/
functions.R
335 lines (321 loc) · 13.7 KB
/
functions.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
#' @title Fonction hypergéométrique de Gauss (hypergeo)
#'
#' @param a Paramètre pour Gauss2F1
#' @param b Paramètre pour Gauss2F1
#' @param c Paramètre pour Gauss2F1
#' @param x Argument principal, nombre réel ou complexe
#'
#' @return Valeur numérique, l'évaluation de la fonction hypergéométrique de Gauss pour les paramètres \code{a}, \code{b}, \code{c} et \code{x}
#' @export
#'
#' @examples
#' Gauss2F1(1/2,1/2,(40-2)/2,1-.75^2)
#'
Gauss2F1 <- function(a,b,c,x){
if(x>=0 & x<1){
Re(hypergeo::hypergeo(a,b,c,x))
}else{
Re(hypergeo::hypergeo(c-a,b,c,1-1/(1-x))/(1-x)^b)
}
}
Gauss2F1<-Vectorize(Gauss2F1, vectorize.args = "x")
#' @title Fonction hypergéométrique de Gauss (gsl)
#'
#' @param a Paramètre pour Gauss2F1
#' @param b Paramètre pour Gauss2F1
#' @param c Paramètre pour Gauss2F1
#' @param x Argument principal, nombre réel ou complexe
#'
#' @return Valeur numérique, l'évaluation de la fonction hypergéométrique de Gauss pour les paramètres \code{a}, \code{b}, \code{c} et \code{x}
#' @export
#'
#' @examples
#' Gauss2F1gsl(1/2,1/2,(40-2)/2,1-.75^2)
#'
Gauss2F1gsl <- function(a,b,c,x){
if(x>=0 & x<1){
gsl::hyperg_2F1(a,b,c,x)
}else{
gsl::hyperg_2F1(c-a,b,c,1-1/(1-x))/(1-x)^b
}
}
Gauss2F1gsl<-Vectorize(Gauss2F1gsl, vectorize.args = "x")
#' @title Corrélation de Bravais-Pearson pour bootstrap ou permutation
#'
#' @param x un vecteur numérique
#' @param y un vecteur numérique
#' @param indices un vecteur d'indices de même longueur que x et y
#'
#' @return Valeur numérique, le coefficient de corrélation de Bravais-Pearson calculé pour la permutation des vecteurs \code{x} et \code{y} spécifiée par le vecteur \code{indices}
#' @export
#'
#' @examples
#' set.seed(1133)
#' rho(rnorm(30),rnorm(30),sample(30))
#'
rho <- function(x, y, indices){
restest <- cor.test(x[indices], y[indices],
method = c("pearson"))
return(restest$estimate)
}
#' @title Densité de rho chapeau, estimateur du coefficient de corrélation de Bravais-Pearson
#'
#' @param rho Valeur en laquelle la densité est évaluée
#' @param rho_0 Valeur de référence pour le coefficient de corrélation de Bravais-Pearson
#' @param n Effectif de l'échantillon
#'
#' @return Valeur numérique, densité au point \code{rho} de l'estimateur, construit à partir d'un échantillon de taille \code{n}, du coefficient de corrélation de Bravais-Pearson, de valeur théorique égale à \code{rho0}, sous hypothèse de normalité multivariée
#' @export
#'
#' @examples
#' corrdist(.7,.8,30)
#'
corrdist <- function (rho, rho_0, n) {
y = (n-2)*gamma(n-1)*(1-rho_0^2)^((n-1)/2)*(1-rho^2)^((n-4)/2)
y = y/(sqrt(2*pi)*gamma(n-1/2)*(1-rho_0*rho)^(n-3/2))
y = y*Gauss2F1(1/2,1/2,(2*n-1)/2,(rho_0*rho+1)/2)
return(y)
}
#' @title Approximation de la densité de rho chapeau, estimateur du coefficient de corrélation de Bravais-Pearson
#'
#' @param rho Valeur en laquelle la densité est évaluée
#' @param rho_0 Valeur de référence pour le coefficient de corrélation de Bravais-Pearson
#' @param n Effectif de l'échantillon
#'
#' @return Valeur numérique, approximation de la densité au point \code{rho} de l'estimateur, construit à partir d'un échantillon de taille \code{n}, du coefficient de corrélation de Bravais-Pearson, de valeur théorique égale à \code{rho0}, sous hypothèse de normalité multivariée
