You need to enable JavaScript to run this app. R语言Kruskal-Wallis检验后p<0.05自动运行事后检验的实现
优惠活动
大模型
产品
解决方案
定价
更多

R语言Kruskal-Wallis检验后p<0.05自动运行事后检验的实现

实现自动化流程的可运行代码

首先补全原有代码的前置缺失:直接把原始向量整合为可分析的dat数据框,避免后续运行报错:

library(rstatix)
library(tidyverse)

# 构造分析用数据集
dat <- tibble(
  Day = c(1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2),
  Group = c("A","A","A","B","B","B","C","C","C",
            "A","A","A","A","B","B","B","C","C","C"),
  Rain = c(4,4,6,5,3,4,5,5,3,6,6,6,5,3,3,3,2,5,2),
  UV = c(6,6,7,8,5,6,5,6,6,6,7,7,8,8,5,6,8,5,7)
)
# 定义需要分析的响应变量
cols <- c('Rain', 'UV')

第一步:批量计算所有维度的Kruskal-Wallis检验结果

和原有分析逻辑保持一致,按Day分组后对每个响应变量跑KW检验,保留核心溯源字段:

kw_base <- map_dfr(cols, ~{
  dat %>% 
    group_by(Day) %>% 
    kruskal_test(reformulate('Group', .x)) %>% 
    mutate(response_var = .x) # 标记每行对应的分析指标
})

第二步:编写条件触发的事后检验逻辑

逐行判断KW检验的p值,仅当p<0.05时运行配对Wilcoxon检验,否则直接跳过,避免无意义计算:

# 定义触发规则的自定义函数
run_posthoc <- function(kw_row, sig_threshold = 0.05, adjust_method = "BH"){
  # 提取当前检验行的维度信息
  target_day <- kw_row$Day
  target_resp <- kw_row$response_var
  target_kw_p <- kw_row$p
  
  # 未达显著性阈值直接返回标记
  if(target_kw_p >= sig_threshold){
    return(tibble(
      Day = target_day,
      response_var = target_resp,
      kw_p = target_kw_p,
      posthoc_run = FALSE,
      pair = NA,
      adj_p = NA
    ))
  }
  
  # 提取当前Day、当前指标的子集数据
  sub_data <- dat %>% filter(Day == target_day)
  # 运行指定的pairwise.wilcox.test,应用多重校正
  pw_res <- pairwise.wilcox.test(
    x = sub_data[[target_resp]],
    g = sub_data$Group,
    p.adjust.method = adjust_method
  )
  
  # 将默认矩阵格式的p值转为结构化长表
  pw_long <- pw_res$p.value %>% 
    as.data.frame() %>% 
    rownames_to_column("group1") %>% 
    pivot_longer(-group1, names_to = "group2", values_to = "adj_p") %>% 
    filter(!is.na(adj_p)) %>% 
    mutate(
      Day = target_day,
      response_var = target_resp,
      kw_p = target_kw_p,
      posthoc_run = TRUE,
      pair = paste(group1, group2, sep = " vs ")
    )
  
  return(pw_long %>% select(Day, response_var, kw_p, posthoc_run, pair, adj_p))
}

第三步:批量执行并整合最终输出

# 逐行应用自定义函数,整合所有结果
final_posthoc <- kw_base %>% 
  split(1:nrow(.)) %>% 
  map_dfr(run_posthoc)

输出结果说明

  • kw_p列存储对应分组下Kruskal-Wallis检验的原始p值,用于溯源
  • posthoc_run列标记是否触发了事后检验:值为TRUE代表该组下KW检验达显著性,已自动完成配对Wilcoxon分析
  • pair列存储具体的组别配对关系,adj_p列存储经过指定方法校正后的配对p值
  • 可通过修改sig_threshold调整显著性触发阈值,修改adjust_method更换多重校正方法(支持"holm"、"bonferroni"、"fdr"等常用选项)

注意:原pairwise.wilcox.test默认的校正方法为"holm",上述代码使用的"BH"为非参数统计事后检验中更常用的FDR校正方式,可根据分析需求调整。


内容的提问来源于stack exchange,提问作者Sue

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.10 01:45:09