User Tools

Site Tools


neuroimagen:adni_cusp

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
neuroimagen:adni_cusp [2015/12/14 13:38]
osotolongo [Z-scores]
neuroimagen:adni_cusp [2020/08/04 10:58] (current)
Line 1: Line 1:
 ====== Using ADNI data for Cusp model fitting ====== ====== Using ADNI data for Cusp model fitting ======
  
 +[[neuroimagen:alt_cusp_method|Or you can use this alternative method]]
 ===== Simple way ===== ===== Simple way =====
  
Line 180: Line 180:
 </code> </code>
  
-++++ And we get a not so good fit |+++++ And we get a very bad fit result |
 <code> <code>
 > summary(fit_cs) > summary(fit_cs)
 +
 +Call:
 +cusp(formula = y ~ cs, alpha = alpha ~ zWB + zAge + mt2fa.PTGENDER + 
 +    zEduc, beta = beta ~ zWB + zAge + mt2fa.PTGENDER + zEduc, 
 +    data = datac)
 +
 +Deviance Residuals: 
 +    Min       1Q   Median       3Q      Max  
 +-2.9864  -0.5145   0.0386   0.5796   2.8034  
 +
 +Coefficients:
 +                         Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]          -0.166529   0.015351 -10.848  < 2e-16 ***
 +a[zWB]                   0.508523   0.009612  52.905  < 2e-16 ***
 +a[zAge]                  0.124850   0.017119   7.293 3.03e-13 ***
 +a[mt2fa.PTGENDERFemale]  0.251292   0.020108  12.497  < 2e-16 ***
 +a[zEduc]                 0.230918         NA      NA       NA    
 +b[(Intercept)]          -0.224522   0.022933  -9.791  < 2e-16 ***
 +b[zWB]                  -0.231656   0.010449 -22.171  < 2e-16 ***
 +b[zAge]                 -0.128716   0.012640 -10.183  < 2e-16 ***
 +b[mt2fa.PTGENDERFemale]  0.845789   0.017774  47.587  < 2e-16 ***
 +b[zEduc]                 0.204127   0.007479  27.293  < 2e-16 ***
 +w[(Intercept)]          -0.035730   0.011210  -3.187  0.00144 ** 
 +w[cs]                    1.012113   0.006090 166.187  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 5487.3  on 6754  degrees of freedom
 +Linear deviance: 4490.5  on 6749  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 5324.3  on 6743  degrees of freedom
 +
 +              R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.16171127 -8205.808    6 16423.62 16423.63 16464.52
 +Cusp model   0.03112304 -8567.331   12 17158.66 17158.71 17240.48
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 723, df = 6, p-value = 0
 +
 +Number of optimization iterations: 106
 </code> </code>
 ++++ ++++
 +//That is, the composite score is not related through a cusp model to the independent variable analyzed here //
 +
 +===== A try for ADAS-Cog =====
 +<code>
 +data <- data.frame(mt2fa$WholeBrain, mt2fa$ICV, mt2fa$vAGE, mt2fa$PTGENDER, mt2fa$PTEDUCAT, mt2fa$Q4SCORE, mt2fa$Q8SCORE)
 +datac <- data[complete.cases(data),]
 +datac$WB = datac$mt2fa.WholeBrain/datac$mt2fa.ICV
 +datac$zWB = (datac$WB - mean(datac$WB))/sd(datac$WB)
 +datac$zAge = (datac$mt2fa.vAGE - mean(datac$mt2fa.vAGE))/sd(datac$mt2fa.vAGE)
 +datac$zEduc = (datac$mt2fa.PTEDUCAT - mean(datac$mt2fa.PTEDUCAT))/sd(datac$mt2fa.PTEDUCAT)
 +datac$dr = (mean(datac$mt2fa.Q4SCORE) - datac$mt2fa.Q4SCORE)/sd(datac$mt2fa.Q4SCORE)
 +datac$r = (mean(datac$mt2fa.Q8SCORE) - datac$mt2fa.Q8SCORE)/sd(datac$mt2fa.Q8SCORE)
 +fit_dr <- cusp(y ~ dr, alpha ~ zWB + zAge + mt2fa.PTGENDER + zEduc, beta ~ zWB +zAge + mt2fa.PTGENDER + zEduc, datac)
 +fit_r <- cusp(y ~ r, alpha ~ zWB + zAge + mt2fa.PTGENDER + zEduc, beta ~ zWB +zAge + mt2fa.PTGENDER + zEduc, datac)
 +</code>
 +
 +++++ not bad at all for Delay Recall |
 +<code>
 +> summary(fit_dr)
 +
 +Call:
