FDR 校正 - 从 lmer() 中提取 p 值并创建用于 R 中的 p.adjust 的向量

Question

我正在尝试对某些感兴趣的神经影像学数据进行FDR校正。我总共运行了 18 个线性混合效应模型，并确保每个模型中输出中的系数顺序相同。

我将每个模型的输出保存在下面：

tidy_model1 <-tidy(model1)
tidy_model2 <-tidy(model2)
....
tidy_model18 <-tidy(model18)

我现在正试图让我的生活更轻松，并创建一个循环，该循环遍历具有上述模型对象名称的列表，并为每个系数创建一个 p 值向量，然后我将在 p.adjust 函数中输入该向量以检索调整后的 p 值。

所以我创建了一个列表：

model_list <- list(tidy_model1,
tidy_model2,... tidy_model18)

我尝试了以下循环：

for (i in 1:18) {
model_list[i] %>%
variable1_pval <- p.value[1]
}

和

for (i in 1:18) {
variable1_pval <- model_list[i]$p.value[1]
}

因此，上面应该为我提供模型系数 1 的 p 值向量。

但是，在这两种情况下我都会得到一个空向量。

我知道我没有提供我的数据，但欢迎任何关于为什么这些循环可能不起作用的建议！

谢谢

Answer 1

我做了一个模型列表：

library(nlme)
library(broom)
models <- lapply(1:5,function(i){
idx= sample(nrow(Orthodont),replace=TRUE)
lme(distance ~ age, random=~Sex,data = Orthodont[idx,])
})
model_list <- lapply(models,tidy,effects="fixed")

在这些模型中，有用系数是第二个：

model_list[[1]]
# A tibble: 2 x 5
term        estimate std.error statistic  p.value
<chr>          <dbl>     <dbl>     <dbl>    <dbl>
1 (Intercept)   15.9      1.03       15.5  7.77e-26
2 age            0.739    0.0871      8.48 9.13e-13

您可以在像这样的向量中获取 p 值，对于您的示例，请使用 p.value1：

sapply(model_list,function(x)x$p.value[2])

跟踪模型而不是用变量填充环境的更好方法是使用 purrr，dplyr(在此处查看更多内容(：

library(purrr)
library(dplyr)
models = tibble(name=1:5,models=models) %>%
mutate(tidy_res = map(models,tidy,effects="fixed"))
models
# A tibble: 5 x 3
name models tidy_res        
<int> <list> <list>          
1     1 <lme>  <tibble [2 × 5]>
2     2 <lme>  <tibble [2 × 5]>
3     3 <lme>  <tibble [2 × 5]>
4     4 <lme>  <tibble [2 × 5]>
5     5 <lme>  <tibble [2 × 5]>
models %>% unnest(tidy_res) %>% filter(term=="age")
# A tibble: 5 x 7
name models term  estimate std.error statistic  p.value
<int> <list> <chr>    <dbl>     <dbl>     <dbl>    <dbl>
1     1 <lme>  age      0.587    0.0601      9.77 2.44e-15
2     2 <lme>  age      0.677    0.0663     10.2  3.91e-16
3     3 <lme>  age      0.588    0.0603      9.74 3.05e-15
4     4 <lme>  age      0.653    0.0529     12.3  2.74e-20
5     5 <lme>  age      0.638    0.0623     10.2  3.34e-16