Creating Sample Data

This section is about creating sample data. If you don’t need it, please skip to the next section. Let’s consider how well we can detect people with the disease using two assays, “assay1” and “assay2”.

set.seed(3)
condition <- rep(c("healthy", "disease"), each = 50)
assay1 <- c(rnorm(40, mean = 1, sd = 2), 
            rnorm(10, mean = 3, sd = 1), 
            rnorm(40, mean = 5, sd = 2), 
            rnorm(10, mean = 7, sd = 1))
assay2 <- c(rnorm(30, mean = 1, sd = 3), 
            rnorm(20, mean = 2, sd = 2), 
            rnorm(30, mean = 3, sd = 3), 
            rnorm(20, mean = 4, sd = 2))

df = data.frame(condition, assay1, assay2)

these distributions would look like this:

library(beeswarm)
beeswarm(data = df, assay1 ~ condition, 
         col = c("red","blue"), pch=19)
beeswarm(data = df, assay2 ~ condition,
         col = c("red", "blue"), pch=19)

Use pROC

Install pROC package

First, you need to install and load the pROC package to use it in R.

install.packages("pROC")
library(pROC)

To draw a single ROC curve

The data frame looks like this:

> head(df)
  condition     assay1     assay2
1   healthy -0.9238668  2.8520501
2   healthy  0.4149486 -0.2152325
3   healthy  1.5175764  4.1593113
4   healthy -1.3042638  2.8068527
5   healthy  1.3915657  4.0523835
6   healthy  1.0602479  2.8245020

There are several ways to proceed from here, but first let’s use roc() to store the result in an object.

roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))

As an alternative, you can also use the following notation with “~”:

roc1 <- roc(df$condition ~ df$assay1, ci=TRUE, 
            levels=c("healthy", "disease"))

The condition column can be 0 and 1, as it is a binary variable. ci refers to the confidence interval.

you can use the plot() function to draw the ROC curve.

plot(roc1)

Convert to Percentage Display

You can customize the axis to display in percentage format by adding percent=TRUE.

roc1 <- roc(condition, assay1, data=df, percent=TRUE,
            levels=c("healthy", "disease"))
plot(roc1)

Display Confidence Interval of Sensitivity

You can display the confidence interval of the sensitivity. To calculate the confidence interval of sensitivity, use ci.se(). col is used to specify the color.

roc2 <- roc(condition, assay2, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
plot(roc2)
rocCI <- ci.se(roc2)
plot(rocCI, type="shape", col="lightblue")

Display Optimal Cutoff Point

One important aspect of the ROC curve is determining the optimal cut-off point. While determining the optimal cut-off point is a big topic on its own, here we introduce two methods: the Youden Index and top left.

To explain briefly, the Youden Index is calculated as “sensitivity + specificity – 1”, and the point with the highest value is selected as the optimal cut-off point. On the other hand, the top left method extracts the point closest to the upper left corner of the ROC curve.

display Optimal Cutoff based on Youden Index

You can add the optimal cutoff to the plot by modifying the plot() function call. Setting print.thres = "best" and print.thres.best.method = "youden" will display the optimal point. Setting legacy.axes = TRUE will make the x-axis display as 1-Specificity.

plot(roc1, main = "ROC Curve",      
     identity = TRUE,
     print.thres = "best",
     print.thres.best.method = "youden",
     legacy.axes = TRUE)

The optimal cut-off point in this case is 3.912 with sensitivity of 0.820 and specificity of 0.960.

Display Optimal Cutoff using Top Left Method

In the case of top left, set print.thres.best.method="closest.topleft" in plot() function.

plot(roc1, main = "ROC Curve",      
     identity = TRUE,
     print.thres = "best",
     print.thres.best.method = "closest.topleft"
     legacy.axes = TRUE)

Note that in this case, the optimal cutoff is 3.365, with a sensitivity of 0.860 and specificity of 0.880.

Extracting Necessary Values

When presenting or publishing the values of AUC (area under the curve), sensitivity, specificity, etc., you can display them as follows.

> auc(roc1)
Area under the curve: 0.9536

# youden
> coords(roc1, "best", ret=c("threshold", "sens", "spec", "ppv", "npv"))
          threshold sensitivity specificity       ppv       npv
threshold  3.912407        0.82        0.96 0.9534884 0.8421053

# topleft
> coords(roc1, "best", best.method="closest.topleft",　ret=c("threshold", "sens", "spec", "ppv", "npv"))
          threshold sensitivity specificity      ppv       npv
threshold  3.364778        0.86        0.88 0.877551 0.8627451

Comparing two ROC curves by overlapping them

We have created sample data assuming two tests. Let’s see which test is better by comparing the two ROC curves.