 +cusp(formula = y ~ dr, alpha = alpha ~ zWB + zAge + mt2fa.PTGENDER + 
 +    zEduc, beta = beta ~ zWB + zAge + mt2fa.PTGENDER + zEduc, 
 +    data = datac)
 +
 +Deviance Residuals: 
 +    Min       1Q   Median       3Q      Max  
 +-3.1117  -0.4991  -0.1005   0.4315   3.3147  
 +
 +Coefficients:
 +                         Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]           0.007960   0.020930   0.380 0.703714    
 +a[zWB]                   0.508635   0.017192  29.585  < 2e-16 ***
 +a[zAge]                  0.138990   0.013981   9.942  < 2e-16 ***
 +a[mt2fa.PTGENDERFemale]  0.102236   0.025494   4.010 6.07e-05 ***
 +a[zEduc]                 0.190303   0.013197  14.420  < 2e-16 ***
 +b[(Intercept)]           0.825442   0.054864  15.045  < 2e-16 ***
 +b[zWB]                  -0.235399   0.029643  -7.941 2.01e-15 ***
 +b[zAge]                 -0.182519   0.025867  -7.056 1.71e-12 ***
 +b[mt2fa.PTGENDERFemale]  0.745478   0.047279  15.768  < 2e-16 ***
 +b[zEduc]                 0.125539   0.023628   5.313 1.08e-07 ***
 +w[(Intercept)]           0.039500   0.011097   3.559 0.000372 ***
 +w[dr]                    1.118457   0.009343 119.717  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 8511.4  on 6804  degrees of freedom
 +Linear deviance: 5443.0  on 6799  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 4560.9  on 6793  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.2000289 -8896.008    6 17804.02 17804.03 17844.97
 +Cusp model   0.4672353 -7913.728   12 15851.46 15851.50 15933.36
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 1965, df = 6, p-value = 0
 +
 +Number of optimization iterations: 38
 +</code>
 +++++
 +
 +++++ but worst for Recognition |
 +<code>
 +> summary(r)
 +
 +Call:
 +cusp(formula = y ~ r, alpha = alpha ~ zWB + zAge + mt2fa.PTGENDER + 
 +    zEduc, beta = beta ~ zWB + zAge + mt2fa.PTGENDER + zEduc, 
 +    data = datac)
 +
 +Deviance Residuals: 
 +    Min       1Q   Median       3Q      Max  
 +-3.1343  -0.8453  -0.2669   0.2033   2.5628  
 +
 +Coefficients:
 +                         Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]           0.754786   0.029939  25.211  < 2e-16 ***
 +a[zWB]                   0.445183   0.020237  21.998  < 2e-16 ***
 +a[zAge]                  0.082755   0.017131   4.831 1.36e-06 ***
 +a[mt2fa.PTGENDERFemale] -0.138675   0.032093  -4.321 1.55e-05 ***
 +a[zEduc]                 0.076295   0.015311   4.983 6.26e-07 ***
 +b[(Intercept)]           0.898577   0.061474  14.617  < 2e-16 ***
 +b[zWB]                   0.013364   0.030828   0.433 0.664652    
 +b[zAge]                  0.041912   0.028325   1.480 0.138959    
 +b[mt2fa.PTGENDERFemale]  0.395628   0.052501   7.536 4.86e-14 ***
 +b[zEduc]                 0.084819   0.025534   3.322 0.000894 ***
 +w[(Intercept)]           0.641352   0.012443  51.543  < 2e-16 ***
 +w[r]                     0.960657   0.009485 101.286  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 6279.2  on 6804  degrees of freedom
 +Linear deviance: 5963.7  on 6799  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 5578.1  on 6793  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.1235032 -9206.852    6 18425.70 18425.72 18466.66
 +Cusp model   0.2913304 -8250.294   12 16524.59 16524.63 16606.49
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 1913, df = 6, p-value = 0
 +
 +Number of optimization iterations: 44
 +</code>
 +++++
 +
 +===== Notas para Composite Scores =====
 +
