文章目录

频数表与列联表的生成一维频数表二维列联表多维列联表 独立性检验${\chi }^2$检验相对危险度 (relative risk, RR)与比值比 (odds ratio, OR)分层情形下的独立性检验：Mantel-Haenszel检验配对列联表的一致性检验：McNemar检验 示例数据： MASS包中的 birthwt数据集。 首先将数据集中的分类变量因子化，具体参考 这里。

频数表与列联表的生成

一维频数表

仅展现1个分类变量频数统计语法：table(数据框名$变量名) > table(birthwt$low) no yes 130 59 展现百分比，而非频数：prop.table(频数表) > prop.table(table(birthwt$low)) no yes 0.6878307 0.3121693 # 可使用round()保留小数，此处不再赘述 epiDisplay包中的tab1()函数：给出含百分比、累计百分比的一维频数表，并生成一个频数分布的条形图；语法为tab1(数据框名$变量名) > tab1(birthwt$low) birthwt$low : Frequency Percent Cum. percent no 130 68.8 68.8 yes 59 31.2 100.0 Total 189 100.0 100.0

二维列联表

又称为交叉表，展现了两个分类变量下的频数统计也可以使用table函数：table(数据框名$变量1,数据框名$变量2) > table(birthwt$low,birthwt$smoke) no yes no 86 44 yes 29 30 生成边际频数 （行列subtotal汇总）：addmargins(频数表) > addmargins(table(birthwt$low,birthwt$smoke)) no yes Sum no 86 44 130 yes 29 30 59 Sum 115 74 189 epiDisplay包中的tabpct()函数：给出含边际频数、按行&按列求百分比的列联表，还给出一个马赛克图；语法为tabpct(数据框名$变量1,数据框名$变量2) > tabpct(birthwt$low,birthwt$smoke) Original table birthwt$smoke birthwt$low no yes Total no 86 44 130 yes 29 30 59 Total 115 74 189 Row percent birthwt$smoke birthwt$low no yes Total no 86 44 130 (66.2) (33.8) (100) yes 29 30 59 (49.2) (50.8) (100) Column percent birthwt$smoke birthwt$low no % yes % no 86 (74.8) 44 (59.5) yes 29 (25.2) 30 (40.5) Total 115 (100) 74 (100)

多维列联表

涉及≥3个分类变量的列联表table(), prop.table(), addmargins()等语法同样适用，不再赘述

独立性检验

${\chi }^2$检验

期望频数列联表生成语法：chisq.test(列联表)$expected，用于评价使用何种检验方法 （见下）。各检验方法具体使用场合总结如下：

名称场合语法Pearson ${\chi }^2$检验二维列联表，每个单元格期望频数≥5chisq.test(列联表,correct=FALSE)Pearson ${\chi }^2$检验带连续性校正二维列联表，存在单元格期望频数≥1且≤5chisq.test(列联表) # correct参数默认为TRUE，故无需声明Fisher精确概率检验二维列联表，总记录数n<40 或 存在单元格期望频数<1fisher.test(列联表) > chisq.test(table(birthwt$low,birthwt$smoke))$expected no yes no 79.10053 50.89947 yes 35.89947 23.10053 # 期望频数均>5，无需进行连续性校正 > chisq.test(table(birthwt$low,birthwt$smoke),correct=FALSE) Pearson's Chi-squared test data: table(birthwt$low, birthwt$smoke) X-squared = 4.9237, df = 1, p-value = 0.02649

相对危险度 (relative risk, RR)与比值比 (odds ratio, OR)

RR与OR的定义不再复习，请参考统计学书籍。epiDisplay包中的cs()和cc()函数可用于计算RR、OR，具体语法如下：

函数语法1语法2cs()：用于计算RRcs(数据框名$结局变量,数据框名$因素变量)cs(cctable=列联表)cc()：用于计算ORcc(数据框名$结局变量,数据框名$因素变量)cc(cctable=列联表)

需要注意的是：

若将列联表作为输入，需要将其作为参数cctable声明若将列联表作为输入，列联表必须为结局变量在前、因素变量在后的形式 > cc(birthwt$low,birthwt$smoke) # 语法1 birthwt$smoke birthwt$low no yes Total no 86 44 130 yes 29 30 59 Total 115 74 189 OR = 2.02 95% CI = 1.08, 3.78 Chi-squared = 4.92, 1 d.f., P value = 0.026 Fisher's exact test (2-sided) P value = 0.036 > mytable<-table(birthwt$low,birthwt$smoke) # 注意该列联表生成时将关心的结局变量放在前面 > cc(cctable=mytable) # 语法2 no yes Total no 86 44 130 yes 29 30 59 Total 115 74 189 OR = 2.02 95% CI = 1.08, 3.78 Chi-squared = 4.92, 1 d.f., P value = 0.026 Fisher's exact test (2-sided) P value = 0.036

cc()除了给出检验结果外，还能生成一个不同组比值 (Odds)的变化图：

分层情形下的独立性检验：Mantel-Haenszel检验

M-H检验：检验两分类变量在第三个变量 （分层变量）的调整下是否仍然独立。 列联表写法：table(数据框名$待检验变量1,数据框名$待检验变量2,数据框名$用于分层的变量3)

函数语法M-H检验，不进行连续性校正mantelhaen.test(列联表,correct=FALSE)M-H检验，进行连续性校正mantelhaen.test(列联表) # 默认校正，无需声明M-H检验，连续性校正，并生成OR图 （需要epiDisplay包）mhor(mhtable=列联表) > mytable<-table(birthwt$low,birthwt$smoke,birthwt$race) > mantelhaen.test(mytable,correct=FALSE) # 声明不进行连续性校正 Mantel-Haenszel chi-squared test without continuity correction data: mytable Mantel-Haenszel X-squared = 9.4134, df = 1, p-value = 0.002154 alternative hypothesis: true common odds ratio is not equal to 1 95 percent confidence interval: 1.490740 6.389949 sample estimates: common odds ratio 3.086381 > mhor(mhtable=mytable) Stratified analysis by Var3 OR lower lim. upper lim. P value Var3 white 5.66 1.657 25.14 0.00179 # 可见，白人亚组中吸烟对低体重的OR最大 Var3 black 3.14 0.487 23.45 0.22797 Var3 other 1.25 0.273 5.28 0.75103 M-H combined 3.09 1.491 6.39 0.00215 M-H Chi2(1) = 9.41 , P value = 0.002 Homogeneity test, chi-squared 2 d.f. = 2.98 , P value = 0.225

mhor()函数还额外生成了一个不同层中OR差异的图：

配对列联表的一致性检验：McNemar检验

对同一对象进行两种处理，然后观察这两种处理的分类变量结果之间的一致性。最典型的例子是比较两种诊断方法的一致性。

检验适用场合语法McNemar检验，无连续性校正-mcnemar.test(列联表,correct=FALSE)McNemar检验，有连续性校正不一致结果的个案总数<40mcnemar.test(列联表)

以下面的诊断一致性检验作为示例：

诊断试验A(+)诊断试验A(-)诊断试验B(+)112诊断试验B(-)1233 > my.matrix<-matrix(c(11,2,12,33),nrow=2) > mcnemar.test(my.matrix) McNemar's Chi-squared test with continuity correction data: my.matrix McNemar's chi-squared = 5.7857, df = 1, p-value = 0.01616