Skip to main content

Prise en main

Tout corrkit passe par une seule fonction de calcul, cor_compute(). Elle renvoie un objet qui contient les coefficients, les p-values, les effectifs et les intervalles de confiance de toutes les paires demandées. Les graphiques et les tableaux ne font que le mettre en forme.

library(corrkit)
options(corrkit.unicode = TRUE)   # PNG figures: keep the mathematical symbols
d   <- simulate_cor_data(n = 200)     # biomarqueurs, scores et covariables simulés
lab <- attr(d, "labels")              # libellés des variables

Une fonction, trois usages

Appel Ce qui est calculé
cor_compute(d, x = vars) toutes les paires de vars : une matrice de corrélation
cor_compute(d, x = biomarqueurs, y = scores) chaque biomarqueur × chaque score : une analyse croisée
cor_compute(d, x = "IL6", y = "fatigue") une paire
..., covariates = c("age", "sex") dans tous les cas : des corrélations partielles

Calculer toutes les corrélations

vars <- c("CRP", "IL6", "BDNF", "NfL", "depression", "fatigue", "cognition", "BIN_CRP", "BIN_IL6")
cm <- cor_compute(d, vars, labels = lab)
cm
#> <cor_result> Spearman correlations: 9 variables, 36 pairs (2 binary variables)
#>   engine: psych::corr.test() {psych} | N = 188–194
#>   Raw p (no multiple-testing adjustment): * < 0.05, ** < 0.01, *** < 0.001; no star = p ≥ 0.05.
#> 
#>            CRP      IL6      BDNF     NfL      depression fatigue cognition
#> CRP        1                                                               
#> IL6        0.57***  1                                                      
#> BDNF       -0.36*** -0.25*** 1                                             
#> NfL        0.17*    0.05     -0.04    1                                    
#> depression 0.50***  0.47***  -0.21**  0.23**   1                           
#> fatigue    0.17*    0.47***  -0.10    -0.05    0.25***    1                
#> cognition  -0.13    -0.01    0.01     -0.61*** -0.27***   0.06    1        
#> BIN_CRP    0.87***  0.46***  -0.31*** 0.12     0.41***    0.21**  -0.04    
#> BIN_IL6    0.39***  0.69***  -0.14    0.07     0.35***    0.35*** -0.04    
#>            BIN_CRP BIN_IL6
#> CRP                       
#> IL6                       
#> BDNF                      
#> NfL                       
#> depression                
#> fatigue                   
#> cognition                 
#> BIN_CRP    1              
#> BIN_IL6    0.33*** 1
NoteRéglages par défaut

Corrélation de Spearman, observations complètes paire par paire, p-values brutes (aucun ajustement pour tests multiples, voir Corrections pour tests multiples), intervalles de confiance à 95 %. Les étoiles se lisent : * p < 0,05, ** p < 0,01, *** p < 0,001.

Ce que contient le résultat

summary() décrit l’analyse et le contenu de l’objet :