Overlay Two ROC Curves

When overlapping two ROC curves, you can use the lines() function for the one that you want to add later, or simply use plot(..., add=TRUE) for the second curve. You can specify the color using col.

# Use roc() to create objects for the two assays
roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
roc2 <- roc(condition, assay2, data=df, ci=TRUE, 
            levels=c("healthy", "disease"))

# Use lines()
obj1 <- plot(roc1,
             col="red")
obj2 <- lines(roc2,
              col="blue")

# Use add = TRUE
obj1 <- plot(roc1,
             col="red")
obj2 <- plot(roc2,
             col="blue",
             add=TRUE)

Compare Two Assays

o compare two assays, use roc.test(). By default, it compares the AUCs (area under the curve) using the DeLong method, but you can change it to the bootstrap method by specifying method = "bootstrap". The p-value is displayed in the center using text(). You can also specify the title using main=.

roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
roc2 <- roc(condition, assay2, data=df, ci=TRUE, 
            levels=c("healthy", "disease"))

obj1 <- plot(roc1,
             main="Comparison",
             col="red")
obj2 <- lines(roc2,
              col="blue")
obj <- roc.test(obj1, obj2)
text(.5, .5, labels=paste("p-value =", format.pval(obj$p.value, 3)), 
     adj=c(0, .5))

If you just want to see the comparison results, roc.test() will provide you with the results.

> roc.test(roc1, roc2)

	DeLong's test for two correlated ROC curves

data:  roc1 and roc2
Z = 3.7621, p-value = 0.0001685
alternative hypothesis: true difference in AUC is not equal to 0
95 percent confidence interval:
 0.0969536 0.3078464
sample estimates:
AUC of roc1 AUC of roc2 
     0.9536      0.7512 

Finally, let’s add a legend.

roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
roc2 <- roc(condition, assay2, data=df, ci=TRUE, 
            levels=c("healthy", "disease"))

obj1 <- plot(roc1,
             main="Comparison",
             col="red")
obj2 <- lines(roc2,
              col="blue")

obj <- roc.test(obj1, obj2)

# p values in the graph
text(.5, .5, labels=paste("p-value =", format.pval(obj$p.value, 3)), 
     adj=c(0, .5))

#legend
legend("bottomright", legend=c("Assay1", "Assay2"),
       col=c("red", "blue"), lty=1, lwd=2)

That was a helpful tutorial on how to draw ROC curves in R using the pROC package. Thank you for sharing!

Preparing the Data

We’ll be using tidyverse for this. If you have your own data, skip ahead.

# Set working directory
setwd("~/Rpractice/")

# Load tidyverse
library(tidyverse)

# Generate random data
dat <- list(
  X <- rnorm(50, 30, 10),
  Y <- rnorm(50, 50, 5),
  Z <- rnorm(50, 40, 15)
)
df <- data.frame(matrix(unlist(dat), nrow=50))
colnames(df) <- c("A","B","C")

# Transform the data from wide to long
df.long <- pivot_longer(df, cols = A:C, 
                        names_to = "Categories", 
                        values_to = "Values")

Now we have data that looks like this:

> head(df.long)
# A tibble: 6 x 2
  Categories Values
  <chr>       <dbl>
1 A            26.8
2 B            53.7
3 C            27.3
4 A            31.0
5 B            58.7
6 C            56.2
> 

To add error bars to bar graphs and line graphs, you need the mean and standard error (or standard deviation) of the data. We use pivot_longer to transform the data from wide to long format.”

Calculating the Mean, Standard Deviation, and Standard Error of the Data

To add error bars, we need to calculate the mean, standard deviation, and standard error. If you already have this data, you can skip this section.

Calculating these values is easy with the dplyr package in tidyverse.

Use group_by and summarise_all functions in dplyr to Calculate

a <- group_by(df.long, Categories) %>% 
  summarise_all(list(mean = ~mean(.), 
                     sd = ~sd(.), 
                     se = ~sd(.)/sqrt(length(.))))

We can simplify this code further,

a <- group_by(df.long, Categories) %>% 
  summarise_all(list(mean = mean, 
                     sd = sd, 
                     se = ~sd/sqrt(length(.))))

Let’s take a look at the data for ‘a’

> a
# A tibble: 3 x 4
  Categories  mean    sd    se
  <chr>      <dbl> <dbl> <dbl>
1 A           30.1  9.93 1.40 
2 B           49.2  5.00 0.708
3 C           43.9 15.5  2.20 

We have generated a distribution that looks like this. Since the data was generated randomly, the values may vary slightly if you follow the same steps.

