© Institut biostatistiky a analýz
RNDr. Eva Koriťáková, Ph.D.
Vícerozměrné metody - cvičení
Cvičení 2
Vícerozměrné normální rozdělení
a vícerozměrný t-test
2Koriťáková: Vícerozměrné metody - cvičení
Vícerozměrné normální
rozdělení
3Koriťáková: Vícerozměrné metody - cvičení
Motivace
4
Histogram of x3
x3
Frequency
60 65 70 75 80 85 90 95
0102030
60 65 70 75 80 85 90 95
Diastolický tlak μ
σ
Histogram Hustota jednorozměrného
normálního rozdělení
Motivace – pokračování
5
Dvourozměrný
histogram
Hustota dvourozměrného
normálního rozdělení
Koriťáková: Vícerozměrné metody - cvičení
Vícerozměrné normální rozdělení
6
𝑓 x1, … , x 𝑘 =
1
2𝜋 𝑘 Σ
∙ exp −
1
2
𝐱 − 𝝁 𝑇
𝚺−1
𝐱 − 𝛍
Hustota vícerozměrného normálního rozdělení:
𝛍 - vektor středních hodnot 𝚺 - kovarianční matice
Hustota dvourozměrného normálního rozdělení:
ρ - korelace mezi X a Y;
σ – směrodatná odchylka
𝑓 x =
1
2𝜋 𝜎2
∙ exp −
x − μ 2
2𝜎2
Hustota jednozměrného normálního rozdělení:
μ - střední hodnota σ2 – rozptyl
Koriťáková: Vícerozměrné metody - cvičení
Hustota u nekorelovaných a korelovaných proměnných
7Koriťáková: Vícerozměrné metody - cvičení
-3 -2 -1 0 1 2 3
-3-2-10123
0.02
0.04
0.06
0.08
0.1
0.12
0.14
-1 0 1 2 3
0.02
0.04
0.06
0.08
0.1
0.12
0.14
-3 -2 -1 0 1 2 3-3-2-10123
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
-1 0 1 2 3
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
x1
x1
x2
x2
x1
x2f(x1,x2)
x1
x2f(x1,x2)
A)
B)
-3 -2 -1 0 1 2 3
-3-2-10123
0.02
0.04
0.06
0.08
0.1
0.12
0.14
-1 0 1 2 3
0.02
0.04
0.06
0.08
0.1
0.12
0.14
-3 -2 -1 0 1 2 3
-3-2-10123
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
-1 0 1 2 3
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
x1
x1
x2
x2
x1
x2f(x1,x2)
x1
x2f(x1,x2)
A)
B)
Nekorelované proměnné
(μ1 = μ2 = 0, σ1 = σ2 =1,
ρ= 0)
Korelované proměnné
(μ1 = μ2 = 0, σ1 = σ2 =1,
ρ= 0,5)
Vícerozměrný průměr a kovarianční matice
• vícerozměrný průměr (např. pro datový soubor se 2 proměnnými):
• výběrová kovarianční matice (např. pro datový soubor se 2 proměnnými):
8Koriťáková: Vícerozměrné metody - cvičení
ത𝐱 =
1
𝑛
෍
𝑖=1
𝑛
x 𝑖1
1
𝑛
෍
𝑖=1
𝑛
x 𝑖2
𝐒 =
s11 s12
s21 s22
, kde s11 =
1
𝑛−1
σ𝑖=1
𝑛
x 𝑖1 − തx1
2
Výpočet rozptylu a směrodatné odchylky - opakování
9Koriťáková: Vícerozměrné metody - cvičení
• Příklad čtverců odchylek od průměru pro n = 3.
• Rozptyl je možno značně ovlivnit odlehlými pozorováními.