 +Lo ideal seria hacer script con todos los composites posibles y mirarlo contra los biomarcadores disponibles en //adnimerge//. Pero cada biomarcador lleva un tipo de procesamiento //distinto// y cada composite ha de ser definido previamente. Por ejemplo el composite de Delay Recall (drcs) lo construimos a partir de **adas.Q4SCORE** y **neurobat.AVDEL30MIN** pero en cada caso hay que definir las variables de partida.
 +
 +++++ Hay varios biomarcadores en la tabla adnimerge que pueden estar relacionados con los composites neuropsicologicos |
 +
 +<code R>
 +> names(adnimerge)
 + [1] "ORIGPROT"                 "COLPROT"                  "RID"                      "PTID"                    
 + [5] "VISCODE"                  "EXAMDATE"                 "SITE"                     "DX.bl"                   
 + [9] "AGE"                      "PTGENDER"                 "PTEDUCAT"                 "PTETHCAT"                
 +[13] "PTRACCAT"                 "PTMARRY"                  "APOE4"                    "FDG"                     
 +[17] "PIB"                      "AV45"                     "CDRSB"                    "ADAS11"                  
 +[21] "ADAS13"                   "MMSE"                     "RAVLT.immediate"          "RAVLT.learning"          
 +[25] "RAVLT.forgetting"         "RAVLT.perc.forgetting"    "FAQ"                      "MOCA"                    
 +[29] "EcogPtMem"                "EcogPtLang"               "EcogPtVisspat"            "EcogPtPlan"              
 +[33] "EcogPtOrgan"              "EcogPtDivatt"             "EcogPtTotal"              "EcogSPMem"               
 +[37] "EcogSPLang"               "EcogSPVisspat"            "EcogSPPlan"               "EcogSPOrgan"             
 +[41] "EcogSPDivatt"             "EcogSPTotal"              "FLDSTRENG"                "FSVERSION"               
 +[45] "Ventricles"               "Hippocampus"              "WholeBrain"               "Entorhinal"              
 +[49] "Fusiform"                 "MidTemp"                  "ICV"                      "DX"                      
 +[53] "EXAMDATE.bl"              "CDRSB.bl"                 "ADAS11.bl"                "ADAS13.bl"               
 +[57] "MMSE.bl"                  "RAVLT.immediate.bl"       "RAVLT.learning.bl"        "RAVLT.forgetting.bl"     
 +[61] "RAVLT.perc.forgetting.bl" "FAQ.bl"                   "FLDSTRENG.bl"             "FSVERSION.bl"            
 +[65] "Ventricles.bl"            "Hippocampus.bl"           "WholeBrain.bl"            "Entorhinal.bl"           
 +[69] "Fusiform.bl"              "MidTemp.bl"               "ICV.bl"                   "MOCA.bl"                 
 +[73] "EcogPtMem.bl"             "EcogPtLang.bl"            "EcogPtVisspat.bl"         "EcogPtPlan.bl"           
 +[77] "EcogPtOrgan.bl"           "EcogPtDivatt.bl"          "EcogPtTotal.bl"           "EcogSPMem.bl"            
 +[81] "EcogSPLang.bl"            "EcogSPVisspat.bl"         "EcogSPPlan.bl"            "EcogSPOrgan.bl"          
 +[85] "EcogSPDivatt.bl"          "EcogSPTotal.bl"           "FDG.bl"                   "PIB.bl"                  
 +[89] "AV45.bl"                  "Years.bl"                 "Month.bl"                 "Month"                   
 +[93] "M"      
 +</code>
 +++++
 +El problema es que cada uno debe ser analizado de manera distinta. Las variables //Ventricles//, //Hippocampus// y //WholeBrain// deben de alguna manera normalizarse por //ICV// (revisar //Entorhinal//, //Fusiform// y //MidTemp//) mientras que //FDG//, //PIB// y //AV45// son variables normalizadas.