#' @export
#'
#' @examples
#' corrdistapprox(.7,.8,30)
#'
corrdistapprox <- function (rho, rho_0, n) {
y = (n-2)*gamma(n-1)*(1-rho_0^2)^((n-1)/2)*(1-rho^2)^((n-4)/2)
y = y/(sqrt(2*pi)*gamma(n-1/2)*(1-rho_0*rho)^(n-3/2))
y = y*(1+1/4*(rho_0*rho+1)/(2*n-1)+9/32*(rho_0*rho+1)^2/
(2*n-1)/(2*n+1))
return(y)
}
#' @title Meilleure approximation de la densité de rho chapeau, estimateur du coefficient de corrélation de Bravais-Pearson
#'
#' @param rho Valeur en laquelle la densité est évaluée
#' @param rho_0 Valeur de référence pour le coefficient de corrélation de Bravais-Pearson
#' @param n Effectif de l'échantillon
#'
#' @return Valeur numérique, approximation de la densité au point \code{rho} de l'estimateur, construit à partir d'un échantillon de taille \code{n}, du coefficient de corrélation de Bravais-Pearson, de valeur théorique égale à \code{rho0}, sous hypothèse de normalité multivariée
#' @export
#'
#' @examples
#' corrdistapprox2(.7,.8,30)
#'
corrdistapprox2 <- function (rho, rho_0, n) {
y = (n-2)*gamma(n-1)*(1-rho_0^2)^((n-1)/2)*(1-rho^2)^((n-4)/2)
y = y/(sqrt(2*pi)*gamma(n-1/2)*(1-rho_0*rho)^(n-3/2))
y = y*(
1+1/4*(rho_0*rho+1)/(2*n-1)+
9/32*(rho_0*rho+1)^2/(2*n+1)/(2*n-1)+
75/128*(rho_0*rho+1)^3/((2*n+3)*(4*n^2-1))+
3675/2048*(rho_0*rho+1)^4/((2*n+3)*(2*n+5)*(4*n^2-1))+
59535/8192*(rho_0*rho+1)^5/((2*n+3)*(2*n+5)*(2*n + 7)*(4*n^2-1))
)
return(y)
}
#' @title Test exact du coefficient de corrélation de Bravais-Pearson avec une référence non nécessairement nulle
#'
#' @param corobs Valeur observée du coefficient de corrélation de Bravais-Pearson
#' @param rho_0 Valeur de référence pour le coefficient de corrélation de Bravais-Pearson
#' @param n Effectif de l'échantillon
#'
#' @return Valeur numérique, p$valeur calculée de manière exacte du test avec la référence \code{rho0} du coefficient de corrélation de Bravais-Pearson sous hypothèse de normalité multivariée
#' @export
#'
#' @examples
#' ref.cor.test(corobs=.7,rho_0=.8,n=30)
#'
ref.cor.test <- function(corobs, rho_0, n){
if(corobs<rho_0){
return(2*integrate(corrdist, lower=-1, upper=corobs,
rho_0=rho_0, n=n)$value)
}
if(corobs>rho_0){
return(2*integrate(corrdist, lower=corobs, upper=1,
rho_0=rho_0, n=n)$value)
}
if(corobs==rho_0){
return(1)
}
}
#' @title Test exact matriciel du corrélation de Bravais-Pearson avec une référence non nécessairement nulle
#'
#' @param mat Matrice des données
#' @param matrho_0 Matrice des valeurs de référence pour chacun des coefficients de corrélation de Bravais-Pearson
#'
#' @return Liste comportant trois matrices : la matrice des p-valeurs, la matrice des coefficients de corrélations observés et la matrice des effectifs ayant servis au calcul de ces coefficients de corrélation
#' @export
#'
#' @examples
#' data(Mesures5,package="BioStatR")
#' Mes5_red_lr = subset(Mesures5[,-5],subset=Mesures5$espece=="laurier rose")
#' ref.cor.mtest(Mes5_red_lr[,c("masse","taille","masse_sec")],0.7)
#'
ref.cor.mtest = function (mat, matrho_0)
{
mat <- as.matrix(mat)
n <- ncol(mat)
if(is.vector(matrho_0) & length(matrho_0)==1){matrho_0=
matrix(matrho_0,nrow=n,ncol=n)}
p.mat <- cor.mat <- nval.mat <- matrix(NA, n, n)
diag(p.mat) <- 0
diag(cor.mat) <- 1
