Lineárna regresia - úvod (Výpočty so svojou databázou)

Author

Khomenko Yevheniia

V tomto zadaní budeme pracovať s databázou rakoviny prsníka (Breast_Cancer.csv). Pri ďalšej práci budeme používať nasledujúce knižnice, presne podľa predlohy:

library(zoo)
library(tseries)
library(lmtest)
library(sandwich)
library(car)

Úvod do problému, stanovenie hypotéz

Rozhodli sme sa modelovať dĺžku prežitia pacientov v mesiacoch (Survival.Months) v závislosti od troch vysvetľujúcich premenných:

  1. Age - vek pacienta,

  2. Tumor.Size - veľkosť nádoru v milimetroch,

  3. 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")
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")
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.