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 variablesPrise 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.
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*** 1Corrélation 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_cias.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 1.00what = "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+00Le 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 194Bornes 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 NALe 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
- Analyse complète d’une matrice : la même analyse en détail, avec toutes les sorties et leurs options ;
- Corrections pour tests multiples : quand et comment ajuster les p-values ;
- Comparer les coefficients : Pearson, Spearman, Kendall et les coefficients robustes ;
- Corrélations croisées et partielles : biomarqueurs × scores, corrélations partielles ;
- Variables binaires : variables binaires.