Question

假设我有一个带有二进制分组变量和因子的数据帧。这种分组变量的一个例子可以指定对实验的处理和控制条件的分配。在下面， b 是分组变量，而 a 是任意因子变量：

a <- c("a","a","a","b","b")
b <- c(0,0,1,0,1)
df <- data.frame(a,b)

我想完成双样本t检验以评估以下内容：

对于 a 的每个级别， b 中指定的组之间采用该级别的平均倾向是否存在差异。

我使用 dummies 包为每个级别的因子创建单独的虚拟对象，然后对结果变量手动执行t检验：

library(dummies)
new <- dummy.data.frame(df, names = "a")
t.test(new$aa, new$b)
t.test(new$ab, new$b)

我正在寻求以下方面的帮助：

有没有办法在不通过dummy.data.frame（）创建大量虚拟变量的情况下执行此操作？
如果在没有创建大量虚拟变量的情况下没有更快捷的方法，是否有更快的方法可以跨多个列完成t检验？

注意

这与R - How to perform the same operation on multiple variables类似但不同，与此问题Apply t-test on many columns in a dataframe split by factor几乎相同，但该问题的解决方案不再有效。

Answer 1

这是一个基础R解决方案，实现 chi-squired测试比例相等，我相信更有可能回答您对数据提出的任何问题（参见我上面的评论）：

set.seed(1)

## generate similar but larger/more complex toy dataset
a <- sample(letters[1:4], 100, replace = T)
b <- sample(0:1, 10, replace = T)
head((df <- data.frame(a,b)))

  a b
1 b 1
2 b 0
3 c 0
4 d 1
5 a 1
6 d 0

## create a set of contingency tables for proportions 
## of each level of df$a to the others
cTbls  <- lapply(unique(a), function(x) table(df$a==x, df$b))

## apply chi-squared test to each contingency table
results <- lapply(cTbls, prop.test, correct = FALSE)
## preserve names
names(results) <- unique(a)

## only one result displayed for sake of space:
results$b

    2-sample test for equality of proportions without continuity
    correction

data:  X[[i]]
X-squared = 0.18382, df = 1, p-value = 0.6681
alternative hypothesis: two.sided
95 percent confidence interval:
 -0.2557295  0.1638177
sample estimates:
   prop 1    prop 2 
0.4852941 0.5312500

但请注意，如果不更正multiple comparisons，您可能不想解释您的p值。快速模拟表明，至少有一次测试错误地拒绝零假设的可能性可能会大大超过5％（！）：

set.seed(11)

sum(
  replicate(1e4, {
    a <- sample(letters[1:4], 100, replace = T)
    b <- sample(0:1, 100, replace = T)
    df <- data.frame(a,b)
    cTbls  <- lapply(unique(a), function(x) table(df$a==x, df$b))
    results <- lapply(cTbls, prop.test, correct = FALSE)
    any(lapply(results, function(x) x$p.value < .05))
  })
) / 1e4
[1] 0.1642

Answer 2

从统计角度来看，我并不完全理解这是做什么的，但是这段代码会生成一个列表，其中每个元素都是您在上面运行的t.test()的输出：

a <- c("a","a","a","b","b")
b <- c(0,0,1,0,1)
df <- data.frame(a,b)

library(dplyr)
library(tidyr)

dfNew<-df %>% group_by(a) %>% summarise(count = n()) %>% spread(a, count)

lapply(1:ncol(dfNew), function (x) 
  t.test(c(rep(1, dfNew[1,x]), rep(0, length(b)-dfNew[1,x])), b))

这将为您节省t.test(foo, bar)的连续输入，并且无需虚拟变量。

编辑：我不认为上面的方法保留了列的顺序，只测量了0或1的值的频率。如果顺序很重要（再次，我不知道的目标是这个程序）那么你可以使用虚拟方法和lapply通过data.frame命名为new.

library(dummies)
new <- dummy.data.frame(df, names = "a")

lapply(1:(ncol(new)-1), function(x)
  t.test(new[,x], new[,ncol(new)]))

R：在不创建新变量的情况下测试因子的每个级别

注意

2 个答案: