checkRegulation = TRUE)



参数----------Arguments----------

参数：x
Data, log2 expression indexes.
数据显示，log2表达指标。


参数：design
design matrix
设计矩阵


参数：contrast
contrast matrix
对比矩阵


参数：meanX
Covariate used to model scale parameter, default=NULL (see details)
协变量使用模型尺度参数，默认= NULL（见详情）


参数：maxIter
maximum number of iterations
最大迭代次数


参数：epsilon
convergence criteria
趋同标准


参数：verbose
print computation info or not
打印计算信息或不


参数：nknots
Number of knots of spline for v
v样条节数


参数：nOut
Parameter for calculating knots, see getKnots
为计算结参数，getKnots“


参数：nIn
Parameter for calculating knots, see getKnots
为计算结参数，getKnots“


参数：knots
Knots, if not NULL it overrides nknots, nOut and nIn
疙瘩，如果不为NULL，它覆盖nknots，NOUT和NIN


参数：checkRegulation
If TRUE, data is checked for a correct specified contrast (see details)
如果是TRUE，数据指明了正确的对比检查（见详情）


Details

详情----------Details----------

This function computes the Locally Moderated Weighted-t statistic (LMW) described in Astrand (2007b), thus calculating locally moderated weighted t-statistic, p-value and log2(FC) for each row of the data matrix x.
此函数计算的本地版主加权t统计量（低分子）A股（2007年b）的描述，从而计算出的数据矩阵X的每一行本地主持加权t-统计量，P-值，并为log2（FC） 。

Each gene g (row of x) is modeled as:
每个基因G（x的行）为蓝本：

where v is function of the mean intensity: v(mean(mu_g)), N denotes a multivariate normal distribution,  Sigma is a covariance matrix and  InvGamma(a,b) is the inverse-gamma distribution with density function
v平均强度的功能：v(mean(mu_g))，N表示多元正态分布，Sigma是协方差矩阵和InvGamma(a,b)是逆伽马分布密度函数

Given the design matrix D, mu_g equals D*gamma_g,  and given the contrast matrix C the hypothesis C*gamma_g=0 is tested. C should be a one row matrix of same length as the column vector gamma_g.
由于设计矩阵D，mu_g等于D*gamma_g和对比度矩阵C的假设C*gamma_g=0测试。 C应该是一个相同长度的一个行矩阵列向量gamma_g。

See examples on how to specify the design and contrast matrices.
请参阅如何指定设计和对比度矩阵的例子。

A cubic spline is used to parameterize the smooth function v(x)
用三次样条参数光滑函数v(x)

where  H:R->R^(2p-1)  is a set B-spline basis functions for a given set of p interior spline-knots, see chapter 5 of Hastie et al. (2001).
其中，H:R->R^(2p-1)是一家集B样条基函数为给定的p室内花键结，请参阅第5章哈斯蒂等。 （2001年）。

For details about the model see Kristiansson et al. (2005), Astrand et al. (2007a,2007b).
有关模型的详细信息，请参阅Kristiansson等。 （2005年），A链等。 （2007年a，2007年b）。

As specified above, v is modeled as a function of mean intensity: v(mean(mu_g)). If the parameter meanX is not NULL, meanX is used instead of the mean intensity when modeling v. Thus, if meanX is not NULL, meanX must be a vector of length equal to the number of rows of the data matrix x.
上述规定，v为蓝本的平均强度的功能：v(mean(mu_g))。如果的参数meanX是不是NULL，meanX的平均强度，而不是用于建模时v。因此，如果meanX不为NULL，meanX必须是一个长度等于数据矩阵X的行数的向量。

The parameter estimation procedure is based on the assumption that the specified contrast is close to zero for most genes, or at least that the median contrast over all genes is close to zero. A check is run on data to validate this assumptions. If the checking fails, with the error message "warning: most genes appears to be regulated..." and if YOU ARE SURE that the design and contrast is correct, use checkRegulation=FALSE.
参数估计程序是基于假设指定的对比度是接近零大多数基因，或者至少是对所有基因对比的是中位数接近零。支票上运行的数据，以验证这一假设。 ，如果检查失败，错误消息“警告：大部分基因似乎被监管......”如果你确定，设计和对比度是正确的，使用checkRegulation = FALSE。


值----------Value----------


参数：Sigma
Estimated covariance matrix for y=P' x
y=P' x估计协方差矩阵


参数：m
Estimated shape parameter for inverse-gamma prior for gene variances  
形状参数估计为逆伽玛前，基因变异


参数：v
Estimated scale parameter curve for inverse-gamma prior for gene variances
逆伽马参数估计规模为基因差异曲线之前


参数：converged
T if the EM algorithms converged
T如果EM算法融合


参数：iter
Number of iterations
迭代次数


参数：modS2
Moderated estimator of gene-specific variances
主持的特定基因的差异估计


参数：histLogS2
Histogram of log(s2) where s2 is the ordinary variance estimator
直方图的log（S2）其中S2是普通的方差估计


参数：fittedDensityLogS2
The fitted density for log(s2)
log装密度（S2）


参数：logs2
Variance estimators, logged with base 2.
方差估计，碱基2个记录。


参数：t
Moderated t-statistic
主持ţ统计


参数：coefficients
Estimated contrast
估计对比


参数：p.value
P-value from the moderated t-statistic
从主持的t-统计的P值


参数：dfT
Degrees of freedom of the moderated t-statistic
度放缓的t-统计的自由


参数：weights
Weights for estimating the contrast
重量估计的对比


参数：P
Transformation matrix
变换矩阵


参数：beta
Estimated parameter vector beta of spline for v(x)  
估计参数向量样条线betav(x)


参数：knots
The knots used in spline for v(x)
在样条使用v(x)节


作者（S）----------Author(s)----------


Magnus <i>A</i>strand



参考文献----------References----------






参见----------See Also----------

estimateSigmaMVbeta, plw
estimateSigmaMVbeta，PLW


举例----------Examples----------


# ------------------------------------------[------------------------------------------]
# Example analyzing the 6 arrays in the [在6阵列为例分析]
# AffySpikeU95Subset data set[AffySpikeU95Subset数据集]

# Loading the data[加载数据]
data(AffySpikeU95Subset)

# Defining design and contrast matrix[定义设计和对比矩阵]
group<-factor(rep(1:2,each=3))
design<-model.matrix(~group-1)
contrast<-matrix(c(1,-1),1,2)

# Computing RMA expression index[计算RMA的表达指数]
data.rma<-exprs(rma(AffySpikeU95Subset))

# Analyzing[分析]
model1<-lmw(data.rma,design=design,contrast=contrast,epsilon=0.01)

## Look at fitted vs observed density for log(s2)[＃看看装与观测密度log（S2）]
varHistPlot(model1)

## Look at fitted curve for scale parameter[＃看看尺度参数的拟合曲线]
scaleParameterPlot(model1)


转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。