T_test_CI_Iso
Siham
30/07/2021
Statistiques descriptives des variables quantitatives
Data
Nous allons ici employer les données description :`
CI_Iso_HID <- read.csv("C:/Users/mallah.s/Desktop/StatsTheses/These_Romane/Av_Ap/avec_HID/CI_Iso_HID.csv", sep=";", stringsAsFactors=TRUE)library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.0.5## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.2 v dplyr 1.0.7
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1## Warning: package 'ggplot2' was built under R version 4.0.5## Warning: package 'tibble' was built under R version 4.0.5## Warning: package 'tidyr' was built under R version 4.0.5## Warning: package 'dplyr' was built under R version 4.0.5## Warning: package 'forcats' was built under R version 4.0.5## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()CI_1 <-CI_Iso_HID %>%
pivot_longer(cols=c(CI_isoP_0 ,CI_isoP1),names_to="periode" ,values_to = "CI_IsoP" )
CI_1$periode<- fct_relevel(CI_1$periode, c("CI_isoP_0" ,"CI_isoP1"))
head(CI_1)## # A tibble: 6 x 3
## patient_ID periode CI_IsoP
## <fct> <fct> <int>
## 1 3_T CI_isoP_0 1770
## 2 3_T CI_isoP1 2210
## 3 4_T CI_isoP_0 1860
## 4 4_T CI_isoP1 1700
## 5 5_T CI_isoP_0 770
## 6 5_T CI_isoP1 1120schema évolution VR(ml) des patients
ggplot(CI_1 , aes(x=periode, y=CI_IsoP, colour=patient_ID)) +
geom_point()+
geom_line(aes(group=patient_ID))+
theme_classic()+
theme(legend.position = "none")
schema par patient
ggplot(CI_1, aes(x=periode, y=CI_IsoP, colour=patient_ID)) +
geom_point()+
geom_line(aes(group=patient_ID))+
theme_classic()+
theme(legend.position = "none")+
facet_wrap(~patient_ID)
##Calcul de la Difference
CI_Iso_HID$d <- CI_Iso_HID$CI_isoP_0-CI_Iso_HID$CI_isoP1
head(CI_Iso_HID)## patient_ID CI_isoP_0 CI_isoP1 d
## 1 3_T 1770 2210 -440
## 2 4_T 1860 1700 160
## 3 5_T 770 1120 -350
## 4 8_T 1440 1350 90
## 5 10_T 1040 800 240
## 6 11_T 1670 1850 -180Evaluation de la condition de validité
library(car)## Warning: package 'car' was built under R version 4.0.5## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:dplyr':
##
## recode## The following object is masked from 'package:purrr':
##
## someqqPlot(CI_Iso_HID$d)
## [1] 7 14la normalité est globalement satisfaisante malgres quelques imperfections
shapiro.test(CI_Iso_HID$d)##
## Shapiro-Wilk normality test
##
## data: CI_Iso_HID$d
## W = 0.95969, p-value = 0.1975Le test de Shapiro-Wilk ne rejette pas l’hypothèse de normalité, pvalue>0.05. Au final, nous acceptons cette hypothèse. Nous allons donc pouvoir comparer les moyennes des VEMS avant et après traitement, à l’aide d’un test t apparié:
Test de Student apparié
t.test(CI_Iso_HID$CI_isoP_0 , CI_Iso_HID$CI_isoP1, paired=TRUE)##
## Paired t-test
##
## data: CI_Iso_HID$CI_isoP_0 and CI_Iso_HID$CI_isoP1
## t = -2.8224, df = 36, p-value = 0.007715
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -346.96715 -56.81663
## sample estimates:
## mean of the differences
## -201.8919L’évolution des moyennes de la CI_IsoP entre les deux périodes est de 201.8ml /equivalent à une diminution de 13.89% . La p-value du test est <0.05. Ainsi, les résultats nous indiquent que la CI_IsoP des sujets après traitement est significativement différente de la CI_IsoP avant celui-ci, dans le sens d’une croissance.
si nous calculons le pourcentage de decroissance par rapport à la moyenne
summary(CI_Iso_HID)## patient_ID CI_isoP_0 CI_isoP1 d
## 1_L : 1 Min. : 700 Min. : 800 Min. :-1210.0
## 10_L : 1 1st Qu.:1110 1st Qu.:1350 1st Qu.: -390.0
## 10_T : 1 Median :1470 Median :1610 Median : -170.0
## 11_L : 1 Mean :1454 Mean :1656 Mean : -201.9
## 11_T : 1 3rd Qu.:1770 3rd Qu.:1870 3rd Qu.: 120.0
## 12_L : 1 Max. :2450 Max. :2580 Max. : 640.0
## (Other):31pour le calcul du pourcentage d’evolution: on utilise la formule ((y2 - y1) / y1)*100 = taux d’ évolution Y1=1454 Y2=1656 Pourcentage d’évolution de la VEMS est de 13.89 %