R：在不创建新变量的情况下测试因子的每个级别

Question

假设我有一个包含二进制分组变量和一个因子的数据框。这种分组变量的一个示例可以指定对实验的处理和控制条件的分配。下面，b是分组变量，而a是任意因子变量：

a <- c("a","a","a","b","b")
b <- c(0,0,1,0,1)
df <- data.frame(a,b)

我想完成双样本 t 检验以评估以下内容：

对于 a 的每个级别，在 b 中指定的组之间采用该级别的平均倾向是否存在差异.

我已经使用 dummies 包为因子的每个水平创建单独的虚拟变量，然后对结果变量手动执行 t 检验：

library(dummies)
new <- dummy.data.frame(df, names = "a")
t.test(new$aa, new$b)
t.test(new$ab, new$b)

我正在寻求以下方面的帮助：

有没有一种方法可以在不通过 dummy.data.frame() 创建大量虚拟变量的情况下执行此操作？
如果在不创建大量虚拟变量的情况下没有更快的方法，那么有没有更快的方法来完成跨多列的 t 检验？

备注

这与 and nearly the same as this question Apply t-test on many columns in a dataframe split by factor类似但不同，但该问题的解决方案不再有效。

Answer 1

从统计的角度来看，我不完全理解这是在做什么，但是这段代码生成了一个列表，其中每个元素都是上面 t.test() 你运行的输出：

a <- c("a","a","a","b","b")
b <- c(0,0,1,0,1)
df <- data.frame(a,b)

library(dplyr)
library(tidyr)

dfNew<-df %>% group_by(a) %>% summarise(count = n()) %>% spread(a, count)

lapply(1:ncol(dfNew), function (x) 
  t.test(c(rep(1, dfNew[1,x]), rep(0, length(b)-dfNew[1,x])), b))

这将节省您连续输入 t.test(foo, bar) 的时间，并且还消除了对虚拟变量的需要。

编辑：我认为上述方法不会保留列的顺序，仅保留测量为 0 或 1 的值的频率。如果顺序很重要（同样，我不知道这个过程的目标）那么你可以使用虚拟方法和 lapply 通过你命名为 new.

的 data.frame

library(dummies)
new <- dummy.data.frame(df, names = "a")

lapply(1:(ncol(new)-1), function(x)
  t.test(new[,x], new[,ncol(new)]))

Answer 2

这是一个基础 R 解决方案，它实现了 卡方检验的比例相等性 ，我相信它更有可能回答您提出的任何问题你的数据（见我上面的评论）：

set.seed(1)

## generate similar but larger/more complex toy dataset
a <- sample(letters[1:4], 100, replace = T)
b <- sample(0:1, 10, replace = T)
head((df <- data.frame(a,b)))

  a b
1 b 1
2 b 0
3 c 0
4 d 1
5 a 1
6 d 0

## create a set of contingency tables for proportions 
## of each level of df$a to the others
cTbls  <- lapply(unique(a), function(x) table(df$a==x, df$b))

## apply chi-squared test to each contingency table
results <- lapply(cTbls, prop.test, correct = FALSE)
## preserve names
names(results) <- unique(a)

## only one result displayed for sake of space:
results$b

    2-sample test for equality of proportions without continuity
    correction

data:  X[[i]]
X-squared = 0.18382, df = 1, p-value = 0.6681
alternative hypothesis: two.sided
95 percent confidence interval:
 -0.2557295  0.1638177
sample estimates:
   prop 1    prop 2 
0.4852941 0.5312500

但是请注意，您可能不想在不更正 multiple comparisons 的情况下解释您的 p 值。快速模拟表明，使用至少一项检验错误拒绝原假设的几率可能大大高于 5%(!) :

set.seed(11)

sum(
  replicate(1e4, {
    a <- sample(letters[1:4], 100, replace = T)
    b <- sample(0:1, 100, replace = T)
    df <- data.frame(a,b)
    cTbls  <- lapply(unique(a), function(x) table(df$a==x, df$b))
    results <- lapply(cTbls, prop.test, correct = FALSE)
    any(lapply(results, function(x) x$p.value < .05))
  })
) / 1e4
[1] 0.1642

R：在不创建新变量的情况下测试因子的每个级别

R: Testing each level of a factor without creating new variables

r

factors

dummy-variable

备注