0

我正在尝试对某些感兴趣的神经影像数据区域进行 FDR 校正。我总共运行了 18 个线性混合效应模型，并且我确保输出中系数的顺序在每个模型中都是相同的。

我已将每个模型的输出保存在以下内容中：

tidy_model1 <-tidy(model1)
tidy_model2 <-tidy(model2)
....
tidy_model18 <-tidy(model18)

我现在正试图让我的生活更轻松，并创建一个循环，该循环遍历具有上述模型对象名称的列表，并为每个系数创建一个 p 值向量，然后我将其输入 p.adjust 函数以检索调整后的 p 值。

所以我创建了一个列表：

model_list <- list(tidy_model1,
tidy_model2,... tidy_model18)

我尝试了以下循环：

for (i in 1:18) {
model_list[i] %>%
variable1_pval <- p.value[1]
}

和

for (i in 1:18) {
variable1_pval <- model_list[i]$p.value[1]
}

所以上面应该给我一个模型系数1的p值向量。

但是，在这两种情况下我都得到一个空向量。

我知道我没有提供我的数据，但欢迎任何关于为什么这些循环可能不起作用的建议！

谢谢

4

1 回答 1

1

我列出了一个模型列表：

library(nlme)
library(broom)

models <- lapply(1:5,function(i){
idx= sample(nrow(Orthodont),replace=TRUE)
lme(distance ~ age, random=~Sex,data = Orthodont[idx,])
})

model_list <- lapply(models,tidy,effects="fixed")

在这些模型中，有用的系数是第二个：

model_list[[1]]
# A tibble: 2 x 5
  term        estimate std.error statistic  p.value
  <chr>          <dbl>     <dbl>     <dbl>    <dbl>
1 (Intercept)   15.9      1.03       15.5  7.77e-26
2 age            0.739    0.0871      8.48 9.13e-13

您可以像这样在向量中获取 p 值，例如使用 p.value 1：

sapply(model_list,function(x)x$p.value[2])

跟踪模型而不用变量填充环境的更好方法是使用 purrr, dplyr（在此处查看更多信息）：

library(purrr)
library(dplyr)

models = tibble(name=1:5,models=models) %>%
mutate(tidy_res = map(models,tidy,effects="fixed"))

models

# A tibble: 5 x 3
   name models tidy_res        
  <int> <list> <list>          
1     1 <lme>  <tibble [2 × 5]>
2     2 <lme>  <tibble [2 × 5]>
3     3 <lme>  <tibble [2 × 5]>
4     4 <lme>  <tibble [2 × 5]>
5     5 <lme>  <tibble [2 × 5]>

models %>% unnest(tidy_res) %>% filter(term=="age")
# A tibble: 5 x 7
   name models term  estimate std.error statistic  p.value
  <int> <list> <chr>    <dbl>     <dbl>     <dbl>    <dbl>
1     1 <lme>  age      0.587    0.0601      9.77 2.44e-15
2     2 <lme>  age      0.677    0.0663     10.2  3.91e-16
3     3 <lme>  age      0.588    0.0603      9.74 3.05e-15
4     4 <lme>  age      0.653    0.0529     12.3  2.74e-20
5     5 <lme>  age      0.638    0.0623     10.2  3.34e-16
于 2020-06-30T21:19:16.313 回答