寻求支持比例偏差与异方差的Bland-Altman图工具

R语言工具包 #

1. methodcompare包 #

• 自带的bland.altman.plot()函数能直接检测比例偏差，通过拟合线性模型分析差异与均值的关联，自动适配异方差场景——会用加权置信区间调整，避免普通置信区间的偏差。
• 简单示例：

library(methodcompare)
# 模拟带比例偏差的测试数据
set.seed(123)
mean_vals <- runif(100, 10, 50)
diff_vals <- 0.1*mean_vals + rnorm(100, 0, 2)
method1 <- mean_vals + diff_vals/2
method2 <- mean_vals - diff_vals/2
# 生成带加权CI的Bland-Altman图，自动检测比例偏差
bland.altman.plot(method1, method2, plot.type = "difference", weighted = TRUE)

2. BlandAltmanLeh包 #

• 专门针对Bland-Altman分析做了扩展，支持比例偏差的统计检验（通过回归分析差异和均值的相关性），还能生成异方差调整后的置信区间图，输出里会直接给出比例偏差的p值等统计结果。
• 简单示例：

library(BlandAltmanLeh)
# 用上面的模拟数据
ba_result <- bland.altman.plot(method1, method2, probs = c(0.05, 0.95), weighted = TRUE)
# 查看比例偏差的检验结果
summary(ba_result)

Python语言工具包 #

1. blandaltman第三方库 #

• 这个库支持比例偏差检测，会自动拟合差异与均值的线性回归来判断是否存在比例偏差，还能通过加权置信区间处理异方差问题，输出里包含回归系数和检验统计量。
• 简单示例：

import numpy as np
from blandaltman import bland_altman_plot
import matplotlib.pyplot as plt

# 模拟带比例偏差的数据
np.random.seed(123)
mean_vals = np.random.uniform(10, 50, 100)
diff_vals = 0.1*mean_vals + np.random.normal(0, 2, 100)
method1 = mean_vals + diff_vals/2
method2 = mean_vals - diff_vals/2

# 绘制带比例偏差检测和加权CI的图
fig, ax = plt.subplots()
bland_altman_plot(method1, method2, ax=ax, weighted=True, regression=True)
plt.title("Bland-Altman Plot with Proportional Bias Detection")
plt.show()

2. 手动结合scipy+matplotlib定制实现 #

• 如果需要更灵活的自定义分析，可以用scipy.stats.linregress检验差异与均值的相关性（判断比例偏差），用加权最小二乘法计算异方差调整后的置信区间，再手动绘图。
• 简单示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import linregress

# 用上面的模拟数据
mean_vals = (method1 + method2)/2
diff_vals = method1 - method2

# 检验比例偏差
slope, intercept, r_value, p_value, std_err = linregress(mean_vals, diff_vals)
print(f"比例偏差检验：斜率={slope:.4f}，p值={p_value:.4f}")

# 计算加权置信区间（用均值的倒数做权重，适配异方差）
weights = 1/mean_vals
weighted_mean_diff = np.average(diff_vals, weights=weights)
weighted_std = np.sqrt(np.average((diff_vals - weighted_mean_diff)**2, weights=weights))
ci_lower = weighted_mean_diff - 1.96*weighted_std
ci_upper = weighted_mean_diff + 1.96*weighted_std

# 绘图
plt.scatter(mean_vals, diff_vals)
plt.axhline(weighted_mean_diff, color='red', linestyle='--')
plt.axhline(ci_lower, color='gray', linestyle=':')
plt.axhline(ci_upper, color='gray', linestyle=':')
# 添加比例偏差回归线
plt.plot(mean_vals, intercept + slope*mean_vals, color='blue')
plt.xlabel("Mean of Two Methods")
plt.ylabel("Difference Between Methods")
plt.title("Custom Bland-Altman Plot with Proportional Bias & Heteroscedasticity Adjustment")
plt.show()

内容的提问来源于stack exchange，提问作者Milad Shahidi