summary(cm)
#> == Correlation analysis (cor_result) ==
#> 
#>   Mode         matrix: every pair of 9 variables
#>   Method       Spearman
#>   Covariates   none (unadjusted)
#>   Engine       psych::corr.test() {psych}
#>   CI           95% (correlation::cor_to_ci)
#>   p-values     raw (no multiple-testing adjustment)
#> 
#> -- Variables --
#>    variable            label   role       type   n
#>         CRP              CRP matrix continuous 194
#>         IL6             IL-6 matrix continuous 194
#>        BDNF             BDNF matrix continuous 194
#>         NfL              NfL matrix continuous 194
#>  depression Depression score matrix continuous 194
#>     fatigue    Fatigue score matrix continuous 194
#>   cognition  Cognition score matrix continuous 194
#>     BIN_CRP         CRP high matrix     binary 194
#>     BIN_IL6        IL-6 high matrix     binary 194
#> 
#> -- Pairs --
#>   36 pairs (15 involving a binary variable), N = 188–194
#>   p < 0.05: 23 (raw)
#> 
#> -- Strongest pairs (|r_s|) --
#>                    pair   r_s             CI       p   n
#>          CRP - CRP high  0.87   [0.82, 0.90] < 0.001 194
#>        IL-6 - IL-6 high  0.69   [0.61, 0.76] < 0.001 194
#>   NfL - Cognition score -0.61 [-0.69, -0.51] < 0.001 188
#>              CRP - IL-6  0.57   [0.46, 0.66] < 0.001 188
#>  CRP - Depression score  0.50   [0.38, 0.61] < 0.001 188
#> 
#> -- Content of the object --
#>   $table  one row per pair (36 x 13): X, Y, x_type, y_type, r, ci_low, ci_high, p, p_adj, n, k, engine, ci_engine
#>   $meta   settings of the analysis (mode, meth, p_adjust, adjust_by, family, covariates, partial, k, x_vars, y_vars, x_types, y_types, labels, bin_mark, ci, engine, ci_engine)
#>   $data   the 9 columns used (200 rows)
#>   Use: plot(x, type = "heatmap" | "forest" | "scatter"), tbl_cor(x, layout = ...),
#>        as.matrix(x, what = "r" | "p" | "p_adj" | "n" | "ci_low" | "ci_high"), as.data.frame(x)

Et chaque élément s’obtient directement :

Une ligne par paire de variables : coefficient r, intervalle de confiance, p-value brute et ajustée, effectif. C’est le format le plus pratique pour filtrer, trier ou exporter (as.data.frame(cm)).

head(as.data.frame(cm), 10)
#>      X          Y     x_type     y_type           r      ci_low     ci_high
#> 1  CRP        IL6 continuous continuous  0.56897575  0.46026507  0.66087549
#> 2  CRP       BDNF continuous continuous -0.36210257 -0.48359271 -0.22692414
#> 3  CRP        NfL continuous continuous  0.17166756  0.02501970  0.31108281
#> 4  CRP depression continuous continuous  0.50289312  0.38405847  0.60533837
#> 5  CRP    fatigue continuous continuous  0.17073934  0.02406403  0.31021884
#> 6  CRP  cognition continuous continuous -0.13285695 -0.27476108  0.01471135
#> 7  CRP    BIN_CRP continuous     binary  0.86603217  0.82458428  0.89823283
#> 8  CRP    BIN_IL6 continuous     binary  0.38914919  0.25657405  0.50735127
#> 9  IL6       BDNF continuous continuous -0.24812481 -0.38146502 -0.10466940
#> 10 IL6        NfL continuous continuous  0.04837098 -0.09961916  0.19426744
#>               p        p_adj   n k           engine              ci_engine
#> 1  1.613518e-17 1.613518e-17 188 0 psych::corr.test correlation::cor_to_ci
#> 2  3.288137e-07 3.288137e-07 188 0 psych::corr.test correlation::cor_to_ci
#> 3  1.849267e-02 1.849267e-02 188 0 psych::corr.test correlation::cor_to_ci
#> 4  1.917294e-13 1.917294e-13 188 0 psych::corr.test correlation::cor_to_ci
#> 5  1.914605e-02 1.914605e-02 188 0 psych::corr.test correlation::cor_to_ci
#> 6  6.913152e-02 6.913152e-02 188 0 psych::corr.test correlation::cor_to_ci
#> 7  1.051319e-59 1.051319e-59 194 0 psych::corr.test correlation::cor_to_ci
#> 8  3.404032e-08 3.404032e-08 188 0 psych::corr.test correlation::cor_to_ci
#> 9  5.963373e-04 5.963373e-04 188 0 psych::corr.test correlation::cor_to_ci
#> 10 5.097724e-01 5.097724e-01 188 0 psych::corr.test correlation::cor_to_ci

as.matrix() remet le tableau sous forme de matrice : symétrique, avec 1 sur la diagonale.