 +
 +<code>
 +library("ADNIMERGE")
 +library(cusp)
 +library(psych) #for composite scores
 +# Let's get the data
 +tmp_np <- merge(adas, neurobat, by=c("RID", "VISCODE") )
 +m <- merge(tmp_np, adnimerge, by=c("RID", "VISCODE") )
 +rm(tmp_np)
 +# Select data
 +m$cAGE = m$AGE + m$Years
 +data <- data.frame(m$WholeBrain, m$ICV, m$cAGE, m$PTGENDER, m$PTEDUCAT, m$AVDEL30MIN, m$Q4SCORE)
 +datac <- data[complete.cases(data),]
 +#Z-scores and Composite Scores
 +datac$zavd = (datac$m.AVDEL30MIN - mean(datac$m.AVDEL30MIN))/sd(datac$m.AVDEL30MIN)
 +datac$zdr = (mean(datac$m.Q4SCORE) - datac$m.Q4SCORE)/sd(datac$m.Q4SCORE)
 +datac$zAge = (datac$m.cAGE - mean(datac$m.cAGE))/sd(datac$m.cAGE)
 +datac$zEduc = (datac$m.PTEDUCAT - mean(datac$m.PTEDUCAT))/sd(datac$m.PTEDUCAT)
 +gfam <- data.frame(datac$zavd, datac$zdr)
 +famod <- fa(gfam, scores="regression")
 +datac$drcs <- famod$scores
 +# NI biomarker
 +datac$wb = datac$m.WholeBrain/datac$m.ICV
 +datac$zwb = (datac$wb - mean(datac$wb))/sd(datac$wb)
 +#fit to Cusp model
 +fit <- cusp(y ~ drcs, alpha ~ zwb + zAge + m.PTGENDER + zEduc, beta ~ zwb +zAge + m.PTGENDER + zEduc, datac)
 +summary(fit)
 +</code>
 +
 +++++ El resultado no es demasiado bueno para la materia gris |
 +
 +<code>
 +> summary(fit)
 +
 +Call:
 +cusp(formula = y ~ drcs, alpha = alpha ~ zwb + zAge + m.PTGENDER + 
 +    zEduc, beta = beta ~ zwb + zAge + m.PTGENDER + zEduc, data = datac)
 +
 +Deviance Residuals: 
 +     Min        1Q    Median        3Q       Max  
 +-3.03128  -0.34504   0.04153   0.68234   3.46997  
 +
 +Coefficients:
 +                     Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]      -0.495490   0.034268 -14.459  < 2e-16 ***
 +a[zwb]               0.439670   0.016181  27.172  < 2e-16 ***
 +a[zAge]              0.084987   0.015421   5.511 3.57e-08 ***
 +a[m.PTGENDERFemale]  0.335385   0.036312   9.236  < 2e-16 ***
 +a[zEduc]             0.246808   0.016847  14.650  < 2e-16 ***
 +b[(Intercept)]       0.707160   0.038400  18.416  < 2e-16 ***
 +b[zwb]              -0.430749   0.019983 -21.556  < 2e-16 ***
 +b[zAge]             -0.263518   0.015366 -17.149  < 2e-16 ***
 +b[m.PTGENDERFemale]  0.737773   0.041330  17.851  < 2e-16 ***
 +b[zEduc]             0.121714   0.021839   5.573 2.50e-08 ***
 +w[(Intercept)]      -0.343946   0.012126 -28.364  < 2e-16 ***
 +w[drcs]              1.144778   0.009349 122.443  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 7603.1  on 6754  degrees of freedom
 +Linear deviance: 4650.8  on 6749  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 5097.1  on 6743  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.1983602 -8324.282    6 16660.56 16660.58 16701.47
 +Cusp model   0.3583674 -7877.500   12 15779.00 15779.05 15860.82
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 893.6, df = 6, p-value = 0
 +
 +Number of optimization iterations: 52
 +</code>
 +++++
 +
 +++++ Un poco mejor (no mucho) para los Ventriculos |
