風中一匹狼

先說我不會做太詳細的比較

畢竟我也不是專門分析資料庫的專業人士哈

這次分享主要是在使用者的角度討論這三個資料庫的使用心得

I. PubMed

生物領域的人應該對它十分熟悉，是由美國政府機構的國家生物技術中心維持

(繼續閱讀...)

猛犬 發表在 痞客邦 留言(0) 人氣()

Endnote目前更新到X9版本了

也是走最近的簡約風格，變美很多

如果不想每次都要手打一遍文獻這個軟體就會是個很好的助手

最近有種感慨，不是軟體不好，而是人不會使用而已

I. 下載Endnote

(繼續閱讀...)

猛犬 發表在 痞客邦 留言(0) 人氣()

#在R執行SAS的glm lsmeans
#使用的資料為R內建的dataset- airquality
#可以先看一下該資料的描述(紐約某一年的空氣品質指標數據)
?airquality
head(airquality)

(繼續閱讀...)

猛犬 發表在 痞客邦 留言(0) 人氣()

猛犬 發表在 痞客邦 留言(0) 人氣()

#基因富集分析 (gene set enrichment set analysis)

#數據庫下載: 與自己的差異基因進行搜尋及比對
#AnnotationHub是生物數據庫的中轉站，方便搜尋目標數據，另一個相似套件為biomaRt
#參考網址:https://www.jianshu.com/p/ae94178918bc
source("https://bioconductor.org/biocLite.R")

(繼續閱讀...)

猛犬 發表在 痞客邦 留言(0) 人氣()

#資料探索的檢定
#資料型態: 幾乎任何資料都可以拿來做資料探索，實務上，當變數數目跟觀測數都夠多時，資料探索的用處比較大。資料探索的目的為處理觀測值之間的交互關係，並將期間模式凸顯給實驗者。

#主成分分析和因素分析 (Principle component analysis (PCA) and factor analysis): 都是藉由加權變數來將每個個體的差異最大化。許多方面，主成分分析跟相關係數和回歸分析很類似。只要資料中每個個體都有兩個以上的觀測值就可使用。主成分分析假第資料是連續的且遵從常態分佈。若執行此分析的目的是為了建立新假設就可以忽略此假定。
#視覺化: 藉由「每個個體指有兩個觀測值」的特例將主成分分析的運作視覺化。想像將兩個相關的變數製成散佈圖，其資料形成橢圓形雲狀物。PCA會計算通過此橢圓形長軸的直線，並將此直線當成第一個主要軸線(PCA1)。通過資料雲，且和第一個軸線垂直的直線就是PCA2。分析過程是電腦以多維空間的形式進行，每個變數都代表一個維度，每條通過資料雲的直線都來自對於個變數做適當的加權。

(繼續閱讀...)

猛犬 發表在 痞客邦 留言(0) 人氣()

#兩個變數之間有有因果關係嗎

#許多情況下，一組觀測值的取值很明顯是取決於另一組觀測值。本次的案例中每個「個體」都有兩個觀測值。一個觀測值是「原因變數」、「x變數」、「預測變數」、「自變數」，此變數的取值為實驗者的設定或選擇；另一個觀測值是「效果變數」、「y變數」、「應變數」，此變數的取值非實驗者設定。有一系列方式可以判斷原因和效果之間的關係形式和強度，每個方法對變數及其關係的假定各有不同，這裡考慮五種檢定: 線性回歸、Kendall最佳配適線、羅吉斯回歸、第二型模式回歸和多項式回歸。

#「標準」線性回歸: 即第一型模式回歸，是生物學中常用的統計模式，也是最常被濫用的統計方法，因為常忽略它的假定。線性回歸可判定兩個變數之間關係的形式和強度，很強大且有用。如果想要用給定x值(自變數)來預測y值(應變數)，就可運用。
#此檢定是在判斷斜率是否為0 (虛無假設b=0)，如果p< 0.05代表斜率和0有顯著差異，x和y變數之間有關係。
#線性回歸對資料有許多假定，包括x值沒有誤差;x值是由實驗者選擇或指定; x和y之間關係的最佳描述為一條直線 (y= bx); 不論x取值為何，y的變異數均相等，以及不論x取值為何，y均遵守常態分佈。

(繼續閱讀...)

猛犬 發表在 痞客邦 留言(0) 人氣()

猛犬 發表在 痞客邦 留言(0) 人氣()

猛犬 發表在 痞客邦 留言(0) 人氣()

猛犬 發表在 痞客邦 留言(0) 人氣()

猛犬 發表在 痞客邦 留言(0) 人氣()

猛犬 發表在 痞客邦 留言(0) 人氣()