round(as.matrix(cm), 2)
#>              CRP   IL6  BDNF   NfL depression fatigue cognition BIN_CRP BIN_IL6
#> CRP         1.00  0.57 -0.36  0.17       0.50    0.17     -0.13    0.87    0.39
#> IL6         0.57  1.00 -0.25  0.05       0.47    0.47     -0.01    0.46    0.69
#> BDNF       -0.36 -0.25  1.00 -0.04      -0.21   -0.10      0.01   -0.31   -0.14
#> NfL         0.17  0.05 -0.04  1.00       0.23   -0.05     -0.61    0.12    0.07
#> depression  0.50  0.47 -0.21  0.23       1.00    0.25     -0.27    0.41    0.35
#> fatigue     0.17  0.47 -0.10 -0.05       0.25    1.00      0.06    0.21    0.35
#> cognition  -0.13 -0.01  0.01 -0.61      -0.27    0.06      1.00   -0.04   -0.04
#> BIN_CRP     0.87  0.46 -0.31  0.12       0.41    0.21     -0.04    1.00    0.33
#> BIN_IL6     0.39  0.69 -0.14  0.07       0.35    0.35     -0.04    0.33    1.00

what = "p" pour les p-values brutes, what = "p_adj" pour les p-values ajustées (égales aux brutes quand p_adjust = "none").

signif(as.matrix(cm, what = "p"), 2)
#>                CRP     IL6    BDNF     NfL depression fatigue cognition BIN_CRP
#> CRP        0.0e+00 1.6e-17 3.3e-07 1.8e-02    1.9e-13 1.9e-02   6.9e-02 1.1e-59
#> IL6        1.6e-17 0.0e+00 6.0e-04 5.1e-01    1.6e-11 1.4e-11   8.9e-01 3.4e-11
#> BDNF       3.3e-07 6.0e-04 0.0e+00 6.3e-01    3.3e-03 1.8e-01   8.4e-01 1.3e-05
#> NfL        1.8e-02 5.1e-01 6.3e-01 0.0e+00    1.3e-03 4.9e-01   2.3e-20 9.4e-02
#> depression 1.9e-13 1.6e-11 3.3e-03 1.3e-03    0.0e+00 4.2e-04   2.4e-04 3.4e-09
#> fatigue    1.9e-02 1.4e-11 1.8e-01 4.9e-01    4.2e-04 0.0e+00   4.3e-01 4.7e-03
#> cognition  6.9e-02 8.9e-01 8.4e-01 2.3e-20    2.4e-04 4.3e-01   0.0e+00 5.8e-01
#> BIN_CRP    1.1e-59 3.4e-11 1.3e-05 9.4e-02    3.4e-09 4.7e-03   5.8e-01 0.0e+00
#> BIN_IL6    3.4e-08 3.2e-29 5.8e-02 3.5e-01    7.5e-07 1.1e-06   6.1e-01 2.7e-06
#>            BIN_IL6
#> CRP        3.4e-08
#> IL6        3.2e-29
#> BDNF       5.8e-02
#> NfL        3.5e-01
#> depression 7.5e-07
#> fatigue    1.1e-06
#> cognition  6.1e-01
#> BIN_CRP    2.7e-06
#> BIN_IL6    0.0e+00

Le nombre d’individus utilisés pour chaque paire : il varie avec les valeurs manquantes.

as.matrix(cm, what = "n")
#>            CRP IL6 BDNF NfL depression fatigue cognition BIN_CRP BIN_IL6
#> CRP        194 188  188 188        188     188       188     194     188
#> IL6        188 194  188 188        188     189       188     188     194
#> BDNF       188 188  194 189        188     189       188     188     188
#> NfL        188 188  189 194        188     189       188     188     188
#> depression 188 188  188 188        194     188       188     188     188
#> fatigue    188 189  189 189        188     194       188     188     189
#> cognition  188 188  188 188        188     188       194     188     188
#> BIN_CRP    194 188  188 188        188     188       188     194     188
#> BIN_IL6    188 194  188 188        188     189       188     188     194

Bornes de l’intervalle de confiance à 95 % de chaque coefficient (transformation z de Fisher).

