首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

95%CI输出问题-R中的gtsummary包

gtsummary是一个用于生成高质量统计表格的R包。它提供了一种简单而灵活的方式来创建描述性统计表、回归模型摘要表和生存分析表等。在使用gtsummary包时,如果需要输出95%置信区间(95% confidence interval),可以通过设置conf.int参数来实现。

在gtsummary包中,conf.int参数用于控制置信区间的输出。默认情况下,gtsummary会根据变量的类型自动选择合适的置信区间计算方法。对于连续变量,gtsummary使用t分布方法计算置信区间;对于二分类变量,gtsummary使用Wilson方法计算置信区间;对于多分类变量,gtsummary使用Wald方法计算置信区间。

如果想要输出95%置信区间,可以将conf.int参数设置为0.95。例如,使用tbl_summary函数生成描述性统计表时,可以使用以下代码来输出95%置信区间:

代码语言:txt
复制
library(gtsummary)

# 创建示例数据
data <- data.frame(
  group = rep(c("A", "B"), each = 50),
  value = c(rnorm(50, mean = 10, sd = 2), rnorm(50, mean = 12, sd = 2))
)

# 使用gtsummary生成描述性统计表,并输出95%置信区间
tbl_summary(data, 
            by = group, 
            statistic = list(all_continuous() ~ "{mean} ({conf.low}, {conf.high})"),
            conf.int = 0.95)

上述代码中,tbl_summary函数用于生成描述性统计表。通过设置statistic参数,我们可以指定要显示的统计量及其格式。在这里,我们使用"{mean} ({conf.low}, {conf.high})"的格式来显示均值和95%置信区间。

需要注意的是,gtsummary包是腾讯云的产品,它提供了丰富的功能和灵活的定制选项,适用于各种数据分析和报告需求。更多关于gtsummary包的信息和使用示例,可以参考腾讯云的官方文档:gtsummary包官方文档

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

「R」元分析:谁更能从治疗中获益?

metawho是一个非常简单的R包,实现了deft 元分析方法(见后面参考文献),相比于之前的元分析方法,deft方法先在研究内进行比较,然后再评估所有研究结论的一致性。该方法被我用于19年发表的文章(见参考文献)中,不过当时我是基于metafor包用几行代码试了一下,然后用邮件咨询文章作者,他使用的是Stata,开发了一个叫ipdmetan的包(比我厉害多了~),最后也是使用stata画的图放在文章里。因为Stata的结果和我使用几行代码的结果一致,所以我在去年7,8月左右想实现一个R版本,在Github创建了相应的仓库。因为对元分析一知半解,当时对包开发也是力不从心,后面请教作者想了解下它开发的stata包的结构也没用回信,此时就不了了之了。

00

额叶-小脑连接介导认知加工速度

加工速度是理解认知的重要概念。本研究旨在控制任务特异性,以了解认知加工速度背后的神经机制。对40名被试执行两种方式(听觉和视觉)和两种水平的任务规则(相容和不相容)的注意任务。block设计的功能磁共振成像在任务过程中捕捉到了BOLD信号。参考公开的用于处理速度的任务激活图,定义了13个感兴趣区域。认知速度是从任务反应时间得出的,这产生了六组连接性测量。混合效应LASSO回归显示,有六条重要路径提示了小脑-额叶网络预测认知速度。其中,3例为长程(2例额叶-小脑,1例小脑-额叶),3例短程(额叶-额叶、小脑-小脑和小脑-丘脑)。长距离的连接可能与认知控制有关,而短距离的连接可能与基于规则的刺激-反应过程有关。揭示的神经网络表明,按照任务规则执行操作,自动性与自上而下努力控制注意力相互作用,解释了认知速度。 1 简述 本研究旨在通过使用一系列简单的视觉和听觉通道的刺激-反应(S-R)映射任务来解决可能的任务相关偏差。这个多任务设计目的是解决上面提到的特定于形态和功能偏向的。箭头任务最初是一种视觉S-R兼容性任务,为了更好地控制所需的感觉运动处理时间,回答涉及到关于所看到或听到的内容的简单反应,箭头任务后来被改编成视觉和听觉形式(图1)。为了减少任务转换效应和交叉试验的不确定性,我们采用了分组设计,而不是与事件相关的设计。此外,我们的目标是解决以前的研究中的方法论缺陷,这些研究利用皮尔逊的相关性和心理生理学相互作用(PPI)来建立基于连接性的模型来预测加工速度。在这项研究中,我们建立了六个连通性指标,包括四个基于多变量的指数,用于进行模型比较。通过将控制任务的反应时与控制感觉运动成分的实验任务的反应时进行回归,构造了一个认知速度变量。功能关联性模型的建立基于混合效应套索回归。据我们所知,本文在该领域首次采用跨通道多任务设计,并比较了6种方法对区域间交互作用辅助处理速度的建模结果。 2 方法 2.1 被试 从当地社区招募了40名年龄在18-28岁的健康年轻人参与研究。他们都有高中或以上学历。最终样本包括35名参与者(21.5±2.1岁,14名女性),其中5名参与者被排除在分析之外。 2.2 处理速度任务 箭头任务被用来测量加工速度。它包括一个双选择S-R映射任务,具有相容(COM)、不相容(INC)和简单RT控制条件(NEU)(图1)。在COM中,参与者在出现向上箭头时按下“向上”按钮,在出现向下箭头时按下“向下”按钮(图1)。在INC中,参与者按下“向上”键表示向下箭头,按“向下”键表示向上箭头。实验涉及参与者在观看一条没有箭头的垂直线时按下任何按钮。因为在这些条件下出现的刺激是视觉图像,所以它们被称为COMVIS、INC-VIS和NEU-VIS。相同条件的听觉版本是COM-AUD、INC-AUD和NEU-AUD,向上箭头、向下箭头和垂直线分别被高音、低音和中音代替。

01
领券