আর-তে ggplot2 ব্যবহার করে কীভাবে ফানেল প্লট আঁকবেন?

Question

শিরোনাম হিসাবে, আমাকে এরকম কিছু আঁকতে হবে:

Ggplot, বা অন্যান্য প্যাকেজগুলি যদি ggplot সক্ষম না হয় তবে এরকম কিছু আঁকতে ব্যবহার করা যেতে পারে?

Comments

এটি কীভাবে করা এবং এটি বাস্তবায়ন করা যায় সে সম্পর্কে আমার কয়েকটি ধারণা পেয়েছে তবে এতে কিছু ডেটা থাকার জন্য প্রশংসা করব। কোন ধারণা?

— চেজ

হ্যাঁ, জিপিপ্লট সহজেই একটি প্লট আঁকতে পারে যা পয়েন্ট এবং লাইনগুলি নিয়ে গঠিত;) জিওম_স্মোথ আপনাকে 95% পথ দেবে - আপনি যদি আরও পরামর্শ চান তবে আপনাকে আরও বিশদ সরবরাহ করতে হবে।

— হ্যাডলি

এটি কোনও ফানেল প্লট নয়। পরিবর্তে, লাইনগুলি স্পষ্টতই প্রবেশের সংখ্যার ভিত্তিতে স্ট্যান্ডার্ড ত্রুটির অনুমান থেকে তৈরি করা হয়। তারা মনে করে ডেটাগুলির একটি নির্দিষ্ট অনুপাতে ঘেরাও করার উদ্দেশ্যে , যা তাদের সহনীয়তার সীমাবদ্ধ করে তুলবে । তারা y = বেসলাইন + ধ্রুবক / স্কয়ার্ট (# ভর্তি * চ (বেসলাইন)) ফর্মের সম্ভবত। লাইনগুলি গ্রাফ করার জন্য আপনি বিদ্যমান প্রতিক্রিয়াগুলিতে কোডটি সংশোধন করতে পারেন, তবে তাদের গণনা করার জন্য আপনার নিজের সূত্র সরবরাহের প্রয়োজন হতে পারে: উদাহরণস্বরূপ আমি লাগানো লাইনের জন্য প্লটের আত্মবিশ্বাসের অন্তর দেখেছি । এ কারণেই এগুলিকে অন্যরকম দেখাচ্ছে।

— শুক্র

@ হুইবার (+1) এটি একটি খুব ভাল বিষয়, সত্যই। আমি আশা করি এটি যাইহোক একটি ভাল সূচনা পয়েন্ট সরবরাহ করতে পারে (যদিও আমার আর কোডটি সেই অনুকূলিত নাও হয়)।

— chl

Ggplot এখনও stat_quantile()একটি স্ক্র্যাটারপ্লোটে শর্তযুক্ত কোয়ান্টাইলগুলি সরবরাহ করতে সরবরাহ করে। এরপরে আপনি সূত্রের প্যারামিটারের সাহায্যে কোয়ান্টাইল রিগ্রেশনের কার্যকরী ফর্মটি নিয়ন্ত্রণ করতে পারেন। y~ns(x,4)মসৃণ স্প্লিনযুক্ত ফিট পাওয়ার জন্য আমি সূত্রের মতো জিনিসগুলির পরামর্শ দিই ।

— শেয়া পার্কস

Answer 1

যদিও উন্নতির জন্য জায়গা রয়েছে, সিমুলেটেড (হেটেরোসেসটেস্টিক) ডেটা সহ এখানে একটি ছোট চেষ্টা রয়েছে:

library(ggplot2)
set.seed(101)
x <- runif(100, min=1, max=10)
y <- rnorm(length(x), mean=5, sd=0.1*x)
df <- data.frame(x=x*70, y=y)
m <- lm(y ~ x, data=df) 
fit95 <- predict(m, interval="conf", level=.95)
fit99 <- predict(m, interval="conf", level=.999)
df <- cbind.data.frame(df, 
                       lwr95=fit95[,"lwr"],  upr95=fit95[,"upr"],     
                       lwr99=fit99[,"lwr"],  upr99=fit99[,"upr"])