diag(nval.mat) <- colSums(!is.na(mat))
for (i in 1:(n-1)) {
for (j in (i+1):n) {
cor.mat[i,j] <- cor.mat[j,i] <- cor(x = mat[,i],
y = mat[,j],method="pearson",use="pairwise.complete.obs")
nval.mat[i,j]<- nval.mat[j,i]<- nrow(na.omit(mat[,c(i,j)]))
p.mat[i,j]<- p.mat[j,i]<- ref.cor.test(corobs=cor.mat[i,j],
rho_0=matrho_0[i,j], n=nval.mat[i,j])
}
}
list(p = p.mat, cor = cor.mat, n=nval.mat)
}
#' @title Test par permutation d'une matrice de corrélations de Bravais-Pearson
#'
#' @param mat Matrice des données
#' @param alternative Type d'hypothèses bilatéral, unilatéral inférieur ou supérieur
#' @param method Méthode de calcul de corrélation Pearson ou Spearman
#' @param num.sim Nombre de simulations
#' @param ... Paramètre suplémentaires transmis à la fonction cor
#'
#' @return Liste de deux éléments : matrice p.mat (matrice des p-valeurs des tests) et matrice cor.mat (matrice des valeurs observées des coefficients de corrélation de Bravais-Pearson)
#' @export
#'
#' @examples
#' data(Mesures5,package="BioStatR")
#' Mes5_red_gv = subset(Mesures5[,-5],subset=Mesures5$espece=="glycine violette")
#' perm.cor.mtest(Mes5_red_gv,num.sim=100)
#'
perm.cor.mtest = function(mat, alternative= "two.sided",
method= "pearson", num.sim= 20000, ...)
{
mat <- as.matrix(mat)
n <- ncol(mat)
p.mat <- cor.mat <- matrix(NA, n, n)
diag(p.mat) <- 0
diag(cor.mat) <- 1
for (i in 1:(n-1)) {
for (j in (i + 1):n) {
tmp <- jmuOutlier::perm.cor.test(x = mat[, i], y = mat[, j],
alternative=alternative, method=method,
num.sim=num.sim)
p.mat[i, j] <- p.mat[j, i] <- tmp$p.value
cor.mat[i, j] <- cor.mat[j, i] <- cor(x = mat[, i],
y = mat[, j], method=method, ...)
}
}
list(p = p.mat, cor = cor.mat)
}
#' @title Matrice de corrélation de Bravais-Pearson, bootstrap ou permutation
#'
#' @param mat Matrice des données
#' @param indices Vecteur d'indices dont la longueur est égale au nombre de lignes de la matrice
#'
#' @return Matrice des corrélations de Bravais-Pearson des données permutées
#' @export
#'
#' @examples
#' data(Mesures5,package="BioStatR")
#' Mes5_red_gv = subset(Mesures5[,-5],subset=Mesures5$espece=="glycine violette")
#' set.seed(1133)
#' rho.mult(Mes5_red_gv[,c("masse","taille","masse_sec")],sample(nrow(Mes5_red_gv)))
#'
rho.mult <- function(mat, indices){
tempcor <- as.vector(cor(x = mat[indices, ], method="pearson",
use="pairwise.complete.obs"))[outer(1:ncol(mat),1:ncol(mat),">")]
return(tempcor)
}
#' @title Intervalles de confiance bootstrap pour une matrice de corrélation de Bravais-Pearson
#'
#' @param mat Matrice des données
#' @param boot.mcor.res Résultat du bootstrap de la matrice de corrélation de Bravais-Pearson
#' @param conflevel Niveau de confiance pour les intervalles
#'
#' @return Liste de quatre éléments : matrice des limites inférieures des intervalles de confiance bootstrap percentile, matrice des limites supérieures des intervalles de confiance bootstrap percentile, matrice des limites inférieures des intervalles de confiance bootstrap BCa, matrice des limites supérieures des intervalles de confiance bootstrap BCa
#' @export
#'
#' @examples
#' data(Mesures5,package="BioStatR")
#' Mes5_red_lr = subset(Mesures5[,-5],subset=Mesures5$espece=="laurier rose")
#' library(boot)
