Phi係數 (Phi coefficient)

套路33: Phi係數(Phi coefficient)

1. 使用時機: Phi係數是兩個二元變量(dichotomous variable)的關聯性度量。
2. 範例資料: 某機構研究某昆蟲與植物疾病的關連，原始資料如下：
植物
1
2
3
4
5
6
7
8
9
10
11
12
13
14
有病
+
+
-
-
+
+
+
-
+
-
-
-
+
+
有蟲
-
-
-
+
+
+
+
+
+
+
+
-
-
-
3. 上述資料可整理成2 x 2矩陣如下:
植物有病
植物沒病
加總
有蟲
4
4
8
沒蟲
4
2
6
加總
8
6
14
4. 使用R計算Phi係數，方法一:
第一步: 安裝sjstats程式套件。
第二步: 呼叫sjstats程式套件備用。
 library(sjstats)
第三步: 輸入建立資料(邏輯: T為TRUE，F為FALSE)。
cnt <- read.table(header = T, text = "
Dis Ins
T F
T F
F F
F T
T T
T T
T T
F T
T T
F T
F T
F F
T F
T F")
第四步: 閱讀sjstats程式套件的xtab_statistics函數的使用說明。
  help(xtab_statistics)
第五步: 使用sjstats程式套件的xtab_statistics函數代入cnt、Dis及Ins計算Phi係數及p值。
  xtab_statistics(cnt, Dis, Ins, statistics = "phi")
第六步: 判讀計算結果。
    Measure of Association for Contingency Tables
                  (using Fisher's Exact Test)
     Chi-squared: 0.0061
         Phi: 0.1667
     p-value: 0.6270
  # 如計算結果p-value < 0.05，虛無假設(H0: 蟲與植病無關)不成立，蟲與植病有關。
  # 如計算結果p-value > 0.05，虛無假設(H0: 蟲與植病無關)成立，蟲與植病無關。
5. 使用R計算Phi係數，方法二:
第一步: 安裝sjstats程式套件。
第二步: 呼叫sjstats程式套件。
  library(sjstats)
第三步: 輸入建立資料(前述2 x 2矩陣資料)。
  cnt <- matrix(c(4, 4, 4, 2), nrow = 2, byrow = T)
第四步: 閱讀sjstats程式套件的phi函數的使用說明。
  help(phi)
第五步: 使用sjstats程式套件的phi函數代入cnt計算Phi係數。
  phi(cnt)
[1] 0.1666667   # 計算結果。
  # 沒有提供假設檢定p值。
6. 使用R計算Phi係數，方法三:
第一步: 安裝R的bioconductor中的GenomicRanges程式套件。
  source("https://bioconductor.org/biocLite.R")
  biocLite("GenomicRanges")
第二步: 呼叫GenomicRanges程式套件備用。
  library(GenomicRanges)
第三步: 輸入建立資料(邏輯: T為TRUE，F為FALSE)。
cnt <- read.table(header = T, text = "
Dis Ins
T F
T F
F F
F T
T T
T T
T T
F T
T T
F T
F T
F F
T F
T F")  # 資料空白分隔。
  attach(cnt)  # 告訴R要使用cnt中的資料。
  names(cnt)  # 指定Dis及Ins為資料欄位名稱。
第四步: 閱讀GenomicRanges程式套件的phicoef函數的使用說明。
  help(phicoef)
第五步: 使用GenomicRanges程式套件的phicoef函數代入Dis及Ins計算Phi係數。
  phicoef(Dis, Ins)
[1] -0.1666667  # 計算結果。
  # 沒有提供假設檢定p值。

7. 使用R計算Phi係數，方法四:
第一步: 安裝psych程式套件。
第二步: 呼叫psych程式套件。
  library(psych)
第三步: 輸入建立資料(前述2 x 2矩陣資料)。
  cnt <- matrix(c(4, 4, 4, 2), nrow = 2, byrow = T)
第四步: 閱讀psych程式套件的phi函數的使用說明。
  help(phi)
第五步: 使用psych程式套件的phi函數代入cnt計算Phi係數。
  phi(cnt)
[1] -0.17   # 計算結果。
  # 沒有提供假設檢定p值。

來勁了嗎? 想知道更多?? 補充資料(連結):
1. 關於Karl Pearson (https://en.wikipedia.org/wiki/Karl_Pearson)
2. 關於correlation coefficient (https://en.wikipedia.org/wiki/Correlation_coefficient)
3. Phi係數計算公式 (https://en.wikipedia.org/wiki/Phi_coefficient)
4. 關於R基礎，R繪圖及統計快速入門:
   a. R Tutorial: https://www.tutorialspoint.com/r/index.htm
   b. Cookbook for R: http://www.cookbook-r.com/
   c. Quick-R: https://www.statmethods.net/
   d. Statistical tools for high-throughput data analysis (STHDA): http://www.sthda.com/english/
e. The Handbook of Biological Statistics: http://www.biostathandbook.com/
f. An R Companion for the Handbook of Biological Statistics: http://rcompanion.org/rcompanion/index.html
5. Zar, JH. 2010. Biostatistical Analysis, Fifth Edition, Pearson.