Drawing Error Bars in Bar Graphs

We will use the calculated data to create a bar graph and specify the error bars using geom_errorbar(). First, let’s specify only ymin and ymax in geom_errorbar() and take a look at the graph.

ggplot(a, aes(x = Categories, y = mean, fill = Categories))+
  geom_bar(stat = "identity") +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se))

The width is too wide. Let’s adjust it using the width argument. We will narrow both the bar graph and error bars.

ggplot(a, aes(x = Categories, y = mean, fill = Categories))+
  geom_bar(stat = "identity", width = 0.6) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1)

It’s a good to adjust the width according to the size of the output image.

Drawing Error Bars on a Line Graph

The process for adding error bars to a line graph is the same as above. First, draw the line graph and then add geom_errorbar().

ggplot(a, aes(x = Categories, y = mean)) +
  geom_line(group = 1) +
  geom_point(size = 3) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1)

Adding Error Bars to Grouped Data

Let’s generate grouped data.

<pre class="wp-block-syntaxhighlighter-code"># Add ID column
data <- df.long %>% 
  tibble::rownames_to_column(var = "ID")

# Convert ID from character to numeric
data$ID <- as.numeric(data$ID)

# Assign 1 to ID <= 75 and 0 to ID >= 76 to create the "group" column
data <- mutate(data, group = ifelse(ID < 76, 1, 0))

# Calculate Mean, SD, and SE
b <- group_by(data, group, Categories) %>% 
  summarise_at(vars(Values), list(mean = ~mean(.), 
                     sd = ~sd(.), 
                     se = ~sd(.)/sqrt(length(.))))

# Convert group column values from numeric to character
b$group <- as.character(b$group)

# Check the data included in b
> head(b)
# A tibble: 6 x 5
# Groups:   group <img class="ranking-number" src="https://brain-storm.space/wp-content/themes/jin/img/rank02.png" />
  group Categories  mean    sd    se
  <chr> <chr>      <dbl> <dbl> <dbl>
1 0     A           31.4 11.1  2.21 
2 0     B           51.0  4.31 0.862
3 0     C           33.9 13.5  2.70 
4 1     A           29.5 10.4  2.08 
5 1     B           49.5  4.02 0.804
6 1     C           36.5 15.8  3.16 
> </pre>

Now that we have grouped data, let’s draw a bar graph with error bars.

Adding Error Bars to Grouped Bar Graphs

By specifying position = "dodge", you can create a grouped bar chart like this.

ggplot(b, aes(x = Categories, y = mean, fill = group))+
  geom_bar(stat = "identity", width = 0.6, position = "dodge")

Let’s add error bars to this plot.

ggplot(b, aes(x = Categories, y = mean, fill = group))+
  geom_bar(stat = "identity", width = 0.6, position = "dodge")+
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se), 
                    position = "dodge", width = .1)

It is shifted to the center. You can adjust the position with position = position_dodge().

ggplot(b, aes(x = Categories, y = mean, fill = group)) +
  geom_bar(stat = "identity", width = 0.6, position = "dodge") +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                position = position_dodge(0.6), width = .1)

You’ve created a nice bar graph!

Drawing Error Bars on a Grouped Line Graph

The same can be done for a grouped line graph as well.

ggplot(b, aes(x = Categories, y = mean, group = group, color = group)) +
  geom_line() +
  geom_point(size = 3) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1, color = "black")

The error bars are on top and overlapping, making it difficult to see. Let’s move the error bars to the back first.

ggplot(b, aes(x = Categories, y = mean, group = group, color = group)) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1, color = "black") +
  geom_line() +
  geom_point(size = 3)

By shifting the position to the left or right using position_dodge(), overlapping of error bars can be avoided.

ggplot(b, aes(x = Categories, y = mean, group = group, color = group)) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1, color = "black", position = position_dodge(.2)) +
  geom_line(position = position_dodge(.2)) +
  geom_point(size = 3, position = position_dodge(.2))

Now you can add error bars to line graphs. I hope this was helpful.

