1

我有两个相关向量：一个表示真实相关，另一个表示置换相关（零分布）。我想找到对应于 0.05 的 FDR 的相关值。

更新的方法：

cor_real=rnorm(1000,0,sd=0.2)
cor_null=rnorm(1000,0,sd=0.15)

d_real=density(cor_real,from=max(min(cor_real),min(cor_null)),to=min(max(cor_real),max(cor_null)))
d_null=density(cor_null,from=max(min(cor_real),min(cor_null)),to=min(max(cor_real),max(cor_null)))
# here we ensure that the x values are comparable between the two densities

plot(d_real)
lines(d_null)

在此处输入图像描述

然后，要找到对应于 FDR = 0.05 的相关值，我的猜测是：

ratios=d_null$y/d_real$y
d_real$x[which(round(ratios,2)==.05)]
[1] 0.5694628 0.5716372 0.5868581 0.5890325 0.5912069
# this the the correlation value(s) that corresponds to a 5% chance of a false positive

这是正确的方法吗？

例如：

cor_real=rnorm(100,0.25,sd=0.1)
cor_null=rnorm(100,0.2,sd=0.1)

h_real=hist(cor_real,plot=F)
h_null=hist(cor_null,plot=F)

plot(h_null,col=rgb(1,0,0,.5),xlim=c(0,1),ylim=c(0,max(h_real$counts))) # in red
plot(h_real,col=rgb(0,.5,.5,0.25),add=T) # in blue

实数 = 蓝色，空值 = 红色

我认为这是两个直方图的频率之比 = 0.05（空值：实数），但我对此不是 100% 确定的。

我如何找到对应于 FDR = 0.05 的相关值，同时“访问”空分布和实分布？

4

1 回答 1

1

密度不是很正确，因为 1. 您没有设置n并且from, to要相同，2. 它仅计算 1 个 bin 的假阳性数/假阴性数。

错误发现率定义为 FP / (FP + TP)。也看到这个帖子。一旦我们将两个相关性放在同一个向量中，我们就可以计算这个，标记并排序它们：

set.seed(321)
cor_real=rnorm(1000,0,sd=0.2)
cor_null=rnorm(1000,0,sd=0.15)

df = data.frame(rho = c(cor_real,cor_null),
                type = rep(c(TRUE,FALSE),each=1000))
df$rho = abs(df$rho)
df = df[order(df$rho,decreasing=TRUE),]

df$FP = cumsum(df$type == FALSE)
df$TP = cumsum(df$type == TRUE)

df$FDR = df$FP / (df$FP + df$TP)

如果你看结果，

head(df,25)
           rho  type FP TP        FDR
366  0.5822139  TRUE  0  1 0.00000000
247  0.5632078  TRUE  0  2 0.00000000
298  0.5594879  TRUE  0  3 0.00000000
147  0.5460875  TRUE  0  4 0.00000000
781  0.5373146  TRUE  0  5 0.00000000
760  0.5367116  TRUE  0  6 0.00000000
797  0.5216281  TRUE  0  7 0.00000000
569  0.5204598  TRUE  0  8 0.00000000
374  0.5200687  TRUE  0  9 0.00000000
744  0.5101275  TRUE  0 10 0.00000000
864  0.5058457  TRUE  0 11 0.00000000
227  0.4997959  TRUE  0 12 0.00000000
66   0.4993164  TRUE  0 13 0.00000000
14   0.4886520  TRUE  0 14 0.00000000
830  0.4840573  TRUE  0 15 0.00000000
261  0.4765394  TRUE  0 16 0.00000000
1163 0.4703764 FALSE  1 16 0.05882353
27   0.4661862  TRUE  1 17 0.05555556
965  0.4633883  TRUE  1 18 0.05263158
530  0.4608271  TRUE  1 19 0.05000000
96   0.4575683  TRUE  1 20 0.04761905
851  0.4563224  TRUE  1 21 0.04545455
922  0.4516161  TRUE  1 22 0.04347826
343  0.4511517  TRUE  1 23 0.04166667

在 abs(rho) >= 0.4511517 时，您有 1 个 FP 和 23 个 TP，给您的 FDR 为 0.0416.. 低于 0.05 的 FDR。所以你可以在这里设置你的绝对截止值。

您的示例很难测试，因为两者几乎都是相同的零假设，只有不同的 sd。在现实生活中，我们很可能需要模拟数据来找到我们在零假设下获得的相关性。你会看到上面的计算应该工作得很好。

于 2020-12-22T22:56:17.797 回答