p <- ggplot(df, aes(x, y)) 
p + geom_point() + 
    geom_smooth(method="lm", colour="black", lwd=1.1, se=FALSE) + 
    geom_line(aes(y = upr95), color="black", linetype=2) + 
    geom_line(aes(y = lwr95), color="black", linetype=2) +
    geom_line(aes(y = upr99), color="red", linetype=3) + 
    geom_line(aes(y = lwr99), color="red", linetype=3)  + 
    annotate("text", 100, 6.5, label="95% limit", colour="black", 
             size=3, hjust=0) +
    annotate("text", 100, 6.4, label="99.9% limit", colour="red", 
             size=3, hjust=0) +
    labs(x="No. admissions...", y="Percentage of patients...") +    
    theme_bw() 

Answer 2

আপনি যদি এই (মেটা-বিশ্লেষণ) ধরণের ফানেল প্লটের সন্ধান করছেন তবে নিম্নলিখিতটি একটি সূচনা পয়েন্ট হতে পারে:

library(ggplot2)

set.seed(1)
p <- runif(100)
number <- sample(1:1000, 100, replace = TRUE)
p.se <- sqrt((p*(1-p)) / (number))
df <- data.frame(p, number, p.se)

## common effect (fixed effect model)
p.fem <- weighted.mean(p, 1/p.se^2)

## lower and upper limits for 95% and 99.9% CI, based on FEM estimator
number.seq <- seq(0.001, max(number), 0.1)
number.ll95 <- p.fem - 1.96 * sqrt((p.fem*(1-p.fem)) / (number.seq)) 
number.ul95 <- p.fem + 1.96 * sqrt((p.fem*(1-p.fem)) / (number.seq)) 
number.ll999 <- p.fem - 3.29 * sqrt((p.fem*(1-p.fem)) / (number.seq)) 
number.ul999 <- p.fem + 3.29 * sqrt((p.fem*(1-p.fem)) / (number.seq)) 
dfCI <- data.frame(number.ll95, number.ul95, number.ll999, number.ul999, number.seq, p.fem)

## draw plot
fp <- ggplot(aes(x = number, y = p), data = df) +
    geom_point(shape = 1) +
    geom_line(aes(x = number.seq, y = number.ll95), data = dfCI) +
    geom_line(aes(x = number.seq, y = number.ul95), data = dfCI) +
    geom_line(aes(x = number.seq, y = number.ll999), linetype = "dashed", data = dfCI) +
    geom_line(aes(x = number.seq, y = number.ul999), linetype = "dashed", data = dfCI) +
    geom_hline(aes(yintercept = p.fem), data = dfCI) +
    scale_y_continuous(limits = c(0,1.1)) +
  xlab("number") + ylab("p") + theme_bw() 
fp

Comments

বন্ধনীর linetype=2ভিতরে যুক্তির উপস্থিতি aes()- 99% লাইন প্লট করে - বর্তমান জিজিপ্লট 2 (0.9.3.1) এর সাথে "অবিচ্ছিন্ন পরিবর্তনশীল লিনেটাইপটিতে ম্যাপ করা যায় না" একটি ত্রুটির জন্ম দেয়। আমার geom_line(aes(x = number.seq, y = number.ll999, linetype = 2), data = dfCI)জন্য geom_line(aes(x = number.seq, y = number.ll999), linetype = 2, data = dfCI)কাজ সংশোধন । মূল উত্তরটি সংশোধন করতে দ্বিধা বোধ করুন এবং এটি হারাবেন।

Answer 3

বেস গ্রাফিকগুলিতে কারও যদি এটির প্রয়োজন হয়, তবে ggplot2 ব্যবহার না করে অনুপাতের জন্য ফানেলপ্লট রয়েছে এমন ক্র্যান প্যাকেজ বেরি ফাংশনগুলিও দেখুন। http://cran.r-project.org/web/packages/berryFunctions/index.html