 +<code>
 +> summary(fit)
 +
 +Call:
 +cusp(formula = y ~ drcs, alpha = alpha ~ zwb + zAge + m.PTGENDER + 
 +    zEduc, beta = beta ~ zwb + zAge + m.PTGENDER + zEduc, data = datac)
 +
 +Deviance Residuals: 
 +     Min        1Q    Median        3Q       Max  
 +-1.96597  -0.34590   0.08371   0.71785   3.30025  
 +
 +Coefficients:
 +                    Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]      -0.45714    0.02514 -18.184  < 2e-16 ***
 +a[zwb]              -0.37215    0.01895 -19.643  < 2e-16 ***
 +a[zAge]              0.02568    0.01398   1.837   0.0662 .  
 +a[m.PTGENDERFemale]  0.26724    0.02818   9.484  < 2e-16 ***
 +a[zEduc]             0.24629    0.01497  16.455  < 2e-16 ***
 +b[(Intercept)]       0.68135    0.06771  10.063  < 2e-16 ***
 +b[zwb]               0.04897    0.02989   1.638   0.1013    
 +b[zAge]             -0.13237    0.02618  -5.057 4.27e-07 ***
 +b[m.PTGENDERFemale]  0.71151    0.05476  12.994  < 2e-16 ***
 +b[zEduc]             0.13563    0.02624   5.169 2.35e-07 ***
 +w[(Intercept)]      -0.28049    0.01186 -23.655  < 2e-16 ***
 +w[drcs]              1.12939    0.01124 100.486  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 7186.9  on 6554  degrees of freedom
 +Linear deviance: 4853.0  on 6549  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 4458.2  on 6543  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.1386990 -8315.823    6 16643.65 16643.66 16684.37
 +Cusp model   0.4315817 -7959.414   12 15942.83 15942.88 16024.28
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 712.8, df = 6, p-value = 0
 +
 +Number of optimization iterations: 40
 +</code>
 +++++
 +
 +++++ Para el hipocampo el lineal es tan bueno como el no lineal|
 +<code>
 +> summary(fit)
 +
 +Call:
 +cusp(formula = y ~ drcs, alpha = alpha ~ zwb + zAge + m.PTGENDER + 
 +    zEduc, beta = beta ~ zwb + zAge + m.PTGENDER + zEduc, data = datac)
 +
 +Deviance Residuals: 
 +    Min       1Q   Median       3Q      Max  
 +-3.0590  -0.3649   0.0143   0.5757   3.2717  
 +
 +Coefficients:
 +                      Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]      -0.5748835  0.0203013 -28.318  < 2e-16 ***
 +a[zwb]               0.7766157  0.0209173  37.128  < 2e-16 ***
 +a[zAge]              0.1420567         NA      NA       NA    
 +a[m.PTGENDERFemale]  0.3207513         NA      NA       NA    
 +a[zEduc]             0.2969783  0.0005627 527.749  < 2e-16 ***
 +b[(Intercept)]       0.5155457         NA      NA       NA    
 +b[zwb]              -0.7661551  0.0139140 -55.064  < 2e-16 ***
 +b[zAge]             -0.3060879  0.0196256 -15.596  < 2e-16 ***
 +b[m.PTGENDERFemale]  0.7437734  0.0132296  56.220  < 2e-16 ***
 +b[zEduc]             0.1028033  0.0284092   3.619 0.000296 ***
 +w[(Intercept)]      -0.4249690  0.0080047 -53.090  < 2e-16 ***
 +w[drcs]              1.1575905  0.0062789 184.362  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 6826.7  on 5939  degrees of freedom
