library(zoo)
library(tseries)
library(lmtest)
library(sandwich)
library(car)Lineárna regresia - úvod (Výpočty so svojou databázou)
V tomto zadaní budeme pracovať s databázou rakoviny prsníka (Breast_Cancer.csv). Pri ďalšej práci budeme používať nasledujúce knižnice, presne podľa predlohy:
Úvod do problému, stanovenie hypotéz
Rozhodli sme sa modelovať dĺžku prežitia pacientov v mesiacoch (Survival.Months) v závislosti od troch vysvetľujúcich premenných:
Age- vek pacienta,Tumor.Size- veľkosť nádoru v milimetroch,Reginol.Node.Positive- počet pozitívnych (metastatických) regionálnych uzlín.
Naša pracovná hypotéza hovorí o štatisticky významnom vplyve týchto premenných. U premenných veľkosť nádoru a počet pozitívnych uzlín očakávame negatívny vplyv na dĺžku prežitia (teda záporné znamienko odhadovaného regresného koeficienta).
Načítanie databázy
udaje <- read.csv("udaje/Breast_Cancer.csv", dec=".", sep=",", header = TRUE)library(knitr)
udaje_vyber <- udaje[, c("Survival.Months", "Age", "Tumor.Size", "Reginol.Node.Positive")]
kable(head(udaje_vyber), caption = "Prvých šesť riadkov vybraných údajov")| Survival.Months | Age | Tumor.Size | Reginol.Node.Positive |
|---|---|---|---|
| 60 | 68 | 4 | 1 |
| 62 | 50 | 35 | 5 |
| 75 | 58 | 63 | 7 |
| 84 | 58 | 18 | 1 |
| 50 | 47 | 41 | 1 |
| 89 | 51 | 20 | 2 |
Keďže naša databáza rakoviny prsníka obsahuje kvalitné a kompletné data, nenachádzajú sa v nej žiadne chýbajúce hodnoty (NA). Z tohto dôvodu nie je potrebné vykonávať žiadne dodatočné úpravy, ako napríklad nahrádzanie prázdnych miest mediánom. Dáta sú čisté a plne pripravené na priame modelovanie a ďalšiu analýzu.
Boxploty jednotlivých premenných
par(mfrow = c(2, 2))
par(mar = c(4, 4, 2, 1))
for (col in names(udaje_vyber)) {
boxplot(udaje_vyber[[col]], main = paste("Boxplot:", col), xlab = "Hodnota", col = "lightblue")
} par(mfrow = c(1, 1)) Lineárna regresia
Z odhadnutého modelu získame približne nasledujúcu rovnicu regresnej priamky:\[\widehat{SurvivalMonths_i} = 74,17 - 0,094 \times TumorSize_i\]
Diagnostika modelu Pozrime sa na diagnostické grafy, aby sme overili vlastnosti modelu ako celku
Najprv odhadneme jednoduchý model, kde dĺžku prežitia vysvetľujeme len veľkosťou nádoru.
# Načítanie knižnice pre krajšie grafy
library(ggplot2)
# Odhad jednoduchej regresie
model_jednoduchy <- lm(Survival.Months ~ Tumor.Size, data = udaje_vyber)
summary(model_jednoduchy)
Call:
lm(formula = Survival.Months ~ Tumor.Size, data = udaje_vyber)
Residuals:
Min 1Q Median 3Q Max
-70.380 -14.871 1.507 18.535 42.259
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 74.17208 0.63208 117.346 < 2e-16 ***
Tumor.Size -0.09431 0.01705 -5.532 3.36e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 22.84 on 4022 degrees of freedom
Multiple R-squared: 0.007552, Adjusted R-squared: 0.007305
F-statistic: 30.6 on 1 and 4022 DF, p-value: 3.365e-08
# Vykreslenie bodového grafu s regresnou priamkou
ggplot(udaje_vyber, aes(x = Tumor.Size, y = Survival.Months)) +
geom_point(color = "steelblue", alpha = 0.6) +
geom_smooth(method = "lm", color = "firebrick", se = FALSE, linewidth = 1) +
labs(x = "Veľkosť nádoru (mm)", y = "Dĺžka prežitia (mesiace)") +
theme_minimal(base_size = 13)Základné charakteristiky modelu
Pomocou funkcie glance() z balíka broom si zobrazíme celkové metriky kvality nášho modelu.
library(broom)
library(knitr)
model <- lm(Survival.Months ~ Tumor.Size, data = udaje_vyber)
suhrn <- glance(model)
tabulka_suhrn <- suhrn[, c("nobs", "r.squared", "sigma")]
kable(tabulka_suhrn, digits = c(0, 3, 3), row.names = FALSE,
col.names = c("Počet pacientov", "R²", "Odhad SD chyby (mesiace)"),
caption = "Základné charakteristiky modelu")| Počet pacientov | R² | Odhad SD chyby (mesiace) |
|---|---|---|
| 4024 | 0.008 | 22.838 |
Interpretácia výsledkov
Výsledky našej jednoduchej lineárnej regresie ukazujú, že konštanta (Intercept) je 74,17. To znamená, že teoretický pacient s veľkosťou nádoru 0 mm má očakávanú dĺžku prežitia približne 74 mesiacov.
Koeficient pri premennej veľkosť nádoru (Tumor.Size) je -0,094, čo potvrdzuje nepriamu úmeru: so zväčšením nádoru o 1 milimeter sa očakávaná dĺžka prežitia znižuje v priemere o 0,094 mesiaca (približne 3 dni). Tento vzťah je štatisticky veľmi významný (p-hodnota je takmer nulová).
Pri pohľade na rozdelenie údajov cez boxploty vidíme, že väčšina pacientov žije 56 až 90 mesiacov s mediánom 73 mesiacov a ich vek sa pohybuje najčastejšie okolo 54 rokov. Zaujímavé sú extrémy (odľahlé hodnoty) pri veľkosti nádoru a počte uzlín – kým väčšina nádorov je relatívne malá (medián 25 mm), v databáze máme aj ojedinelé prípady veľmi veľkých nádorov (až 140 mm). Táto zložitosť sa odráža aj v bodovom grafe, kde sú údaje veľmi široko rozptýlené. Rakovina je komplexné ochorenie a dĺžka prežitia závisí od mnohých iných faktorov, čo potvrdzuje aj veľmi nízka hodnota koeficientu determinácie (R² = 0,008). Znamená to, že veľkosť nádoru sama o sebe vysvetľuje iba 0,8 % variability v dĺžke prežitia. Napriek tomuto veľkému rozptylu však klesajúca červená trendová čiara jasne dokazuje náš hlavný záver: v priemere platí, že čím väčší je nádor, tým kratšia je očakávaná dĺžka prežitia pacienta.