3

在我的数据集中，我有 5 位读者，他们在几天内反复对测试（0、1 或 2）进行了分类。

每天，实际分类的 5 个测试中只有 2-3 个读者。

library(tidyverse)
library(broom)

df <- tibble(day = rep(1:10,10)) %>%
  arrange(day) %>%
  mutate(reader1 = rep(c(1, 2, 0, 0, 2, NA, NA, NA, NA, NA), each = 2, 5),
         reader2 = rep(c(NA, NA, NA, NA, NA, 1, 1 , 0, 1, 2), each = 2, 5),
         reader3 = rep(c(1, 1, 1, 0, 2, NA, NA, NA, NA, NA), each = 2, 5),
         reader4 = rep(c(NA, NA, NA, NA, NA, 2, 1, 0, 1, 2), each = 2, 5),
         reader5 = rep(c(NA, NA, NA, NA, NA, 2, 2, 0, 1, 2), each = 2, 5))

最终目标是估计每天读者之间的类内相关性（使用 psych 包中的 ICC 命令）。理想的输出将是单个数据框，其中包含每天的 ICC（和 95% 置信区间）以允许绘图。

这个答案很有帮助，但仅适用于只有两个读者的情况。

我被困在哪里：

首先，对于每一天，删除读者没有对测试进行分类的列（我认为这是必要的，因为 ICC 不能有没有观察的读者）。

df %>%
  group_by(day) %>%
  nest()
  #something here to drop non-readers
  select_if(colSums(!is.na(.)) > 0)
  #doesn't work. Need to slice into separate data frames?

其次，如何将 ICC 和 95% CI 提取到一个整洁的数据框中？

df %>%
  group_by(day) %>%
  nest() %>%
  #something here to split data by day
  do(ICC(.)) %>%
  tidy()
  #not working
4

1 回答 1

2

我不知道ICC和预期的输出，但你可以试试这种方式吗？首先按天拆分数据，然后删除缺失的测试，例如删除读者没有对测试进行分类的列并计算 ICC。

res <- lapply(split(df, df$day), function(x){
  tmp <- x %>% gather(key, value, -day) %>% 
    group_by(key) %>% 
    mutate(test=1:n()) %>% 
    filter(!is.na(value)) %>% 
    spread(key,value) %>% 
    select(starts_with("reader"))
    ICC(as.matrix(tmp))$results
  })

最终数据可以再次使用 tidyverse 进行分析。

res %>% 
  bind_rows(.id = "day") %>% 
  ggplot(aes(type, ICC)) +
     geom_col() +
     facet_wrap(~day)

在此处输入图像描述

当然，您可以使用map()purrr 包在一个管道中完成所有操作。

library(tidyverse)
library(psych)
df %>% 
  split(.$day) %>% 
   map(~gather(.,key, value, -day)) %>% 
   map(~group_by(.,key)) %>% 
   map(~mutate(.,test=1:n())) %>%   
   map(~filter(.,!is.na(value))) %>% 
   map(~spread(.,key,value)) %>% 
   map(~select(.,starts_with("reader"))) %>% 
   map(~ICC(as.matrix(.))$results) %>% 
   bind_rows(.id = "day")
于 2017-10-10T13:35:47.660 回答