n
i
i xx
n
s
1
22
)(
1
1
0,269 0,547 0,638 0,733
x1 x2 x3x
Rozptyl:
Směrodatná odchylka:




n
i
i xx
n
s
1
2
)(
1
1
Úkol 1
• Spočtěte vícerozměrný průměr a výběrovou kovarianční matici pro soubor
3 subjektů, u nichž byly naměřeny hodnoty objemu hipokampu a
mozkových komor, přičemž naměřené hodnoty byly zaznamenány do
následující datové matice:
10Koriťáková: Vícerozměrné metody - cvičení
𝐗 =
2 12
4 10
3 8
Úkol 1 - řešení
11
Vícerozměrný průměr:
ത𝐱 =
1
𝑛
෍
𝑖=1
𝑛
x 𝑖1
1
𝑛
෍
𝑖=1
𝑛
x 𝑖2 =
1
3
2 + 4 + 3
1
3
12 + 10 + 8 = 3 10
s11 =
1
𝑛−1
σ𝑖=1
𝑛
x 𝑖1 − തx1
2
=
1
3−1
2 − 3 2
+ 4 − 3 2
+ 3 − 3 2
=
1
2
1 + 1 + 0 = 1
ID
Objem
hipokampu
Objem
mozkových komor
1 2 12
2 4 10
3 3 8
1 2 3 4 5
7
8
9
10
11
12
13
Objem hipokampu
Objemmozkovýchkomor
Kovarianční matice:
→ 𝐒 =
1 −1
−1 4
ID
Objem
hipokampu
Objem
mozkových komor
1 2 12
2 4 10
3 3 8
s22 =
1
𝑛−1
σ𝑖=1
𝑛
x 𝑖2 − തx2
2
=
1
3−1
12 − 10 2
+ 10 − 10 2
+ 8 − 10 2
= 4
s21 = s12 =
1
𝑛−1
σ𝑖=1
𝑛
x 𝑖1 − തx1 x 𝑖2 − തx2 =
1
3−1
൫ 2 − 3 12 − 10 +
𝐒 =
s11 s12
s21 s22
, kde:
Koriťáková: Vícerozměrné metody - cvičení
Je normalita v jednorozměrném prostoru jedinou
podmínkou vícerozměrné normality?
12
+
5 6 7 8 9 10 11 12 13 14 15
0
50
100
150
200
250
300
350
400
6 7 8 9 10 11 12 13 14
0
50
100
150
200
250
300
350
400
Koriťáková: Vícerozměrné metody - cvičení
Je normalita v jednorozměrném prostoru jedinou
podmínkou vícerozměrné normality?
13
+
6.0
6.5
7.0
7.5
8.0
8.5
9.0
9.5
10.0
10.5
11.0
11.5
12.0
12.5
13.0
13.5
14.0
0
20
40
60
80
100
120
140
160
180
200
6.0
6.5
7.0
7.5
8.0
8.5
9.0
9.5
10.0
10.5
11.0
11.5
12.0
12.5
13.0
13.5
14.0
0
20
40
60
80
100
120
140
160
180
200
Koriťáková: Vícerozměrné metody - cvičení
Je normalita v jednorozměrném prostoru jedinou
podmínkou vícerozměrné normality?
14
+
5 6 7 8 9 10 11 12 13 14 15
0
50
100
150
200
250
300
350
400
6 7 8 9 10 11 12 13 14
0
50
100
150
200
250
300
350
400
Vícerozměrná odlehlá
hodnota (outlier)
Koriťáková: Vícerozměrné metody - cvičení
Ověření dvourozměrné normality
15
Bagplot = „bivariate boxplot“ (tzn. „dvourozměrný krabicový graf“)
v softwaru Statistica: Graphs – 2D Graphs – Bag Plots
Koriťáková: Vícerozměrné metody - cvičení
Ověření dvourozměrné normality
16
Vykreslení regulační elipsy („control“ elipse):
v softwaru Statistica: Graphs – Scatterplots – na záložce Advanced zvolit Elipse Normal
Koriťáková: Vícerozměrné metody - cvičení
Normalizace dat
• Převod na normální rozdělení (normalita je předpokladem řady
statistických testů).
