fisherInformation(clippda)
fisherInformation()所属R语言包：clippda
A generic function to compute the heterogeneity correction factor in sample
一个通用的计算样品中的异质性校正因子的功能
译者：生物统计家园网 机器人LoveR
描述----------Description----------
This generic function computes the inverse of the expected 'Fisher' information matrix, I^-1/theta (see the definition of theta in section 2.3 of Nyangoma et al., 2009). The second diagonal element of this matrix is the variance of the mean difference between cases and controls, having adjusted for the effect of confounders. The elements of I are sums of the proportions of samples having given attributes, or sums of proportions of class memberships of given conditional contingency tables obtained from the cross tabulated the attributes of the samples under study. Thus it contains information on the heterogeneity in the data due to imbalances in the proportions of samples having given attributes.
这个通用函数计算预期费希尔信息矩阵的逆，I^-1/theta（尼昂戈马2.3节中看到theta的定义et al。，2009年）。第二这个矩阵对角线元素是变异的病例组和对照组之间的平均差异，调整后的混杂因素的影响。 I元素的属性，或有条件从叉乘上获得的应变表的类成员的比例金额载列根据研究样本的属性的样本比例的款项。因此，它包含在给定的属性的样本比例的数据，由于失衡的异质性的信息。
用法----------Usage----------
fisherInformation(Data, ...)
参数----------Arguments----------
参数：Data
An object of aclinicalProteomicsData class. It extracts and uses a dataframe of the clinical information about the samples from a slot in the Data.
aclinicalProteomicsData类的对象。它提取和使用的有关样本的临床资料slotData在dataframe。
参数：...
Some methods for this generic function may take additional, optional arguments. At present none do.
这个泛型函数的一些方法可能需要额外的可选参数。目前没有做。
Details
详情----------Details----------
Note that continuous variables must first be discretized, and the variable names must coincide with the column names of PhenoInfo extracted from the object. Currently this function only accepts a maximum of three binary variables. The existing methods (e.g. Diggle et al. 1997, page 31) for continuous repeated data consider only a single exposure variable. We recommend that some form of variable selection be used to determine which covariates to include in the analysis.
请注意，必须先离散连续变量，变量名必须配合PhenoInfoobject的提取的列名。目前此功能只接受最多三个二元变数。现有的方法，为不断重复的数据（例如Diggle等，1997年，第31页）认为只有一个单一的接触变量。我们建议，被用来确定协变量包括在分析某种形式的变量选择。
值----------Value----------
This function returns a matrix: and its second diagonal element (divided by 2) is the quantity called Z (or the heterogeneity-correction factor) in the sample size calculation function, sampleSize.
这个函数返回一个矩阵，其第二个对角线元素（除以2）称为Z（或异质性校正因子）在样本大小计算功能，sampleSize的数量。
作者（S）----------Author(s)----------
Stephen Nyangoma
参考文献----------References----------
calculations for planning clinical proteomic profiling studies using mass spectrometry. Bioinformatics (Submitted)
Data (second edition). Oxford: Oxford University Press
举例----------Examples----------
#########################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#The matrices of interest are of the form (see eq. 15, 18 and 22 Nyangoma et al. (2009))[感兴趣的矩阵形式（见式15，18和22尼昂戈马等。（2009））]
#########################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#Examples are:[举例如下：]
###################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
# 1 binary variable[1二进制变量]
###################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
data.frame(x1=c(1,'b'),x2=c('b','b'))
#####################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
# 2 binary variables[2二元变量]
#####################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
data.frame(x1=c(1,'b','c'),x2=c('b','b','d'),x3=c('c','d','c'))
##########################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
# 3 binary variables[3个二进制变量]
data.frame(x1=c(1,'b','c','d'),x2=c('b','b','e','f'),x3=c('c','e','c','g'),x4=c('d','f','g','d'))
##############################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
##############################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
# Data # pheno_urine[数据＃pheno_urine]
# the phenotypic information of the urine cancer patients and normal controls.[尿癌症患者和正常对照表型信息。]
#####[＃＃＃＃]
# I have discretized protein concentration[我已经离散蛋白浓度]
# concentration<=70 and concentration>70[浓度<= 70，浓度> 70]
##########################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
##########################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#data(pheno_urine)[数据（pheno_urine）]
#PhenoInfo <- pheno_urine[PhenoInfo < - pheno_urine]
#variables <- c('Tumor','Sex','Protein_concIndex')[变量< - C（肿瘤，性，Protein_concIndex“）]
#variables=c('Tumor','Sex')[变量= C（肿瘤，性别）]
#variables=c('Tumor')[变量= C（肿瘤）]
# Tumor must contain characters "c" and "n"[肿瘤必须包含字符“C”和“n”]
#Protein_concIndex <- pheno_urine[!(pheno_urine$stage == 'late'),]$Protein_conc[Protein_concIndex < - [（pheno_urine美元阶段==晚），pheno_urine美元Protein_conc]
#Protein_concIndex[Protein_concIndex<=70] <- 0[Protein_concIndex [Protein_concIndex <= 70] < - 0]
#Protein_concIndex[Protein_concIndex>70] <- 1[Protein_concIndex [Protein_concIndex> 70 < - 1]
#Protein_concIndex=as.factor(Protein_concIndex)[Protein_concIndex = as.factor（Protein_concIndex）]
#PhenoInfo <- data.frame(pheno_urine[!(pheno_urine$stage == 'late'),],Protein_concIndex)[PhenoInfo < - 数据框（[！（pheno_urine美元阶段==晚），pheno_urine，Protein_concIndex）]
#FisherInformation(PhenoInfo,variables)[FisherInformation（PhenoInfo，变量）]
data(liverdata)
data(liver_pheno)
OBJECT=new("aclinicalProteomicsData")
OBJECT@rawSELDIdata=as.matrix(liverdata)
OBJECT@covariates=c("tumor" , "sex")
OBJECT@phenotypicData=as.matrix(liver_pheno)
OBJECT@variableClass=c('numeric','factor','factor')
OBJECT@no.peaks=53
inversefisherinformation <- fisherInformation(OBJECT)
inversefisherinformation
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。
|
发表于 2012-2-25 15:06:13
