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$sex), ])ggplot+
geom_hitoam(bns=3, psition= psiion_dggplot(aes(x=prth, filsex), data=br203[!is.nbrfs03$ex), ]) +
gem_istrm(ns=30, postn = poiioge())sumary(brss3$ex)以上三个图显示了男性和女性对过去30天内身体、心理和两者都不好的天数的数据分布。我们可以看到女性受访者远多于男性受访者。
研究问题2：
by_mnt <- bs201 %>% fier(iyr=='2013') %>% gop_by(imnth, ghlh) %>% sumaie(n=n())
ggpt(aes(x=ionh, y=n, fill = gehh), data = b_mh[!is.na(by_mt$gehlh), ]) + go_bar(stat = 'idnty', ostin = posion_doe())by_mnh1 <- brs13 %>% ftr(iyar=='2013') %>% grup_y(imnh) %>% surse(n=n())
gglot(aes(x=imnh, y=n), daa=bymth1) + gem_ar(stat = 'dentty') 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：
plot(brs203$iome2, brfs13$ltpn1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。
slectedfss - brfs2013[vars]
selced_rf$tolhi2 <- iflse(seeted_fss$todh2=="Yes", 1, 0)
corrmarix <- cor(selced_bfss)
corplot(corr.atri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"。
vr1 <- names(brs013) %in% c('smoke0', 'aedrk2', 'bphg4', 'tldhi2', 'wht', 'cdsrk3')
sroe <- brfs203[vars1]将'NA'值替换为'No'。
4 <- repce(strebh, whch(is.na(stroke$bpig4)), "No")whih(is.na(stroke$soke10)), 'No')将'NA'值替换为平均值。
mean(strke$avedrnk2,.rm = T)stoke$vdrk2 <- replce(stoe$aednk2, whch(is.nastroe$avednk2)), 2)查看将用于建模的数据。
hed(sroe)
sumary(sroe)将结果转换为二元结果。
strke$vdrk3 <- ifelestrok$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
test <- stre[390001:491775,]
odel <- glm(cvdtrk3 ~.,famly=biomil(link = 'logit'),at=trin)
summary(mdel)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。
anva(modl, tet="Chiq")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
fite.result <- ifelse(fited.ults > 0.5,1,0)
misCasifEror <- mean(ftted.reuts != testvdtk3)
prnt(pase('Accuracy',1misClasiicEror))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）。
p <- predicodel, newdat=est, te="response")
pr <- prdition(p, tet$cdstrk3)
auc <- uc@y.vaus[[1]]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。
最受欢迎的见解
3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现