留言

張貼留言

這個網誌中的熱門文章

統計不球人 目錄 (Table of Contents)

用 R 做生醫資料科學   (Biomedical Data Science using R) 如何選擇統計方法 1 如何選擇統計方法  2 ***************************   第一段 : 起手式   ****************************** 套路 0: 安裝 R 不球人 套路 1: R 算統計不球人 ， 使用 R 函數 套路 2: 使用 ggplot2 繪圖 (Graphics using ggplot2) 套路 3: 敘述性統計 (Descriptive Statistics) 套路 4: 如何檢查資料是否接近常態分布 (Check Normality using R) 套路 5: 機率分布 (Probability Distributions) ***************************   第二段 : 比較平均值、中數   *************************** 套路 6: 單一樣本 Z 檢定 (One-Sample Z test) 套路 7: 單一樣本 t 檢定 (One-Sample t test) 套路 8: 單一樣本 Wilcoxon signed-rank 檢定 ( One-Sample Wilcoxon signed-rank test ， non-parametric ) 套路 9: 單一樣本符號檢定 (One Sample Sign test) 套路 10: 兩組獨立樣本 Z 檢定 (Two-Sample Z Test) 套路 11: 兩組變異數相同獨立樣本 t 檢定 ( t Test for Two-Samples with Equal Variances) 套路 12: 兩組變異數不同樣本 t 檢定 ( t Test for Two-Samples with Unequal Variances ， Welch Two Sample t test) 套路 13: 成對樣本 t 檢定 (Paired Sample t test) 套路 14: 兩組獨立樣本曼恩 - 惠尼 U 檢定 (...
閱讀完整內容

三因子變異數分析 (Three Way ANOVA)

圖片
套路 24: 三因子變異數分析 (Three Way ANOVA) 應用三因子變異數分析的資料有三影響因子 ，就是有三個自變項 。此檢定有七組 H 0 和 H A 。 H 0 : m 因子 1-1 = m 因子 1-2 = … = m 因子 1-m ， H A : 至少有一組平均值不同。 H 0 : m 因子 2-1 = m 因子 2-2 = … = m 因子 2-n ， H A : 至少有一組平均值不同。 H 0 : m 因子 3-1 = m 因子 3-2 = … = m 因子 3-o ， H A : 至少有一組平均值不同。 H 0 : 因子 1 與因子 2 互不影響 ， H A : 因子 1 與因子 2 互相影響。 H 0 : 因子 1 與因子 3 互不影響 ， H A : 因子 1 與因子 3 互相影響。 H 0 : 因子 2 與因子 3 互不影響 ， H A : 因子 2 與因子 3 互相影響。 H 0 : 因子 1 、 因子 2 與因子 3 互不影響 ， H A : 因子 1 、 因子 2 與因子 3 互相影響。 1. 使用時機 : 變異數分析適用連續資料之差異分析，若自變項有 3 個，就是三因子變異數分析。 2. 分析類型 : 母數分析 (parametric analysis) 。 直接使用資料數值算統計叫 parametric 方法，把資料排序之後用排序的名次算統計叫 non-parametric 方法。 3. 假設前提 : 每組資料 (observations within each cell) 都是常態分布 (normally distributed) 且具相同變異數 (equal variances) 。 4. 範例資料 : 咪路研究溫度對孔雀魚 ( Poecilia reticulata ) 、寶蓮燈魚 ( Paracheirodon axelrodi ) 及斑馬魚 ( Danio rerio ) 生長的影響。在 20 ° C 、 24 ° C 及 28 ° C 培養下，三種魚身長變化 (cm) 資料如下： 孔雀魚 ( Poecilia reticulata ) 20 ° C 24 ° C ...
閱讀完整內容

比較二或多組變異數Levene’s 檢定 (Levene’s Test for Comparing Two or More Variances)

圖片
套路 27: 比較二或多組變異數 Levene’s 檢定   (Levene’s Test for Comparing Two or More Variances) 什麼是比較多組獨立樣本變異數檢定 ? 說白了就是多組分別獨立取樣的資料做比較的假設檢定。 ** 注意 ** ” 比較變異數 ” (comparing variances) 和 ” 變異數分析 ” (analysis of variance) 不同。變異數分析是多組資料比較平均值。統計假設檢定檢定什麼 ? 看 H 0 。例如多組獨立樣本假設檢定 H 0 : s 1 2 = s 2 2 = … = s k 2 ， H A : 至少有一組變異數不同 ， 是檢定多組資料的變異數是否相同。假設相等時為雙尾 (two-tailed test) 檢定。 1. 使用時機 : 用於比較觀測到的兩組或多組變異數 (variances) 。 2. 分析類型 : 母數分析 (parametric analysis) 。 直接使用資料數值算統計叫 parametric 方法，把資料排序之後用排序的名次算統計叫 non-parametric 方法。 3. 前提假設 : 資料偏離常態分布 (normal distribution) 仍可用。 4. 資料範例 1 ， 兩組變異數 : 咪路調查高一和大一學生體重 (kg) ， 資料如下 : 高一 41 35 33 36 40 46 31 37 34 30 38 大一 52 57 62 55 64 57 56 55 60 59 請問高一和大一學生體重變異數是否相同 ? H 0 : σ 2 1 = σ 2 2 ， H A : σ 2 1 ≠ σ 2 2 。 第一步 : 輸入建立資料 ， 用小 c 將資料放入名稱為 h1 及...
閱讀完整內容