 +Linear deviance: 3140.1  on 5934  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 4303.2  on 5928  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.3836286 -6535.252    6 13082.50 13082.52 13122.64
 +Cusp model   0.3817421 -6092.774   12 12209.55 12209.60 12289.82
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 885, df = 6, p-value = 0
 +
 +Number of optimization iterations: 65
 +</code>
 +++++
 +
 +++++ Malo para el FDG |
 +<code>
 +> summary(fit)
 +
 +Call:
 +cusp(formula = y ~ drcs, alpha = alpha ~ zwb + zAge + m.PTGENDER + 
 +    zEduc, beta = beta ~ zwb + zAge + m.PTGENDER + zEduc, data = datac)
 +
 +Deviance Residuals: 
 +     Min        1Q    Median        3Q       Max  
 +-3.02185  -0.35020   0.05687   0.63803   3.60924  
 +
 +Coefficients:
 +                     Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]      -0.508309   0.023910 -21.259  < 2e-16 ***
 +a[zwb]               0.524366   0.014518  36.119  < 2e-16 ***
 +a[zAge]             -0.077225   0.020089  -3.844 0.000121 ***
 +a[m.PTGENDERFemale]  0.266786   0.007268  36.705  < 2e-16 ***
 +a[zEduc]             0.210118   0.021580   9.737  < 2e-16 ***
 +b[(Intercept)]       0.842972   0.015688  53.734  < 2e-16 ***
 +b[zwb]              -0.589807         NA      NA       NA    
 +b[zAge]             -0.124395   0.033468  -3.717 0.000202 ***
 +b[m.PTGENDERFemale]  0.600601   0.040893  14.687  < 2e-16 ***
 +b[zEduc]             0.122145   0.034828   3.507 0.000453 ***
 +w[(Intercept)]      -0.426748   0.014152 -30.154  < 2e-16 ***
 +w[drcs]              1.169788   0.008142 143.666  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 3895.6  on 3317  degrees of freedom
 +Linear deviance: 2026.9  on 3312  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 2475.7  on 3306  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.2880251 -3890.378    6 7792.755 7792.781 7829.398
 +Cusp model   0.3869597 -3622.986   12 7269.971 7270.066 7343.257
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 534.8, df = 6, p-value = 0
 +
 +Number of optimization iterations: 43
 +</code>
 +++++
 +
 +++++ Pesimo para el AV45 |
 +<code>
 +> summary(fit)
 +
 +Call:
 +cusp(formula = y ~ drcs, alpha = alpha ~ zwb + zAge + m.PTGENDER + 
 +    zEduc, beta = beta ~ zwb + zAge + m.PTGENDER + zEduc, data = datac)
 +
 +Deviance Residuals: 
 +     Min        1Q    Median        3Q       Max  
 +-2.77918  -0.53934  -0.09885   0.52564   2.93425  
 +
 +Coefficients:
 +                     Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]      -0.329897         NA      NA       NA    
 +a[zwb]              -0.509019   0.029985 -16.976  < 2e-16 ***
 +a[zAge]             -0.175968   0.022751  -7.735 1.04e-14 ***
 +a[m.PTGENDERFemale]  0.492413   0.050822   9.689  < 2e-16 ***
 +a[zEduc]             0.185683   0.026500   7.007 2.44e-12 ***
 +b[(Intercept)]       0.149342         NA      NA       NA    
