generateDataFrame_random_error_bias_a_bit_of_both

generateDataFrame_random_error_bias_a_bit_of_both

#####################################################################################################
###     This exercise should illustrate perfect agreement, random error and systematic error      ###
#####################################################################################################
library(rio)
library(tidyverse)
library(ggplot2)
library(BlandAltmanLeh)
library(psych)

rnorm2 <- function(n,mean,sd) { mean+sd*scale(rnorm(n)) } # this function is just to make it possible to fix the values or rnorm https://stackoverflow.com/questions/18919091/generate-random-numbers-with-fixed-mean-and-sd?lq=1

set.seed(1) # this is just in order that we get the same results, however, there might still be some differences because of difference MAC / PC

data<-tibble(ID=1:100, Ms_Perfect=rnorm(100, 80, 10),
                                  Mr_Perfect=Ms_Perfect,Ms_Random=rnorm(100,80,10),Mr_Random=rnorm(100,80,10),
                                 Ms_Bias=rnorm(100, 80,10),Mr_Bias=Ms_Bias-20, Ms_A.Bitofrandom<-rnorm(100,80,10) ,
                                 Mr_A.Bitofrandom<-Ms_A.Bitofrandom-(rnorm2(100,0,10)),Ms_A.Bitofrandomandbias<-rnorm(100,80,10) , 
                                 Mr_A.Bitofrandomandbias<-Ms_A.Bitofrandomandbias-(rnorm2(100,10,10))  )

## Above we used the tidyverse approach, if you prefer the base R approach, you find this here. This is just for those confused by the command above. 

ID =1:100
#set.seed(1) # if we do not set the seed or would set an other seed, the rnorm commands would get different results everytime we run it. 
Ms_Perfect<-rnorm(100, 80, 10)
Mr_Perfect<-Ms_Perfect

Ms_Random<-rnorm(100,80,10) 
Mr_Random<-rnorm(100,80,10)

Ms_Bias<-rnorm(100, 80,10)
Mr_Bias<-Ms_Bias+20

Ms_A.Bitofrandom<-rnorm(100,80,10) 
Mr_A.Bitofrandom<-Ms_A.Bitofrandom-(rnorm2(100,0,10))

Ms_A.Bitofrandomandbias<-rnorm(100,80,10) 
Mr_A.Bitofrandomandbias<-Ms_A.Bitofrandomandbias-(rnorm2(100,10,10))

# First, we create some data
data<-data.frame(ID, Ms_Perfect, Mr_Perfect,Ms_Random,Mr_Random,Ms_Bias,Mr_Bias ,Ms_A.Bitofrandom, Mr_A.Bitofrandom, Ms_A.Bitofrandomandbias, Mr_A.Bitofrandomandbias)

psych::describe(data_perfect_random_bias)
psych::describe(data)

#################################################
###     Scatterplot for Ms and Mr Perfect     ###
#################################################

library(ggplot2)
family_perfect<-ggplot(data=data, aes(x=Ms_Perfect, y=Mr_Perfect))+
  geom_point() +
  coord_cartesian(xlim=c(60,110), ylim=c(60,110))
print(family_perfect)

#####################################################
###     Bland Altman Plot for Ms and Mr Perfect   ###
#####################################################

bland.altman.plot(data$Ms_Perfect, data$Mr_Perfect, main="This is a Bland Altman Plot", xlab="Means Ms Perfect & Ms Perfect", ylab="Differences Ms Perfect - Mr Perfect")

#######################################
###     ICC for Ms and Mr Perfect   ###
#######################################

out<-psych::ICC(as.matrix(data[2:3]))  
out
out$stats
out$MSW

################################################
###     Scatterplot for Ms and Mr Random     ###
################################################
family_random<-ggplot(data=data, aes(x=Ms_Random, y=Mr_Random))+
  geom_point()+
  coord_cartesian(xlim=c(60,110), ylim=c(60,110))
print(family_random)