様々なデータがあると思いますが、一番良く使うのは箱ひげ図や散布図ではないでしょうか。それらをよりわかりやすくビジュアライズしていきたい方向けの基礎的なテクニックです！

ボックスプロット(箱ひげ図)とドットプロットを描く

このグラフはドットプロットと呼ばれます。箱ひげ図の上にドットプロットを重ねています。

箱ひげ図(box plot)とドットプロット(dot plot)は実際のデータがどのような分布になっているのかみるのに有用です。これで外れ値などもよくわかりますし、誤魔化している感じがない正直なプロットです。

base機能とbeeswarmパッケージを用いた方法とggplot2を使う方法があります。ggplot2を使う場合にはggbeeswarmというパッケージを使うとよりきれいになります。

baseのboxplotとbeeswarmライブラリを用いて作図する

箱ひげ図は、baseと呼ばれるRに元々入っている機能を使ったものです。箱ひげ図はかんたんにかけますが、その後のドットプロットについてはbeeswarmというライブラリを使います。beeswarmは蜂群図とも呼ばれ、点を散らばらせることで視覚的に印象的にみせる効果があります。beeswarmライブラリで簡単に作図をすることができます。

x軸の並び替えもこちらに書いています。

ggplot2を用いてボックスプロットとドットプロットを作図する

ggplot2を使うのに慣れた人向けの方法です。これは単純なドットプロットを描く方法で、いわゆるbeeswarm(蜂群図)ではありませんが、視覚的効果は十分にあります。

ggbeeswarmを用いてggplot2のドットを散らばらせる

ggplot2でもbeeswarm(蜂群図)を作成することができます。これにはggplot2に加えて、ggbeeswarmというライブラリを使います。点の散らし方にもいくつかの方法があります。

ggplot2でバイオリンプロットを描く

バイオリンプロットも複数のデータを比較する時にとても便利です。とてもキレイな図になります。この中では、バイオリンプロットにドットプロットや箱ひげ図の重ね方を説明しています。バイオリンプロットはggplot2のgeom_violinで描くことができます。

ggplot2を使って散布図を描く

相関を数字で出すよりも実際に散布図を出したほうがより直感的にもわかりやすくなります。これも正直な印象を与えることができます。　ggplot2を用いて、geom_pointで散布図を、geom_smoothまたはstat_smoothで近似曲線を表示できます。

散布図と近似直線を描く方法

複数データはfacet_gridとfacet_wrapを使う

複数データを一度に表示したいとき、一つ一つ出していたのでは大変です。そんなときはfacet_gridやfacet_wrapを使うと一度にできて、見栄えのあるグラフができます。

またタイトルラベルなどの変え方にも少しテクニックが必要なので、その説明も加えています。

geom_barで棒グラフを作図する

棒グラフは最も基本的なグラフの一つです。エクセルでも出来てしまうので、それほど困らないかもしれませんが、ggplot2でも簡単に出来てしまいます。次のリンクで紹介をしています。

geom_errorbarで棒グラフと折れ線グラフにエラーバーをつける

棒グラフや折れ線グラフは平均値の大小や推移などを可視化するのによく使われます。データ解析ではそこにエラーバーをつけたりしますが、そのやり方も知らなくては作図ができません。

さらにRでの標準偏差や標準誤差の算出方法も説明しています。計算で標準誤差などを出せば簡単に作図ができます。

geom_tileで相関行列のヒートマップをつくる

相関行列をつくったとき、それをテーブルにしても十分ですが、それを視覚的にわかりやすくするとより印象的な図になります。一目でデータが理解出来るのは、大きなメリットになります。

ggplot2以外のいくつかのパッケージでも描くことはできますが、ggplot2を使った方法を説明しています。それを紹介したのは次のリンクになります。

ggplot2を使うときにデータを横長のデータから縦長のデータへ変換する必要があるときがあります。そんなときはpivot_longerを使うことで簡単に変換をすることができます。これは次の記事で詳細に説明をしています。

今回紹介した作図法だけでも、論文のグラフの多くは作図ができると思います。今後もさらなる方法を広めて行きたいと思っています。

背景の一部(四角)に色をつけるgeom_rect

背景に色をつけて、その部分を強調したり、領域を分けたいことがあります。そんな時はgeom_rectを使います。

ROC曲線を描く

ROC曲線を書くのは思ったよりも簡単です。Rの初心者でも短時間で書くことができます。AUC(Area under the curve)の比較もあっという間です。

今後もさらに追加していく予定です。お役に立ちましたら幸いです。

Rのggplot2を使えば簡単にできます。ステップバイステップで書いていきます。

データの準備する

tidyverseを利用します。自分のデータを使う場合には読み飛ばしてください。

# 作業ディレクトリのセット
setwd("~/Rpractice/")

# tidyverseの起動
library(tidyverse)

# ランダムデータの生成
dat <- list(
  X <- rnorm(50, 30, 10),
  Y <- rnorm(50, 50, 5),
  Z <- rnorm(50, 40, 15)
)
df <- data.frame(matrix(unlist(dat), nrow=50))
colnames(df) <- c("A","B","C")

#データの変形(横から縦へ)
df.long <- pivot_longer(df, cols = A:C, 
                        names_to = "Categories", 
                        values_to = "Values")

