R语言用逻辑回归预测BRFSS中风数据、方差分析anova、ROC曲线AUC、可视化探索

全文链接：https://tecdat.cn/?p=33659

原文出处：拓端数据部落公众号

行为风险因素监测系统（BRFSS）是一项年度电话调查。BRFSS旨在确定成年人口中的风险因素并报告新兴趋势。例如，调查对象被询问他们的饮食和每周体育活动、HIV/AIDS状况、可能的吸烟情况、免疫接种、健康状况、健康日数-与健康相关的生活质量、医疗保健获取、睡眠不足、高血压认知、胆固醇认知、慢性健康问题、酒精消费、水果和蔬菜消费、关节炎负担以及安全带使用情况等。

加载数据

load("brfs.RData")

第一部分：关于数据

数据收集：

对于固定电话样本采用了不成比例分层抽样（DSS），移动电话受访者则是随机选择的，每个受访者被选中的概率相等。我们正在处理的数据集共有330个变量，总共有491,775个观测值（2013年）。缺失值用“NA”表示。

泛化能力：

样本数据应该能够推广到感兴趣的总体。这是对18岁及以上的491,775名成年人进行的调查。它基于一个大规模分层随机样本。可能存在的偏差与非响应、不完整的访谈、缺失值和便利性偏差相关（一些潜在的受访者可能因为没有固定电话和手机而未被纳入在内）。

因果关系：

由于BRFSS是一项观察研究，只能建立变量之间的相关性/关联，并不能确定因果关系。

第二部分：研究问题

研究问题1：

在过去30天内，男女性别在身体和心理健康不好的天数分布上是否存在差异？

研究问题2：

受访者接受采访的月份与其自我报告的健康感知之间是否存在关联？

研究问题3：

收入和医疗保险覆盖之间是否存在关联？

研究问题4：

吸烟、饮酒、胆固醇水平、血压、体重与中风的关系是什么？最终，我想看到是否可以通过上述变量对中风进行预测。

第三部分：探索性数据分析

研究问题1：

ggplt(aes(x=phhth, fill=sx), data = bfss3[!is.na(brfs13$sex), ])

brfss-1

ggplot+
  geom_hitoam(bns=3, psition= psiion_dg

image.png

gplot(aes(x=prth, filsex), data=br203[!is.nbrfs03$ex), ]) +
  gem_istrm(ns=30, postn = poiioge())

image.png

sumary(brss3$ex)

image.png

以上三个图显示了男性和女性对过去30天内身体、心理和两者都不好的天数的数据分布。我们可以看到女性受访者远多于男性受访者。

研究问题2：

Rby_mnt <- bs201 %>% fier(iyr=='2013') %>% gop_by(imnth, ghlh) %>% sumaie(n=n())
ggpt(aes(x=ionh, y=n, fill = gehh), data = b_mh[!is.na(by_mt$gehlh), ]) + go_bar(stat = 'idnty', ostin = posion_doe())

brfss-4.png

Rby_mnh1 <- brs13 %>% ftr(iyar=='2013') %>% grup_y(imnh) %>% surse(n=n())
gglot(aes(x=imnh, y=n), daa=bymth1) + gem_ar(stat = 'dentty') 

brfss-8

我试图找出人们在不同月份对健康状况的回答是否有所差异。例如，在春季或夏季，人们是否更有可能说自己身体健康？然而，看起来并没有明显的模式可见。

研究问题3：

Rplot(brs203$iome2, brfs13$ltpn1

brfss-5

总体来说，高收入的受访者比低收入的受访者更有可能享有医疗保险覆盖。

研究问题4：

为了回答这个问题，我将使用以下变量：

• bphigh4: 是否曾经被告知有高血压
• toldhi2: 是否曾经被告知有高血胆固醇
• weight2: 报告的体重（以磅为单位）
• cvdstrk3: 是否曾被诊断为中风
• smoke100：至少吸过100支香烟
• avedrnk2：过去30天内每天平均

首先，将上述变量转换为数值，并查看这些数值变量之间的相关性。

Rslectedfss - brfs2013[vars]
selced_rf$tolhi2 <- iflse(seeted_fss$todh2=="Yes", 1, 0)
corrmarix <- cor(selced_bfss)
corplot(corr.atri

brfss-6

没有任何两个数值变量之间似乎存在强相关性。

用逻辑回归预测中风

将答案"Yes, but female told only during pregnancy"和"Told borderline or pre-hypertensive"替换为"Yes"。

Rvr1 <- names(brs013) %in% c('smoke0', 'aedrk2', 'bphg4', 'tldhi2', 'wht', 'cdsrk3')
sroe <- brfs203[vars1]

将'NA'值替换为'No'。

R4 <- repce(strebh, whch(is.na(stroke$bpig4)), "No")whih(is.na(stroke$soke10)), 'No')

将'NA'值替换为平均值。

Rmean(strke$avedrnk2,.rm = T)

image.png

Rstoke$vdrk2 <- replce(stoe$aednk2, whch(is.nastroe$avednk2)), 2)

查看将用于建模的数据。

Rhed(sroe)
sumary(sroe)

image.png

image.png

将结果转换为二元结果。

Rstrke$vdrk3 <- ifelestrok$cvdsk3=="Ys", 1, 0)

在整理和清理数据之后，现在可以拟合模型。

拟合逻辑回归模型

Rtest <- stre[390001:491775,]
odel <- glm(cvdtrk3 ~.,famly=biomil(link = 'logit'),at=trin)
summary(mdel)

image.png

解释逻辑回归模型的结果：所有变量在统计上都是显著的。

• 在其他变量相等的情况下，被告知血压高的可能性更容易出现中风。
• 预测变量toldhi2No的负系数表明，在其他变量相等的情况下，没有被告知血胆固醇高的可能性更不容易中风。
• 每增加一单位的体重，中风（而不是无中风）的对数几率下降0.00096。
• 不吸烟至少100支香烟的可能性更小。
• 过去30天平均每天饮用的酒精饮料每增加一单位，中风的对数几率下降0.027。

Ranva(modl, tet="Chiq")

image.png

通过分析偏差表，我们可以看到在逐个添加每个变量时的偏差下降情况。添加bphigh4、toldhi2和smoke100明显降低了残差偏差。其他变量weight2和avedrnk2似乎改善了模型，尽管它们都具有较低的p值。

评估模型的预测能力

Rfite.result <- ifelse(fited.ults > 0.5,1,0)

misCasifEror <- mean(ftted.reuts != testvdtk3)
prnt(pase('Accuracy',1misClasiicEror))

image.png

测试集上的准确率为0.96非常好。

绘制ROC曲线并计算AUC（曲线下面积）。

Rp <- predicodel, newdat=est, te="response")
pr <- prdition(p, tet$cdstrk3)
auc <- uc@y.vaus[[1]]

brfss-7

image.png

最后说明一下，当我们分析健康调查数据时，我们必须意识到自我报告的患病率可能存在偏差，因为受访者可能不了解自己的风险状况。因此，为了获得更精确的估计值，研究人员正在使用实验室测试以及自我报告的数据。