####################################################
###     Bland Altman Plot for Ms and Mr Random   ###
####################################################
bland.altman.plot(data$Ms_Random, data$Mr_Random, main="This is a Bland Altman Plot", xlab="Means Ms Random & Mr Random", ylab="Differences Ms Random  - Mr Random")

#########################################
###     ICC for Ms and Mr Random      ###
#########################################
names(data)
out<-psych::ICC(as.matrix(data[4:5])) 
out
out$stats
out$MSW

###############################################
###     Scatterplot for Ms and Mr Bias      ###
###############################################
family_bias<-ggplot(data=data, aes(x=Ms_Bias, y=Mr_Bias))+
  geom_point(aes(size=1.2), shape=1)+ xlim(40,100)+ylim(40,100)+ # https://ggplot2.tidyverse.org/reference/geom_point.html
    stat_smooth(method="lm",fullrange=TRUE) + # https://stats.stackexchange.com/questions/36207/how-to-predict-or-extend-regression-lines-in-ggplot2
   theme(legend.position="none")
  print(family_bias)
  
  #####################################################
  ###     Bland Altman Plot for Ms and Mr Bias      ###
  #####################################################
bland.altman.plot(data$Ms_Bias, data$Mr_Bias, main="This is a Bland Altman Plot", xlab="Means Ms Bias & Mr Peter", ylab="Differences Ms Bias & Mr Peter")
  
  #########################################
  ###     ICC for Ms and Mr Bias        ###
  #########################################
  names(data)
  out_bias<-psych::ICC(as.matrix(data[6:7]), lme=FALSE)  
  out_bias
  out_bias$stats
  out_bias$MSW  
  
  
#########################################################
###     Scatterplot for Ms and Mr A. Bitofrandom      ###
######################################################### 
  
family_a.bitofrandom<-ggplot(data=data, aes(x=Ms_A.Bitofrandom, y=Mr_A.Bitofrandom))+
  geom_point()+
  coord_cartesian(xlim=c(40,110), ylim=c(40,110))+
  geom_smooth(method=lm)
print(family_a.bitofrandom)

###############################################################
###     Bland Altman Plot for Ms and Mr A. Bitofrandom      ###
###############################################################

bland.altman.plot(data$Ms_A.Bitofrandom, data$Mr_A.Bitofrandom, main="This is a Bland Altman Plot", xlab="Means Ms A.Bitofrandom & Mr A.Bitofrandom", ylab="Differences Ms A.Bitofrandom & Mr A.Bitofrandom")

#################################################
###     ICC for Ms and Mr A. BitofRandom      ###
#################################################
names(data)
out<-psych::ICC(as.matrix(data[4:5])) 
out
out$stats
out$MSW

###############################################################
###     Scatterplot for Ms and Mr A. Bitofrandomandbias     ###
############################################################### 

family_a.bitofrandomandbias<-ggplot(data=data, aes(x=Ms_A.Bitofrandomandbias, y=Mr_A.Bitofrandomandbias))+
  geom_point()+
  coord_cartesian(xlim=c(40,110), ylim=c(40,110))+
  geom_smooth(method=lm)
print(family_a.bitofrandomandbias)

######################################################################
###     Bland Altman Plot for Ms and Mr A. Bitofrandomandbias      ###
######################################################################
bland.altman.plot(data$Ms_A.Bitofrandomandbias, data$Mr_A.Bitofrandomandbias, main="This is a Bland Altman Plot", xlab="Means Ms A.Bitofrandomandbias & Mr A.Bitofrandomandbias", ylab="Differences Ms A.Bitofrandomandbias & Mr A.Bitofrandomandbias")

########################################################
###     ICC for Ms and Mr A. BitofRandomandbias      ###
########################################################
names(data)
out<-psych::ICC(as.matrix(data[4:5])) 
out
out$stats
out$MSW