• Např. logaritmická transformace: X = ln(Y) nebo X = ln(Y+1), pokud data
obsahují hodnotu 0
• Další příklady:
– odmocninová transf. (pro proměnné s Poissonovým rozložením nebo
obecně data typu počet jedinců, buněk apod.: nebo
– arcsin transfomace (pro proměnné s binomickým rozložením)
– Box-Coxova tranformace
f(y)
y
f(x)
ln (y)
X = ln(Y)
Asymetrické rozdělení Normální rozdělení
Medián Průměr
Medián PrůměrGeometrický průměr
YX  1 YX
17Koriťáková: Vícerozměrné metody - cvičení
Další typy transformací vícerozměrných dat
• standardizace dat
• min-max normalizace
• centrování dat
• odstranění vlivu kovariát na jiné proměnné
18Koriťáková: Vícerozměrné metody - cvičení
Standardizace dat
• důvod: převod proměnných na stejné měřítko
• standardizace: 𝑧𝑖 =
𝑥 𝑖− ҧ𝑥
𝑠
(tzn. odečtení průměru od jednotlivých hodnot a
podělení směrodatnou odchylkou)
• proměnné budou mít rozsah přibližně od -3 do 3
• získáme tím současně i tzv. z-skóre (které vyjadřuje, o kolik směrodatných
odchylek se i-tá hodnota odchýlila od průměru)
19
• pozor: standardizace je nevhodná v případě, když proměnné nemají
normální rozdělení a když se v datech vyskytují odlehlé hodnoty!!!
Koriťáková: Vícerozměrné metody - cvičení
Min-max normalizace
• důvod: převod proměnných na stejné měřítko
• oproti standardizaci vhodná i na proměnné nemající normální rozdělení či
obsahující odlehlé hodnoty
• min-max normalizace: 𝑦𝑖 =
𝑥 𝑖−min 𝑥
max 𝑥 −min 𝑥
• rozsah hodnot proměnných po min-max normalizaci je od 0 do 1
20Koriťáková: Vícerozměrné metody - cvičení
Centrování dat
• odečtení průměru od dat – získáme novou proměnnou, která bude mít
průměr roven nule
• důvod: centrování je důležitou podmínkou některých pokročilých
statistických metod (např. klasifikačních)
• centrování: 𝑧𝑖 = 𝑥𝑖 − ҧ𝑥
21Koriťáková: Vícerozměrné metody - cvičení
1. V prvním kroku definujeme regresní model vztahu kovariáty (např. věku) a dané proměnné
2. Pro každého pacienta je vypočteno jeho reziduum od regresní přímky
3. Reziduum (představující hodnotu parametru po odečtení vlivu věku, jeho průměr je 0) je
přičteno k průměrné hodnotě parametru
4. Výsledná adjustovaná hodnota má odečten vliv věku, ale zároveň není změněna číselná
hodnota parametru
22
Původní data Adjustovaná data
Odstranění vlivu kovariát (tzv. adjustace)
Věk Věk
Věk Věk
Objem komor Objem komor
Objemmozkovýchkomor
Koriťáková: Vícerozměrné metody - cvičení
Objemmozkovýchkomor
Transformace dat pomocí softwaru SPSS I
• Logaritmická transformace:
• Transform -> Compute Variable -> Target Variable: název nové proměnné (např.
