R pour les biostatistiques en 5 minutes chrono (!)

R pour les biostatistiques en 5 minutes chrono (!)

                gilles.hunault "at" univ-angers.fr

Attention :

        ceci est la suite de R15

        donc lisez d'abord la page R15

Il y a une version anglaise disponible ici.

Table des matières cliquable

  1. Pourquoi R pour les biostatistiques ?

  2. Bibliographie restreinte et orientée biostatistiques

  3. Démonstration via Datajoy

  4. DémonstrationS via RStudio

1. Pourquoi R pour les biostatistiques ?

Les arguments cités en faveur de R pour la bioinformatique s'appliquent tout à fait à R pour les biostatistiques : R est gratuit et exhaustivement complet pour tout ce qui touche aux statistiques et aux biostatistiques. De plus toutes les méthodes modernes et récentes sont disponibles pour R, contrairement aux grands logiciels statistiques comme SAS, SPSS ou Statistica.

2. Bibliographie restreinte et orientée biostatistiques

Contrairement aux ouvrages dédiés à la bioinformatique avec R, il y a pléthore d'ouvrages dédiés aux biostatistiques avec R :



Des recherches sur le web avec les expressions biostatistics, "with R", "using R" et books ou filetype:pdf aboutissent à des milliers d'ouvrages, parfois publiés, parfois simplement distribués sur le Web, comme on peut le vérifier ci-dessous.







3. Démonstration via Datajoy
Voici un texte R simple à lire pour montrer la différence entre la corrélation au sens de Pearson, c'est-à-dire la corrélation linéaire et la corrélation de Spearman, c'est-à-dire la corrélation monotone des rangs (tout ce qui commence par # est un commentaire, ignoré par R) :
      cat("Calculs de coeficients de corrélation\n")
     
      # x et exp(x*x) sont liés mais pas linéairement
     
      xCor <- 1:10
      yCor <- exp(xCor*xCor)
     
      # donc la corrélation au sens de Pearson est faible
     
      corp  <- cor(xCor,yCor,method="pearson")
      corpf <- sprintf("%0.3f",corp)
      pvcp  <- cor.test(xCor,yCor,method="pearson")$p.value
      cat(" pearson  : ",corpf)
      cat(" ; p-value = "   ,sprintf("%0.3f",pvcp),"\n",sep="")
     
      # alors que celle de Spearman est au maximum
     
      cors  <- cor(xCor,yCor,method="spearman")
      corsf <- sprintf("%0.3f",cors)
      pvcs  <-  cor.test(xCor,yCor,method="spearman")$p.value
      cat(" spearman : ",corsf)
      cat(" ; p-value = ",sprintf("%0.3f",pvcs),"\n",sep="")
      cat("\n")
     
      # vérifications par le tracé
     
      titre <- "Tracé direct de y = exp(x*x)"
      plot(xCor,yCor,main=titre,pch=19,col="red")
      text(x=1.0,y=2.6*10**43,pos=4,adj=4,labels="Corrélations")
      text(x=1.5,y=2.5*10**43,pos=4,adj=4,labels=paste("pearson   : ",corpf))
      text(x=1.5,y=2.4*10**43,pos=4,adj=4,labels=paste("spearman :",corsf,"***"))
     
      # données utilisées
     
      cat("Voici les valeurs de x et de y\n")
      print(cbind(xCor,yCor),row.names=FALSE)
     
Voici le résultat de l'exécution :
     Calculs de coeficients de corrélation
      pearson  :  0.522 ; p-value = 0.122
      spearman :  1.000 ; p-value = 0.000
     
     Voici les valeurs de x et de y
           xCor         yCor
      [1,]    1 2.718282e+00
      [2,]    2 5.459815e+01
      [3,]    3 8.103084e+03
      [4,]    4 8.886111e+06
      [5,]    5 7.200490e+10
      [6,]    6 4.311232e+15
      [7,]    7 1.907347e+21
      [8,]    8 6.235149e+27
      [9,]    9 1.506097e+35
     [10,]   10 2.688117e+43
     
Et la courbe cliquable (remarquer les valeurs sur l'axe Y) :

Un simple copier/coller du code R ci-dessus dans une fenêtre du site Datajoy permet de vérifier tout ceci sans aucune installation de R.
4. DémonstrationS via RStudio

Un point très fort et très important de R est sa réactivité. On trouve par exemple en R un package nommé survivalROC pour les AUROCS dépendantes du temps, ce que ni SAS, SPSS ou Statistica ne savent faire. Il suffit de regarder ici chaque jour quel package est mis à jour ou nouvellement mis à disposition pour se rendre compte que R évolue très vite, là où SAS, SPSS et Statistica ne fournissent qu'une mise à jour par an et encore, sans toujours beaucoup de nouveautés. De plus installer un nouveau package se fait en quelques secondes (au pire en quelques dizaines de secondes) avec Rstudio donc on dispose tout de suite de tout en R.

