杭州专业建设网站哪里好,网站建设來选宙斯站长,汕头企业制作网站,wordpress 随机显示很多时候我们在探讨数据的相关性问题时#xff0c;很容易会忽略到底是数据本身的特点还是真的是因为特征的区分导致的不同#xff0c;从而误以为是特征起的效果比较大。
这就好比测试一款新药是否真的能治病#xff0c;假如吃药的患者康复的更快#xff0c;那到底是因为药…很多时候我们在探讨数据的相关性问题时很容易会忽略到底是数据本身的特点还是真的是因为特征的区分导致的不同从而误以为是特征起的效果比较大。
这就好比测试一款新药是否真的能治病假如吃药的患者康复的更快那到底是因为药物本身的效果好还是因为患者本身更健康平时有控制饮食合理作息与运动从而在患病后更快地凭借自身免疫力战胜病毒。这需要我们意识到对照试验还需要人为地补足某些条件也就是探讨是否真的是X导致了Y。
以下是一个例子
# 加载必要包
library(tidyverse)
library(broom)# 生成模拟数据集1000名患者
set.seed(123)
data - tibble(# 年龄影响病情严重程度和治疗选择age rnorm(1000, mean 50, sd 10),# 病情严重程度年龄越大病情越重severity 0.3 * age rnorm(1000, sd 5),# 治疗选择病情越重越可能接受治疗treatment rbinom(1000, 1, plogis(-2 0.05 * severity)),# 康复时间治疗有效但病情越重康复越慢recovery_time 30 - 5 * treatment 0.5 * severity rnorm(1000, sd 3)
)# 查看前几行数据
head(data)data1 - data
data1 %% group_by(treatment) %% summarise(mean_recovery mean(recovery_time))
# 会发现治疗组康复时间更长因为治疗组病情更重model - lm(recovery_time ~ treatment severity age, data data)
tidy(model) %% filter(term treatment)
# 现在能看到治疗真实效果约减少5天library(MatchIt)# 计算倾向得分基于年龄和病情
match_model - matchit(treatment ~ age severity,data data,method nearest
)# 匹配后的数据
matched_data - match.data(match_model)# 分析匹配后的数据
lm(recovery_time ~ treatment, data matched_data) %% tidy()ggplot(data, aes(x severity, y recovery_time, color factor(treatment))) geom_point(alpha 0.5) geom_smooth(method lm) labs(title 康复时间 vs 病情严重程度,subtitle 控制病情后治疗组(红色)康复更快,color 是否治疗)
输出 treatment mean_recoveryint dbl
1 0 37.5
2 1 33.0term estimate std.error statistic p.valuechr dbl dbl dbl dbl
1 treatment -5.43 0.238 -22.8 3.69e-93term estimate std.error statistic p.valuechr dbl dbl dbl dbl
1 (Intercept) 38.3 0.295 130. 0
2 treatment -5.36 0.418 -12.8 7.49e-32
geom_smooth() using formula y ~ x 从结果可以看到单纯的比较康复时间会隐藏在背后的很多原因比如患者本身的病情患者年龄较大免疫力低等。进一步看线性回归控制变量控制了相同的病情和年龄去看康复时间治疗的方案会减少5天多用倾向得分模拟的随机试验的得到的结果跟控制变量得到的结果差不多加强了结果的可信度。而从图像来看治疗组始终低于对照组也就是说不管怎样治疗组总是康复得更快这也暗含了一种因果关系只是以图像的形式表现。