vaha_log) -> Function group: Arithmetic -> Functions and Special Variables: vybrat
Ln a přetáhnout do okna Numeric Expresssion -> do argumentu funkce vložíme
vybranou proměnnou (např. vaha)
23Koriťáková: Vícerozměrné metody - cvičení
Transformace dat pomocí softwaru SPSS II
• Standardizace dat:
Analyze -> Descriptive Statistics -> Descriptives -> Variables: vybrat
proměnnou (např. vek) -> zatrhnout Save standardized values as variables
-> OK
• Min-max normalizace:
Transform -> Compute Variable -> Target Variable: zadat jméno nové
proměnné (např. vyska_norm) -> Numeric Expression: vybrat proměnnou,
kterou chceme normalizovat, a dopsat vzoreček (např. (vyska-155)/(197-155))
• Centrování dat:
Transform -> Compute Variable -> Target Variable: zadat jméno nové
proměnné (např. vyska_centr) -> Numeric Expression: vybrat proměnnou,
kterou chceme centrovat, a přidat minus průměrná hodnota (např. vyska -
172.24)
• Odstranění vlivu kovariát:
Analyze -> Regression -> Linear -> zvolit proměnné (např. cel_cholesterol jako
Dependent, vek... jako Independent(s)); na záložce Save zaškrtnout při
Residuals: Standardized nebo Unstandardized podle toho, co nám vyhovuje
-> Continue -> OK; případně lze vytvořit novou proměnnou pomocí Compute
Variable, která bude součtem RES_1 a průměru původní proměnné
24Koriťáková: Vícerozměrné metody - cvičení
Transformace dat pomocí softwaru Statistica I
• Logaritmická transformace:
Označit proměnnou za proměnnou, kterou chceme logaritmovat -> kliknout
pravým tlačítkem myši -> Add Variables -> Name -> zadat název nové
proměnné (např. vaha_log) -> do Long name napsat =Log(vaha) (Pozor,
v softwaru STATISTICA je přirozený logaritmus označen jako Log(x) místo
Ln(x)!) -> OK
• Standardizace dat:
Označit proměnnou za proměnnou, kterou chceme standardizovat -> kliknout
pravým tlačítkem myši -> Add Variables -> Name -> zadat název nové
proměnné (např. vek_st) -> do Long name napsat =vek -> OK -> Data ->
Standardize... -> OK
• Min-max normalizace:
Označit proměnnou za proměnnou, kterou chceme centrovat-> kliknout
pravým tlačítkem myši -> Add Variables -> Name -> zadat název nové
proměnné (např. vyska_centr) -> do Long name napsat =(vyska-155)/(197-
155)(minimum a maximum vypočítané pomocí Descriptive statistics) -> OK
25Koriťáková: Vícerozměrné metody - cvičení
Transformace dat pomocí softwaru Statistica II
• Centrování dat:
Označit proměnnou za proměnnou, kterou chceme centrovat-> kliknout
pravým tlačítkem myši -> Add Variables -> Name -> zadat název nové
proměnné (např. vyska_centr) -> do Long name napsat =vyska-172.24
(průměr vypočítaný pomocí Descriptive statistics) -> OK
• Odstranění vlivu kovariát:
Statistics -> Multiple Regession -> zvolit proměnné (např. cel_cholesterol
jako Dependent var., vek... jako Independent variables) -> OK -> OK -> na
záložce Save kliknout na Save residuals & predicted -> zvolit proměnné, které
bude nově vytvořená tabulka dále obsahovat -> OK
(případně lze vytvořit novou proměnnou pomocí Add Variables, kde v Long
name bude součet Residuals a průměru původní proměnné)
26Koriťáková: Vícerozměrné metody - cvičení
Vícerozměrný t-test
27Koriťáková: Vícerozměrné metody - cvičení
Jednorozměrný dvouvýběrový t-test
• Srovnáváme dvě skupiny dat, které jsou na sobě nezávislé – mezi objekty
neexistuje vazba.
• Příklady: srovnání objem hipokampu u mužů a u žen, srovnání kognitivního
výkonu podle dvou kategorií věku,...
28
ҧ𝑥1 ҧ𝑥2
21
11
*
21
nns
cxx
t



0
1
2
3
Pacienti Kontroly
Koriťáková: Vícerozměrné metody - cvičení
• Předpoklad: normalita dat v OBOU skupinách, shodnost (homogenita)
rozptylů v obou skupinách
• Testová statistika: , kde 𝑠∗ je vážená směrodatná odchylka,
c je konstanta, o kterou se rozdíl průměrů má lišit (většinou rovna 0)
Vícerozměrný t-test
• Srovnáváme dvě skupiny dat, které jsou na sobě nezávislé – mezi objekty
neexistuje vazba.
