simulations/06_irr_dv.R

   1
   2 library(argparser)
   3 library(mecor)
   4 library(ggplot2)
   5 library(data.table)
   6 library(filelock)
   7 library(arrow)
   8 library(Amelia)
   9 library(Zelig)
  10 library(predictionError)
  11 options(amelia.parallel="no",
  12         amelia.ncpus=1)
  13 setDTthreads(40)
  14
  15 source("irr_dv_simulation_base.R")
  16
  17
  18 ## one way to do it is by adding correlation to x.obs and y that isn't in w.
  19 ## in other words, the model is missing an important feature of x.obs that's related to y.
  20 simulate_data <- function(N, m, B0, Bxy, Bzy, seed, prediction_accuracy=0.73, coder_accuracy=0.8){
  21     set.seed(seed)
  22
  23     # make w and y dependent
  24     z <- rbinom(N, 1, 0.5)
  25     x <- rbinom(N, 1, 0.5)
  26
  27     ystar <- Bzy * z + Bxy * x + B0
  28     y <- rbinom(N,1,plogis(ystar))
  29
  30     # glm(y ~ x + z, family="binomial")
  31
  32     df <- data.table(x=x,y=y,ystar=ystar,z=z)
  33
  34     df <- df[sample(nrow(df), m), y.obs := y]
  35
  36     coder.0.correct <- rbinom(m, 1, coder_accuracy)
  37     coder.1.correct <- rbinom(m, 1, coder_accuracy)
  38
  39     df[!is.na(y.obs),y.obs.0 := as.numeric((.SD$y.obs & coder.0.correct) | (!.SD$y.obs & !coder.0.correct))]
  40     df[!is.na(y.obs),y.obs.1 := as.numeric((.SD$y.obs & coder.1.correct) | (!.SD$y.obs & !coder.1.correct))]
  41
  42     odds.y1 <- qlogis(prediction_accuracy)
  43     odds.y0 <- qlogis(prediction_accuracy,lower.tail=F)
  44
  45     df[y==0,w:=plogis(rlogis(.N,odds.y0))]
  46     df[y==1,w:=plogis(rlogis(.N,odds.y1))]
  47
  48     df[,w_pred := as.integer(w > 0.5)]
  49
  50     print(mean(df$y == df$y.obs.0,na.rm=T))
  51     print(mean(df$y == df$y.obs.1,na.rm=T))
  52
  53     print(mean(df[x==0]$y == df[x==0]$w_pred))
  54     print(mean(df[x==1]$y == df[x==1]$w_pred))
  55     print(mean(df$w_pred == df$y))
  56     return(df)
  57 }
  58
  59 parser <- arg_parser("Simulate data and fit corrected models")
  60 parser <- add_argument(parser, "--N", default=5000, help="number of observations of w")
  61 parser <- add_argument(parser, "--m", default=500, help="m the number of ground truth observations")
  62 parser <- add_argument(parser, "--seed", default=16, help='seed for the rng')
  63 parser <- add_argument(parser, "--outfile", help='output file', default='example_2.feather')
  64 parser <- add_argument(parser, "--y_explained_variance", help='what proportion of the variance of y can be explained?', default=0.1)
  65 parser <- add_argument(parser, "--prediction_accuracy", help='how accurate is the predictive model?', default=0.73)
  66 ## parser <- add_argument(parser, "--x_bias_y1", help='how is the classifier biased when y = 1?', default=-0.75)
  67 ## parser <- add_argument(parser, "--x_bias_y0", help='how is the classifier biased when y = 0 ?', default=0.75)
  68 parser <- add_argument(parser, "--Bxy", help='coefficient of x on y', default=0.3)
  69 parser <- add_argument(parser, "--Bzy", help='coeffficient of z on y', default=-0.3)
  70 parser <- add_argument(parser, "--outcome_formula", help='formula for the outcome variable', default="y~x+z")
  71 parser <- add_argument(parser, "--proxy_formula", help='formula for the proxy variable', default="w_pred~y+y.obs.1+y.obs.0")
  72 parser <- add_argument(parser, "--coder_accuracy", help='How accurate are the coders?', default=0.8)
  73
  74 args <- parse_args(parser)
  75
  76 B0 <- 0
  77 Bxy <- args$Bxy
  78 Bzy <- args$Bzy
  79
  80
  81 df <- simulate_data(args$N, args$m, B0, Bxy, Bzy, args$seed, args$prediction_accuracy, args$coder_accuracy)
  82
  83                                         #    result <- list('N'=args$N,'m'=args$m,'B0'=B0,'Bxy'=Bxy,'Bzy'=Bzy, 'seed'=args$seed, 'y_explained_variance'=args$y_explained_variance, 'prediction_accuracy'=args$prediction_accuracy, 'x_bias_y0'=args$x_bias_y0,'x_bias_y1'=args$x_bias_y1,'outcome_formula' = args$outcome_formula, 'proxy_formula' = args$proxy_formula)
  84 result <- list('N'=args$N,'m'=args$m,'B0'=B0,'Bxy'=Bxy,'Bzy'=Bzy, 'seed'=args$seed, 'y_explained_variance'=args$y_explained_variance, 'prediction_accuracy'=args$prediction_accuracy, 'outcome_formula' = args$outcome_formula, 'proxy_formula' = args$proxy_formula)
  85
  86 outline <- run_simulation_depvar(df, result, outcome_formula = as.formula(args$outcome_formula), proxy_formula = as.formula(args$proxy_formula))
  87
  88 outfile_lock <- lock(paste0(args$outfile, '_lock'),exclusive=TRUE)
  89
  90 if(file.exists(args$outfile)){
  91     logdata <- read_feather(args$outfile)
  92     logdata <- rbind(logdata,as.data.table(outline),fill=TRUE)
  93 } else {
  94     logdata <- as.data.table(outline)
  95 }
  96
  97 print(outline)
  98 write_feather(logdata, args$outfile)
  99 unlock(outfile_lock)
 100
 101 warnings()