#' boot.mcor <- boot(Mes5_red_lr[,c("masse","taille","masse_sec")], rho.mult, R=1000)
#' boot.mcor
#' boot.mcor.ic.res <- boot.mcor.ic(Mes5_red_lr[,c("masse", "taille","masse_sec")],boot.mcor)
#' boot.mcor.ic.res
#'
boot.mcor.ic <- function(mat, boot.mcor.res, conflevel = 0.95){
indboot.ci=function(i,type, conf = 0.95){
if(type=="perc")
return(boot.ci(boot.mcor.res,index=i,type=type,conf=conf)$perc)
if(type=="bca")
return(boot.ci(boot.mcor.res,index=i,type=type,conf=conf)$bca)
}
bootperc <- matrix(unlist(lapply(1:ncol(mat),indboot.ci,type=
"perc",conf=conflevel)),ncol=5,byrow=TRUE)
bootabc <- matrix(unlist(lapply(1:ncol(mat),indboot.ci,type=
"bca",conf=conflevel)),ncol=5,byrow=TRUE)
cor.ic.percentile.low=matrix(NA,ncol(mat),ncol(mat))
diag(cor.ic.percentile.low) <- 1
cor.ic.percentile.low[outer(1:ncol(mat),1:ncol(mat),">")]<-bootperc[,4]
cor.ic.percentile.low[outer(1:ncol(mat),1:ncol(mat),"<")]<-bootperc[,4]
cor.ic.percentile.up=matrix(NA,ncol(mat),ncol(mat))
diag(cor.ic.percentile.up) <- 1
cor.ic.percentile.up[outer(1:ncol(mat),1:ncol(mat),">")]<-bootperc[,5]
cor.ic.percentile.up[outer(1:ncol(mat),1:ncol(mat),"<")]<-bootperc[,5]
cor.ic.BCa.low=matrix(NA,ncol(mat),ncol(mat))
diag(cor.ic.BCa.low) <- 1
cor.ic.BCa.low[outer(1:ncol(mat),1:ncol(mat),">")]<-bootabc[,4]
cor.ic.BCa.low[outer(1:ncol(mat),1:ncol(mat),"<")]<-bootabc[,4]
cor.ic.BCa.up=matrix(NA,ncol(mat),ncol(mat))
diag(cor.ic.BCa.up) <- 1
cor.ic.BCa.up[outer(1:ncol(mat),1:ncol(mat),">")]<- bootabc[,5]
cor.ic.BCa.up[outer(1:ncol(mat),1:ncol(mat),"<")]<-bootabc[,5]
return(list(cor.ic.percentile.low=cor.ic.percentile.low,
cor.ic.percentile.up=cor.ic.percentile.up,cor.ic.BCa.low=
cor.ic.BCa.low,cor.ic.BCa.up=cor.ic.BCa.up))
}
#' @title Ellipse ou intervalles de confiance pour une paire de paramètres d'un modèle linéaire
#'
#' @param g Modele linéaire
#' @param a Premier paramètre de l'ellipse
#' @param b Second paramtère de l'ellipse
#' @param which Type de région de confiance : 1 (ellipse autour des deux paramètres), 2 (rectangle autour du premier paramètre, axe des x) et 3 (rectangle autour du second paramètre, axes des y)
#' @param col Couleur de remplissage de la région de confiance
#'
#' @return NULL
#' @export
#'
#' @examples
#' data(Mesures,package="BioStatR")
#' Mes.B = subset(Mesures,Mesures$espece=="bignone")
#' model2<-lm(masse~taille+I(taille^2),data=Mes.B)
#' my.confidence.region(model2, which=1)
#' my.confidence.region(model2, which=2)
#' my.confidence.region(model2, which=3)
#'
my.confidence.region <- function(g,a=2,b=3,which=0,col="pink"){
e <- ellipse::ellipse(g,c(a,b))
x <- g$coef[a]; y <- g$coef[b]
cf <- summary(g)$coefficients
ia <- cf[a,2]*stats::qt(.975,g$df.residual)
ib <- cf[b,2]*stats::qt(.975,g$df.residual)
xmin <- min(e[,1]); xmax <- max(e[,1])
ymin <- min(e[,2]); ymax <- max(e[,2])
graphics::plot(e, type="l", xlim=c(xmin,xmax), ylim=c(ymin,ymax))
if(which==1){graphics::polygon(e,col=col) }
else if(which==2){graphics::rect(x-ia,par("usr")[3],x+ia,par("usr")[4],
col=col,border=col)}
else if(which==3){graphics::rect(par("usr")[1],y-ib,par("usr")[2],y+ib,
col=col,border=col)}
lines(e); points(x,y,pch=18)
graphics::abline(v=c(x+ia,x-ia),lty=2); graphics::abline(h=c(y+ib,y-ib),lty=2)
graphics::points(0,0); graphics::abline(v=0,lty="F848"); graphics::abline(h=0,lty="F848")
}