当前位置：首页 > news >正文

自己做网站的成本网络营销策划是什么

news 2025/9/17 15:14:13

自己做网站的成本,网络营销策划是什么,衡水做网站开发的,网站怎么改版自适应摘要中介分析在流行病学和临床试验中越来越受到关注。在现有的中介分析方法中，流行的联合显着性（JS）检验会产生过于保守的 I 类错误率，因此功效较低。但是，如果在使用 JS 测试高维中介假设时，可以准确控制…

摘要

中介分析在流行病学和临床试验中越来越受到关注。在现有的中介分析方法中，流行的联合显着性（JS）检验会产生过于保守的 I 类错误率，因此功效较低。但是，如果在使用 JS 测试高维中介假设时，可以准确控制族错误率 (FWER) 和错误发现率 (FDR)。分析的核心是基于估计三个分量零假设的比例并推导零 p 值的相应混合分布。

一言以蔽之：计算高维中介假设的校正后的p值

JS-混合方法

新提出的JS-混合方法(joint significance (JS) test) 通过估计三种类型组合零假设的比例来解决JS均匀方法在高维中介假设测试中的过度保守问题。这种方法衍生出控制家庭错误率（FWER）或假发现率（FDR）的显著性规则。通过理论证明、广泛的模拟实验和两个数据例子，JS-混合方法被证明是稳健的，适用于稀疏和密集替代假设，并且在FWER和FDR的控制上比JS-均匀方法提供了更令人满意的结果。特别是，当使用有限样本校正的JS-混合方法时，与基于渐近混合零分布的方法相比，其经验FWER更接近目标的0.05，从而改善了控制效果。

种类型组合零假设的比例

通过估计与三种类型（H00, H01, H10）相关的零假设在所有J个假设中的比例，得到关于这些零假设在数据集中的相对频率的信息。这些估计对于理解和控制假阳性率（FDR）以及在假设检验中区分真正和虚假发现至关重要。π01, π10, 和 π00 分别表示三种类型组合零假设（即，H01, H10, 和 H00）在J个假设中的比例。通过最大化似然函数分别得到αj 和 βj 的估计p1j 和 p2j，由于模型允许它们的似然性可以分解，所以这些估计是独立的，这有助于更准确地估计pmax,j 在零假设H0j中的分布。

实现方法

以DNA甲基化在癌症病因中的作用为例，介绍了两个前列腺癌研究案例。以供自学。

浏览关键函数

安装、导入包

# 安装hdmt包
install.packages("HDMT")
# 加载hdmt包
library(HDMT)

导入数据

数据格式：数据集是一个矩阵，其中包含候选中介变量的两列 p 值。第 1 列包含用于测试暴露是否与中介相关的 p 值 (alpha!=0)。第 2 列包含用于测试中介变量是否与暴露调整后的结果相关的 p 值 (beta!=0)，需要先使用各类中介方法进行估计。

# 读取数据
data(snp_input)
# 查看数据
head(snp_input)
#         [,1]        [,2]
# [1,] 0.1056981 0.253803463
# [2,] 0.9986436 0.862830855
# [3,] 0.1006569 0.726600653
# [4,] 0.1731411 0.327851970
# [5,] 0.8900695 0.001496449
# [6,] 0.8156905 0.087064991
# 查看数据结构
str(snp_input)
#  num [1:69602, 1:2] 0.106 0.999 0.101 0.173 0.89 ...
input_pvalues <- snp_input# 从输入数据中随机抽取10%的数据【节省时间】
input_pvalues <- input_pvalues[sample(1:nrow(input_pvalues),size=ceiling(nrow(input_pvalues)/10)),]
str(input_pvalues)
# num [1:6961, 1:2] 0.37146 0.00373 0.56406 0.4913 0.78594 ...

估计三个分量零值比例备用

nullprop <- null_estimation(input_pvalues)
# $alpha10
# [1] 0.06608246
# 
# $alpha01
# [1] 0.4640138
# 
# $alpha00
# [1] 0.4692812
# 
# $alpha1
# [1] 0.933295
# 
# $alpha2
# [1] 0.5353637

计算FDR校正后的p值

# 使用三个分量零值比例，基于所提出的联合显着性混合零方法（JS-mixture）计算估计的逐点 FDR
fdr <- fdr_est(nullprop$alpha00,nullprop$alpha01,nullprop$alpha10, nullprop$alpha1,nullprop$alpha2,input_pvalues,exact=0)
str(fdr)
# num [1:6961] 0.954 0.966 0.957 0.956 0.917 ...

结果解读：如果一个p值对应的FDR小于0.05，那么这个结果被认为是在FDR控制下的显著发现，表明存在关联

计算FWE校正后的p值的cutoff

# 使用估计的混合零分布计算 p-max 的 FWER 截止值cutoff
fwercut0 <- fwer_est(nullprop$alpha10,nullprop$alpha01,nullprop$alpha00,nullprop$alpha1, nullprop$alpha2,input_pvalues,alpha=0.05,exact=0)   # exact= 0：不估计CDF的近似值
fwercut0
# [1] 1.491624e-05fwercut1 <- fwer_est(nullprop$alpha10,nullprop$alpha01,nullprop$alpha00,nullprop$alpha1, nullprop$alpha2,input_pvalues,alpha=0.05,exact=1) # exact = 1：非参数估计 CDF 的精确方法
fwercut1
# [1] 6.187122e-05

结果解读：fwercut0 是使用估计的混合零分布计算的 p-max 的 FWER 截止值，其中 exact=0 表示使用了不估计累积分布函数（CDF）的近似方法。在显著性水平 alpha=0.05 下，为了控制家庭错误率（FWER），当候选中介变量的p值小于或等于这个值（即1.354997e-05）时，我们将认为关联性检测达到统计显著性。同理解读fwercut1

作图

用途：观察经过JS 后，校正后的p值被“拉高”了，即更容易达到统计学显著，提高了功效

# 通过上面计算的三个分量零值比例，并使用近似或精确方法计算 pmax 的估计混合零分布分位数--------
pnull <- adjust_quantile(nullprop$alpha00,nullprop$alpha01,nullprop$alpha10,nullprop$alpha1, nullprop$alpha2,input_pvalues,exact=0) # exact=0，推导混合零分布时，不估计CDF的近似方法
str(pnull)
# num [1:6961] 0.000298 0.000596 0.000894 0.001192 0.001489 ...# 使用预期分位数绘制 p-max 的校正分位数-分位数图---------
pmax <- apply(input_pvalues,1,max) # 计算每行的最大值
pnull1 <- adjust_quantile(nullprop$alpha10,nullprop$alpha01,nullprop$alpha00, nullprop$alpha1,nullprop$alpha2,input_pvalues,exact=1) # exact=1，在推导混合零分布时，非参数估计 CDF 的精确方法correct_qqplot(pmax,pnull1)  #如下图展示

参考文献

A Multiple-Testing Procedure for High-Dimensional Mediation Hypotheses: Journal of the American Statistical Association: Vol 117 , No 537 - Get Access (tandfonline.com)https://www.tandfonline.com/doi/full/10.1080/01621459.2020.1765785