Einführung in R Programming

Tag 3 - Datenimport und -modellierung

Andreas Mock

Ablauf - Tag 3

Datenimport mit readr und readxl
Datenmodellierung
Häufige Missverständnisse über den p-Wert

Dateipfade

Wie finde ich den absoluten Dateipfad heraus, in dem sich meine R Umgebung befindet, das so genannte working directory?

getwd()

## [1] "D:/pnc/website/AMhome"

Welche Dateien befinden sich in dem aktuellen Dateipfad?

list.files()

##  [1] "_site"           "_site.yml"       "AMhome.Rproj"    "data"           
##  [5] "index.html"      "index.Rmd"       "index22.html"    "index22.Rmd"    
##  [9] "pics"            "pres_day1.html"  "pres_day1.Rmd"   "pres_day1_cache"
## [13] "pres_day1_files" "pres_day2.html"  "pres_day2.Rmd"   "pres_day2_files"
## [17] "pres_day3.html"  "pres_day3.Rmd"   "pres_day3_files" "pres_day4.Rmd"  
## [21] "pres_day4_files" "pres_day5.Rmd"   "pres_day5_cache" "pres_day5_files"
## [25] "pres_day6.Rmd"   "pres_day7.pptx"  "refs.Rmd"        "refs2021.Rmd"   
## [29] "SI647E~1"        "SI647E~2"        "SI647E~3"        "SI647E~4"       
## [33] "SI647E~5"        "SI647E~6"        "SITE_L~1"        "SITE_L~2"       
## [37] "SITE_L~3"        "SITE_L~4"        "site_libs"       "solution1.Rmd"  
## [41] "solution2.Rmd"   "solution3.Rmd"   "solution4.Rmd"   "teaching.Rmd"   
## [45] "teaching_cache"  "teaching_files"

Wie kann ich ausgehend vom working directory einen relativen Dateipfad angeben?

Mit dem Präfix ../ lässt sich eine Ordnereben, mit ../../ entsprechend 2 Ebenen nach oben gehen.

Der relative Pfad

list.files("../")

## [1] "AMhome"                "andreasmock.github.io"

entspricht damit dem absoluten Dateipfad

list.files("C:/Users/admmock/PowerFolders/git/content/")

Wie kann ich Daten aus dem Internet einlesen?

Einfach den Webpfad benutzen:

library(readxl)
path <- paste0("https://tcga-data.nci.nih.gov/docs/publications/sarc_2017/",
               "SARC_264_Fusion_Gene_Profiles.txt")

read_tsv(file = path)

Datenimport

Benötigte Packete: readr Paket im tidyverse, sowie das bisher noch nicht verwendete Paket readxl.

Funktionen zum Import nach Dateityp:

read_tsv: tab-separated file
read_csv: comma-separated file
read_xlsx bzw. read_xls: Excel spread sheet
read_delim: file mit beliebig anzugebendem delimiter, also Trennzeichen

Datenmodellierung

HNSCC Datensatz laden

load(url("http://andreasmock.github.io/data/hnscc.RData"))

T-Test

Der T-Test ist ein parametrischer (geht von normalverteilten Daten aus) Hypothesentest zum Vergleich von kontinuierlichen Daten zweier Gruppen.

ggplot(hnscc, aes(x=gender, y=age)) +
    geom_boxplot()

t.test(age ~ gender, data=hnscc)

## 
##  Welch Two Sample t-test
## 
## data:  age by gender
## t = 2.5518, df = 116.84, p-value = 0.01201
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  1.008323 7.998547
## sample estimates:
## mean in group FEMALE   mean in group MALE 
##             64.59211             60.08867

ANOVA (analysis of variance)

ANOVA bietet die Möglichkeit mehr als 2 Gruppen miteinander zu vergleichen.

ggplot(hnscc, aes(x=tabacco_group, y=age)) +
    geom_boxplot() +
    coord_flip()

summary(aov(age ~ tabacco_group, data=hnscc))