 +b[zwb]               0.169838   0.006714  25.295  < 2e-16 ***
 +b[zAge]             -0.183744         NA      NA       NA    
 +b[m.PTGENDERFemale]  0.701522         NA      NA       NA    
 +b[zEduc]             0.127566         NA      NA       NA    
 +w[(Intercept)]      -0.049160   0.016707  -2.943  0.00326 ** 
 +w[drcs]              1.088235   0.010977  99.138  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 1649.6  on 1691  degrees of freedom
 +Linear deviance: 1051.9  on 1686  degrees of freedom
 +Logist deviance:     NA  on   NA  degrees of freedom
 + Delay deviance: 1403.4  on 1680  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.2448373 -1998.714    6 4009.428 4009.478 4042.030
 +Cusp model   0.1503419 -2015.754   12 4055.508 4055.693 4120.712
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 34.08, df = 6, p-value = 6.494e-06
 +
 +Number of optimization iterations: 68
 +</code>
 +++++
 +
 +++++  Pero bastante bueno para el PiB |
 +<code>
 +> summary(fit)
 +
 +Call:
 +cusp(formula = y ~ drcs, alpha = alpha ~ zwb + zAge + m.PTGENDER + 
 +    zEduc, beta = beta ~ zwb + zAge + m.PTGENDER + zEduc, data = datac)
 +
 +Deviance Residuals: 
 +     Min        1Q    Median        3Q       Max  
 +-1.39747  -0.34765   0.02365   0.61995   2.80434  
 +
 +Coefficients:
 +                    Estimate Std. Error z value Pr(>|z|)    
 +a[(Intercept)]      -0.41926    0.10606  -3.953 7.71e-05 ***
 +a[zwb]              -0.41509    0.08006  -5.185 2.16e-07 ***
 +a[zAge]             -0.01542    0.06966  -0.221  0.82483    
 +a[m.PTGENDERFemale]  0.01350    0.14087   0.096  0.92365    
 +a[zEduc]             0.15078    0.07280   2.071  0.03835 *  
 +b[(Intercept)]       1.38998    0.24548   5.662 1.49e-08 ***
 +b[zwb]               0.09861    0.13536   0.729  0.46629    
 +b[zAge]             -0.33692    0.11845  -2.844  0.00445 ** 
 +b[m.PTGENDERFemale]  0.61578    0.24049   2.561  0.01045 *  
 +b[zEduc]             0.04128    0.12358   0.334  0.73837    
 +w[(Intercept)]      -0.49934    0.05477  -9.116  < 2e-16 ***
 +w[drcs]              1.23598    0.04958  24.928  < 2e-16 ***
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +
 +  Null deviance: 297.20  on 217  degrees of freedom
 +Linear deviance: 154.46  on 212  degrees of freedom
 +Logist deviance:     NA  on  NA  degrees of freedom
 + Delay deviance: 152.70  on 206  degrees of freedom
 +
 +             R.Squared    logLik npar      AIC     AICc      BIC
 +Linear model 0.2060384 -271.7741    6 555.5482 555.9463 575.8552
 +Cusp model   0.5180603 -235.4183   12 494.8367 496.3586 535.4506
 +---
 +Note: R.Squared for cusp model is Cobb's pseudo-R^2. This value
 +      can become negative.
 +
 + Chi-square test of linear vs. cusp model
 +
 +X-squared = 72.71, df = 6, p-value = 1.135e-13
 +
 +Number of optimization iterations: 34
 +</code>
 +++++
 +
neuroimagen/adni_cusp.1450100311.txt.gz · Last modified: 2020/08/04 10:46 (external edit)