• Na rozdíl od jednorozměrného dvouvýběrového t-testu jsou dvě skupiny
dat popsány více kvantitativními proměnnými.
29
0
1
2
3
4
5
6
7
4
6
8
10
12
14
0
0.05
x1x2
Koriťáková: Vícerozměrné metody - cvičení
Vícerozměrný t-test
Jednorozměrný dvouvýběrový t-test:
• testová statistika: 𝑇 =
ҧ𝑥 𝐷− ҧ𝑥 𝐻 −𝑐
𝑠∗
1
𝑛 𝐷
+
1
𝑛 𝐻
, kde 𝑇~𝑡 𝑛 𝐷 + 𝑛 𝐻 − 2
• 𝑠∗
2 je vážený rozptyl vypočtený jako 𝑠∗
2
=
𝑛 𝐷−1 𝑠 𝐷
2
+ 𝑛 𝐻−1 𝑠 𝐻
2
𝑛 𝐷−1 + 𝑛 𝐻−1
• c je konstanta, o kterou se rozdíl průměrů má lišit (většinou c = 0)
• nulová hypotéza zamítnuta, pokud 𝑇 > 𝑡1− Τ𝛼 2 𝑛 𝐷 + 𝑛 𝐻 − 2
30
Studentovo rozdělení
Vícerozměrný t-test:
• Hotellingova T2 testová statistika: 𝑇2
= ഥ𝒙 𝐷 − ഥ𝒙 𝐻 − 𝒄 𝑇
S∗
1
𝑛 𝐷
+
1
𝑛 𝐻
−1
ഥ𝒙 𝐷 − ഥ𝒙 𝐻 − 𝒄
• kde S∗ je vážená kovarianční matice: S∗ =
𝑛 𝐷−1 S 𝐷+ 𝑛 𝐻−1 S 𝐻
𝑛 𝐷−1 + 𝑛 𝐻−1
• T2 ~ T2(p,n-p-1) ; pro malé nD a nH je lepší použít: 𝐹 =
𝑛−𝑝−1
𝑝
𝑇2
𝑛−2
, kde n=nD+nH
• nulová hypotéza zamítnuta, když 𝐹 > 𝐹1−𝛼 𝑝, 𝑛 − 𝑝 − 1
Je ekvivalentní testu:
𝑇2
=
ҧ𝑥 𝐷− ҧ𝑥 𝐻 −𝑐
𝑠∗
1
𝑛 𝐷
+
1
𝑛 𝐻
2
= ҧ𝑥 𝐷 − ҧ𝑥 𝐻 − 𝑐 𝑠∗
2 1
𝑛 𝐷
+
1
𝑛 𝐻
−1
ҧ𝑥 𝐷 − ҧ𝑥 𝐻 − 𝑐 , kde T2 ~ F (1, nD+nH -2)
F rozdělení
F rozdělení
Hotellingovo rozdělení
Koriťáková: Vícerozměrné metody - cvičení
Úkol 2
• Zjistěte, zda se liší skupina pacientů se schizofrenií od zdravých subjektů na
základě parametrů popisujících objem mozkových struktur subjektů.
31Koriťáková: Vícerozměrné metody - cvičení
pacienti
kontroly
1 2 3 4 5 6
4
5
6
7
8
9
10
11
12
13
Objem hipokampu
Objemmozkovýchkomor
𝐗 𝐷 =
2 12
4 10
3 8
, 𝐗 𝐻 =
5 7
3 9
4 5
Úkol 2
• Zjistěte, zda se liší skupina pacientů se schizofrenií od zdravých subjektů na
základě parametrů popisujících objem mozkových struktur subjektů.
