R语言一种无偏变量选择的多元统计方法

导读

今天给大家介绍的是一款施琳大神（现就读于查尔默斯大学，postdoc）于今年发表的一个R包-MUVR (Multivariate methods with Unbiased Variable selection in R)，主要是为计算预测变量和响应变量之间的关系提供了一种新的算法，那么这里的响应变量既可以是连续变量用于回归分析，也可以是因子变量用于分类分析。另外一个我之所以介绍这个软件的原因是，它可以用于处理大规模变量数目大于观测数的数据格式，所以还是很友好的一个软件。因为大多数科研单位都不太可能做到那么大的样本量，除非是豪门！

文章介绍

• 这个方法施琳师姐也是以一作和通讯的身份发表在了Bioinformatics杂志上，让我等有机会拜读。文章标题为Variable selection and validation in multivariate modelling

• 再给个文章截图，有需要的可以自行下载（Open Access，DOI:10.1093/bioinformatics/bty710）

方法原理简介

• 那么从技术分析的角度，MUVR采用的是一种双重复交叉验证（repeated double cross validation, rdCV）的递归式的变量选择方法。MUVR包括了偏最小二乘（partial least squares, PLS）和随机森林（random forest, RF）模型。它有两种变量的选择方法：

1. minimal-optimal variables: 最少-最优变量，主要用于发现具有预测性的生物标记物；

2. all-relevant variables: 全部相关的变量，主要用于生物学呈现和机制研究。

• MUVR的工作原理见下图

包的安装和案例演示

1.包的安装

• 这里建议大家在安装了R软件的同时，安装一个Rstudio软件，这个软件非常友好，提供了很多可视化的界面。然后大家的包的下载，安装以及工作都在Rstudio这个软件上。

library(devtools)

install_git("https://gitlab.com/CarlBrunius/MUVR.git")

library(MUVR)

2.对于Y变量是分类变量的数据

首先要对输入的数据做个说明，这里的预测变量，暂且用大写的X表示，以及响应变量，用Y表示，两个输入数据必须是观测数要要一致（不论是数目还是ID都要相符合）。另外X的变量不能重复，要每一个都是唯一的。另外的一点就是数据的前处理这一块，因为随