এছাড়াও প্যাকেজ এক্সফানেল রয়েছে, যা আমি দেখিনি।

Answer 4

বার্ড ওয়েইসের কোডটি খুব সহায়ক। কয়েকটি বৈশিষ্ট্য পরিবর্তন / যুক্ত করতে আমি নীচে কিছু সংশোধন করেছি:

1. নির্ভুলতার পরিমাপ হিসাবে স্ট্যান্ডার্ড ত্রুটি ব্যবহার করা হয়েছে যা আমি দেখছি ফানাল প্লটগুলির তুলনায় বেশি সাধারণ (মনোবিজ্ঞানে)
2. অক্ষগুলি অদলবদল করে, তাই যথাযথতা (স্ট্যান্ডার্ড ত্রুটি) y- অক্ষের উপর রয়েছে, এবং প্রভাবের আকারটি X- অক্ষে রয়েছে
3. মেটা-অ্যানালিটিক্সের গড় রেখার জন্য রেখার geom_segmentপরিবর্তে ব্যবহৃত হয় geom_line, সুতরাং এটি 95% এবং 99% আস্থাভাজন অঞ্চলকে চিহ্নিত করে রেখার সমান উচ্চতা হয়
4. মেটা-অ্যানালিটিক গড় মানে প্লট করার পরিবর্তে আমি এটি 95% আত্মবিশ্বাসের ব্যবধানের প্লট করেছি

আমার কোডটি উদাহরণ হিসাবে 0.0892 (সে = 0.0035) এর একটি মেটা-অ্যানালিটিক ব্যবহার করে তবে আপনি নিজের মানগুলি প্রতিস্থাপন করতে পারেন।

estimate = 0.0892
se = 0.0035

#Store a vector of values that spans the range from 0
#to the max value of impression (standard error) in your dataset.
#Make the increment (the final value) small enough (I choose 0.001)
#to ensure your whole range of data is captured
se.seq=seq(0, max(dat$corr_zi_se), 0.001)

#Compute vectors of the lower-limit and upper limit values for
#the 95% CI region
ll95 = estimate-(1.96*se.seq)
ul95 = estimate+(1.96*se.seq)

#Do this for a 99% CI region too
ll99 = estimate-(3.29*se.seq)
ul99 = estimate+(3.29*se.seq)

#And finally, calculate the confidence interval for your meta-analytic estimate 
meanll95 = estimate-(1.96*se)
meanul95 = estimate+(1.96*se)

#Put all calculated values into one data frame
#You might get a warning about '...row names were found from a short variable...' 
#You can ignore it.
dfCI = data.frame(ll95, ul95, ll99, ul99, se.seq, estimate, meanll95, meanul95)


#Draw Plot
fp = ggplot(aes(x = se, y = Zr), data = dat) +
  geom_point(shape = 1) +
  xlab('Standard Error') + ylab('Zr')+
  geom_line(aes(x = se.seq, y = ll95), linetype = 'dotted', data = dfCI) +
  geom_line(aes(x = se.seq, y = ul95), linetype = 'dotted', data = dfCI) +
  geom_line(aes(x = se.seq, y = ll99), linetype = 'dashed', data = dfCI) +
  geom_line(aes(x = se.seq, y = ul99), linetype = 'dashed', data = dfCI) +
  geom_segment(aes(x = min(se.seq), y = meanll95, xend = max(se.seq), yend = meanll95), linetype='dotted', data=dfCI) +
  geom_segment(aes(x = min(se.seq), y = meanul95, xend = max(se.seq), yend = meanul95), linetype='dotted', data=dfCI) +
  scale_x_reverse()+
  scale_y_continuous(breaks=seq(-1.25,2,0.25))+
  coord_flip()+
  theme_bw()
fp