##                Df Sum Sq Mean Sq F value   Pr(>F)    
## tabacco_group   3   4385  1461.7   10.79 1.02e-06 ***
## Residuals     268  36294   135.4                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 7 observations deleted due to missingness

Korrelationstest

ggplot(hnscc, aes(x=age, y=pack_years)) +
    geom_point() +
    geom_smooth(method="lm")

## `geom_smooth()` using formula 'y ~ x'

cor.test(~ age + pack_years, data=hnscc)

## 
##  Pearson's product-moment correlation
## 
## data:  age and pack_years
## t = 1.7489, df = 152, p-value = 0.08233
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.01811495  0.29211981
## sample estimates:
##       cor 
## 0.1404481

Häufige Missverständnisse über den p-Wert

Der Erfinder des p-Wertes

Sir Ronald Fisher (1890-1962)
Gonville & Caius College, Cambridge

”Personally, the writer prefers to set a low standard of significance at the 5 percent point […] A scientific fact should be regarded as experimentally established only if a properly designed experiment rarely fails to give this level of significance.“

Definition des p-Wertes

Wahrscheinlichkeit das gleiche Stichprobenergebnis oder ein noch extremeres zu erhalten, wenn die Nullhypothese wahr ist.

Algebraische Definition: P(X \(\geq\) x \(\mid\)~ \(H_0\)) wobei \(X\) eine Zufallsvariable und \(x\) der beobachte Wert in den Daten ist

Goodman, 2008

#1 | Wenn p<0.05, ist die Nullhypothese nur in 5% wahr

Dies ist die wohl des p-Wertes.

Der p-Wert wird unter der Annahme berechnet, dass die Nullhypothese zutrifft (P(Daten \(\mid\)~\(H_0\))), er kann daher nicht gleichzeitig die Wahrscheinlichkeit sein, dass die Nullhypothese zutrifft (P(\(H_0\) \(\mid\) Daten)).

Beispiel: Die Wahrscheinlichkeit drei Mal hintereinander Kopf beim M"unzwurf zu erhalten ist p=0.125. Dies bedeutet jedoch nicht, dass die Wahrscheinlichkeit, dass die Münze fair ist nur 12.5% beträgt.

#2 | p>0.05 bedeutet, dass es keinen Unterschied zwischen den Gruppen gibt

Eine nicht signifikante Differenz bedeutet bloß, dass die beobachten Daten konsistent mit der Nullhypothese sind und nicht, dass die Nullhypothese wahrscheinlicher ist.

#3 | p=0.06 ist substantiell schlechter als p=0.04

Fisher hat den p-Wert als kontinuierliche Variable eingeführt um abzuschätzen, ob ein Ergebnis es Wert ist weiter untersucht zu werden. Die magische p-Wert Grenze von 0.05 ist völlig arbiträr. p-Werte von 0.04 und 0.06 sind sehr ähnliche Wahrscheinlichkeiten!

Goodman, 2008

#4 | Studien mit gleichem p-Wert zeigen eine ähnlich starke Effektgröße

Der folgende Plot zeigt, dass dies nicht zutrifft. Der gleiche p-Wert kann einen völlig anderen Effekt indizieren (Fig. B). Umgekehrt, kann es einen identischen Effekt bei unterschiedlichem p-Wert geben (Fig. A):

Goodman, 2008

#5 | p=0.05 bedeutet, dass man bei Wiederholung des Experiments in 5% ein nicht signifikantes Ergebnis erhält

Nur bei einer großen Effektgröße bzw. Power (i.e. Gruppengrößee) sind p-Werte bei Wiederholung des Experiments mit einer anderen Stichprobe reproduzierbar!

Literatur zum Thema

A Dirty Dozen: Twelve P-Value Misconceptions
Goodman, S
Semin Hematol. 2008 Jul;45(3):135-40.

The fickle P value generates irreproducible results
Halsey LG, Curran-Everett D, Vowler SL & Drummond GB
Nat Methods. 2015 Mar;12(3):179-85.