32Koriťáková: Vícerozměrné metody - cvičení
𝐗 𝐷 =
2 12
4 10
3 8
, 𝐗 𝐻 =
5 7
3 9
4 5
Úkol 2 - řešení
33Koriťáková: Vícerozměrné metody - cvičení
Vícerozměrné průměry: ത𝐱 𝐷 =
1
𝑛 𝐷
σ𝑖=1
𝑛 𝐷
x 𝑖1
1
𝑛 𝐷
σ𝑖=1
𝑛 𝐷
x 𝑖2 = 3 10
ത𝐱 𝐻 =
1
𝑛 𝐻
σ𝑖=1
𝑛 𝐻
x 𝑖1
1
𝑛 𝐻
σ𝑖=1
𝑛 𝐻
x 𝑖2 = 4 7
Výběrové kovarianční matice:
𝐒 𝐷 =
s11
𝐷
s12
𝐷
s21
𝐷
s22
𝐷 =
1 −1
−1 4
𝐒 𝐻 =
s11
𝐻
s12
𝐻
s21
𝐻
s22
𝐻 =
1 −1
−1 4
Vážená kovarianční matice:
𝐒∗ =
1 −1
−1 4
𝑇2
= ഥ𝒙 𝐷 − ഥ𝒙 𝐻 − 𝒄 𝑇
S∗
1
𝑛 𝐷
+
1
𝑛 𝐻
−1
ഥ𝒙 𝐷 − ഥ𝒙 𝐻 − 𝒄
Úkol 2 - řešení
34Koriťáková: Vícerozměrné metody - cvičení
Vícerozměrné průměry: ത𝐱 𝐷 =
1
𝑛 𝐷
σ𝑖=1
𝑛 𝐷
x 𝑖1
1
𝑛 𝐷
σ𝑖=1
𝑛 𝐷
x 𝑖2 = 3 10
ത𝐱 𝐻 =
1
𝑛 𝐻
σ𝑖=1
𝑛 𝐻
x 𝑖1
1
𝑛 𝐻
σ𝑖=1
𝑛 𝐻
x 𝑖2 = 4 7
Výběrové kovarianční matice:
𝐒 𝐷 =
s11
𝐷
s12
𝐷
s21
𝐷
s22
𝐷 =
1 −1
−1 4
𝐒 𝐻 =
s11
𝐻
s12
𝐻
s21
𝐻
s22
𝐻 =
1 −1
−1 4
Vícerozměrný t-test:
n 6
p 2
T2 3,5
F 1,31
df1 = p 2
df2 = n-p-1 3
α 0,05
F-crit 9,55
p-hodnota 0,389
Vážená kovarianční matice:
𝐒∗ =
1 −1
−1 4
𝑇2
= ഥ𝒙 𝐷 − ഥ𝒙 𝐻 − 𝒄 𝑇
S∗
1
𝑛 𝐷
+
1
𝑛 𝐻
−1
ഥ𝒙 𝐷 − ഥ𝒙 𝐻 − 𝒄
Úkol 2 – řešení v softwaru R
35Koriťáková: Vícerozměrné metody - cvičení
install.packages("ICSNP")
library("ICSNP")
Xd=matrix(c(2,4,3,12,10,8),3,2)
Xh=matrix(c(5,3,4,7,9,5),3,2)
HotellingsT2(Xd, Xh)
Použití softwaru R jako kalkulačky:
S=solve(2/3*matrix(c(1,-1,-1,4),2,2)) # výpočet inverzní matice
b=matrix(c(-1,3),1,2) # vektor s hodnotami rozdílu souřadnic centroidů
t2=b%*%S%*%t(b) # výpočet testové statistiky T2
F=(3/2)*(t2/4) # výpočet testové statistiky F
qf(0.95,2,3) # 95% kvantil F rozdělení pro stupně volnosti 2 a 3
1-pf(F,2,3) # p-hodnota