round(as.matrix(cm, what = "ci_low"), 2)
#>              CRP   IL6  BDNF   NfL depression fatigue cognition BIN_CRP BIN_IL6
#> CRP           NA  0.46 -0.48  0.03       0.38    0.02     -0.27    0.82    0.26
#> IL6         0.46    NA -0.38 -0.10       0.34    0.34     -0.16    0.33    0.61
#> BDNF       -0.48 -0.38    NA -0.18      -0.35   -0.24     -0.13   -0.44   -0.28
#> NfL         0.03 -0.10 -0.18    NA       0.09   -0.20     -0.69   -0.03   -0.08
#> depression  0.38  0.34 -0.35  0.09         NA    0.11     -0.40    0.28    0.22
#> fatigue     0.02  0.34 -0.24 -0.20       0.11      NA     -0.09    0.06    0.21
#> cognition  -0.27 -0.16 -0.13 -0.69      -0.40   -0.09        NA   -0.19   -0.18
#> BIN_CRP     0.82  0.33 -0.44 -0.03       0.28    0.06     -0.19      NA    0.20
#> BIN_IL6     0.26  0.61 -0.28 -0.08       0.22    0.21     -0.18    0.20      NA
round(as.matrix(cm, what = "ci_high"), 2)
#>              CRP   IL6  BDNF   NfL depression fatigue cognition BIN_CRP BIN_IL6
#> CRP           NA  0.66 -0.23  0.31       0.61    0.31      0.01    0.90    0.51
#> IL6         0.66    NA -0.10  0.19       0.57    0.57      0.14    0.57    0.76
#> BDNF       -0.23 -0.10    NA  0.11      -0.07    0.05      0.16   -0.17    0.01
#> NfL         0.31  0.19  0.11    NA       0.37    0.10     -0.51    0.26    0.21
#> depression  0.61  0.57 -0.07  0.37         NA    0.39     -0.12    0.53    0.47
#> fatigue     0.31  0.57  0.05  0.10       0.39      NA      0.20    0.34    0.47
#> cognition   0.01  0.14  0.16 -0.51      -0.12    0.20        NA    0.11    0.11
#> BIN_CRP     0.90  0.57 -0.17  0.26       0.53    0.34      0.11      NA    0.46
#> BIN_IL6     0.51  0.76  0.01  0.21       0.47    0.47      0.11    0.46      NA

Le type de chaque variable (les binaires sont traitées à part) et les paramètres du calcul, repris automatiquement dans les légendes.

cm$meta$x_types
#>          CRP          IL6         BDNF          NfL   depression      fatigue 
#> "continuous" "continuous" "continuous" "continuous" "continuous" "continuous" 
#>    cognition      BIN_CRP      BIN_IL6 
#> "continuous"     "binary"     "binary"
str(cm$meta[c("mode", "meth", "partial", "p_adjust", "ci", "engine")])
#> List of 6
#>  $ mode    : chr "matrix"
#>  $ meth    : chr "spearman"
#>  $ partial : logi FALSE
#>  $ p_adjust: chr "none"
#>  $ ci      : num 0.95
#>  $ engine  : chr "psych::corr.test"

La matrice de corrélation

plot(cm)

  • Sous-titre : méthode, ajustement, effectif, fonction qui a fait le calcul.
  • Cases : coefficient et étoiles ; couleur de −1 (bleu) à +1 (rouge).
  • Bloc du bas : les variables binaires [0/1], dont le coefficient n’est pas sur la même échelle que celui des variables continues.
  • Légende : statut des p-values, ordre des variables, formule du coefficient et lecture des cases binaires.

Ce que l’on peut faire de l’objet

Fonction Résultat
print(res) les coefficients et leurs étoiles
summary(res) les caractéristiques de l’analyse et le contenu de l’objet
plot(res) ou autoplot(res) un ggplot : type = "heatmap" (défaut), "forest" ou "scatter"
tbl_cor(res) un tableau gt : layout = "matrix", "wide" ou "long"
as.matrix(res, what = ) une matrice de r, p, p_adj, n, ci_low ou ci_high
as.data.frame(res) le tableau long, une ligne par paire
cor_binary_effects(res) les tailles d’effet des variables binaires

Et ensuite

Back to top