Un autre point très fort aujourd'hui (2016) est sa capacité à fournir de la recherche reproductible à moindre cout utilisateur. Ainsi le texte suivant qui est au format Markdown permet de produire, grâce aux deux instructions modifiables output: pdf_document et nbp <- 10, le document paramétré demor5Biostats.pdf.

--- title: "Corrélations de Pearson et de Spearman" output: pdf_document --- # Notion de corrélation La chose la plus importante à se rappeler en [bio]statistiques au niveau des corrélations, c'est que **corrélation n'est pas causalité**, soit, en d'autres termes, ce n'est pas parce que _x_ et _y_ sont liés que _y_ est la cause de _x_. La corrélation au sens de Pearson calcule la force de la relation **linéaire** et linéaire seulement entre _x_ et _y_ alors que la corrélation au sens de Spearman calcule la force de la liaison **monotone** (au sens des fonctions monotones, donc croissantes ou décroissantes). Il est donc correct de dire que la corrélation de Pearson est une corrélation paramétrique et celle de Spearman une corrélation non paramétrique parce que la corrélation de Spearman est basée sur les rangs des valeurs. De façon plus précise, la corrélation de Spearman de $x$ et $y$ est exactement la corrélation de Pearson appliquée aux rangs de $x$ et de $y$. # Exemple numérique ```{r,eval=TRUE,echo=FALSE} nbp <- 10 # paramètre modifiable xCor <- 1:nbp yCor <- exp(xCor*xCor) corp <- cor(xCor,yCor, method="pearson") corpf <- sprintf("%0.3f",corp) pvcp <- cor.test(xCor,yCor, method="pearson")$p.value pvcpf <- sprintf("%0.4f",pvcp) cors <- cor(xCor,yCor, method="spearman") corsf <- sprintf("%0.3f",cors) pvcs <- cor.test(xCor,yCor, method="spearman")$p.value pvcsf <- sprintf("%0.4f",pvcs) ``` Pour bien illuster la différence entre ces deux types de corrélation, il suffit de regarder la corrélation entre $x$ et $y = e^{x^2}$. Il s'agit d'une corrélation "exponentielle du carré" donc non linéaire mais strictement croissante donc monotone. Il n'est donc pas étonnant que pour les valeurs $x=1,2,3..`r nbp`$, on trouve une coefficient de corrélation de Pearson d'environ `r corpf` et pour Spearman `r corsf` exactement, avec comme p-values respectives `r pvcpf` et `r pvcsf`. La courbe suivante qui n'est pas facile à lire (regarder les valeurs sur l'axe $Y$) résume ce phénomène : ```{r,eval=TRUE,echo=FALSE} titre <- "Tracé direct de y = exp(x*x)" plot(xCor,yCor, main=titre,pch=19,col="red") if (nbp==10) { text(x=1.0,y=2.6*10**43, pos=4,adj=4,labels="Corrélations") text(x=1.5,y=2.5*10**43, pos=4,adj=4,labels=paste("pearson : ",corpf)) text(x=1.5,y=2.4*10**43, pos=4,adj=4,labels=paste("spearman :",corsf,"***")) } # fin si ```

Si on change les deux instructions en output: word_document et nbp <- 8, alors R produit le fichier Word suivant demor5Biostats.docx. Enfin, si on change ces deux instructions en output: html_document et nbp <- 20, alors R produit la page Web suivante demor5Biostats.html.

En moins de 10 secondes (le temps qu'il faut pour modifier output: et nbp et pour ré-éxecuter le code) R est donc capable de produire des documents externes différents avec le paramétrage souhaité.

Vous imaginez donc comme c'est facile d'automatiser un rapport des analyses de fichiers Excel pour un article sans copier/coller des résultats... Quel gain de temps ! Qui est contre de ne plus avoir à transférer des résultats d'un logiciel statistique dans son traitement de texte favori et d'employer son temps à des activités plus "intelligentes" ?
Retour à la page principale de (gH)