これでこのようなデータができました。

> head(df.long)
# A tibble: 6 x 2
  Categories Values
  <chr>       <dbl>
1 A            26.8
2 B            53.7
3 C            27.3
4 A            31.0
5 B            58.7
6 C            56.2
> 

棒グラフと折れ線グラフにエラーバーを加えるには、平均値と標準誤差(または標準偏差)が必要です。pivot_longerで縦長データにしています。

データの平均、標準偏差、標準誤差を算出する

エラーバーのためには平均(mean)、標準偏差(sd)、標準誤差(se)を算出します。すでにこれらのデータがある場合にはここも読み飛ばしてください。

その算出方法も慣れれば簡単です！tidyverseに入っているdplyrを使っていきましょう。

dplyrのgroup_byとsummarise_allを使う

(summariseはアメリカ英語でsummarizeでもOKです)

a <- group_by(df.long, Categories) %>% 
  summarise_all(list(mean = ~mean(.), 
                     sd = ~sd(.), 
                     se = ~sd(.)/sqrt(length(.))))

これはもう少し簡素化できます。どちらを使っても大丈夫です。

a <- group_by(df.long, Categories) %>% 
  summarise_all(list(mean = mean, 
                     sd = sd, 
                     se = ~sd/sqrt(length(.))))

ではaのデータをみてみます。

> a
# A tibble: 3 x 4
  Categories  mean    sd    se
  <chr>      <dbl> <dbl> <dbl>
1 A           30.1  9.93 1.40 
2 B           49.2  5.00 0.708
3 C           43.9 15.5  2.20 

このような分布になりました。データはランダムで生成しましたので、同じ手順をなぞってもこの数値は若干変化します。

棒グラフでエラーバーを描く

計算をしたデータを使って棒グラフをかきます。エラーバーはgeom_errorbarで指定します。まずはgeom_errorbarでyminとymaxのみを指定して、グラフをみてみましょう。

ggplot(a, aes(x = Categories, y = mean, fill = Categories))+
  geom_bar(stat = "identity") +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se))

横幅が広すぎますね。これをwidthで調整します。バーグラフ、エラーバーともに狭くしてみます。

ggplot(a, aes(x = Categories, y = mean, fill = Categories))+
  geom_bar(stat = "identity", width = 0.6) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1)

幅は出力する画像の大きさに合わせて適宜調整をするといいです。

折れ線グラフでエラーバーを描く

折れ線グラフも上と同じ要領です。折れ線グラフを描いて、geom_errorbarを付け足します。

ggplot(a, aes(x = Categories, y = mean)) +
  geom_line(group = 1) +
  geom_point(size = 3) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1)

グループ化されたデータでのエラーバーを加える

グループ化したデータを生成してみます。

<pre class="wp-block-syntaxhighlighter-code"># IDを追加する
data <- df.long %>% 
  tibble::rownames_to_column(var = "ID")

# IDを文字列から数値へ変換する
data$ID <- as.numeric(data$ID)

# IDが75以下を1, 76以上を0と割り当てて、group列を作る
data <- mutate(data, group = ifelse(ID < 76, 1, 0))

# mean, SD, SEを算出
b <- group_by(data, group, Categories) %>% 
  summarise_at(vars(Values), list(mean = ~mean(.), 
                     sd = ~sd(.), 
                     se = ~sd(.)/sqrt(length(.))))

# group列の数値を文字列に変換する
b$group <- as.character(b$group)

# bに含まれているデータを確認する
> head(b)
# A tibble: 6 x 5
# Groups:   group <img class="ranking-number" src="https://brain-storm.space/wp-content/themes/jin/img/rank02.png" />
  group Categories  mean    sd    se
  <chr> <chr>      <dbl> <dbl> <dbl>
1 0     A           31.4 11.1  2.21 
2 0     B           51.0  4.31 0.862
3 0     C           33.9 13.5  2.70 
4 1     A           29.5 10.4  2.08 
5 1     B           49.5  4.02 0.804
6 1     C           36.5 15.8  3.16 
> </pre>

これでグループ化されました。このデータでエラーバーの入った棒グラフを描いてみましょう。

グループ化された棒グラフにエラーバーを追加する

position = “dodge”をするとこのような棒グラフができます。

ggplot(b, aes(x = Categories, y = mean, fill = group))+
  geom_bar(stat = "identity", width = 0.6, position = "dodge")

これにエラーバーを加えていきます。

ggplot(b, aes(x = Categories, y = mean, fill = group))+
  geom_bar(stat = "identity", width = 0.6, position = "dodge")+
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se), 
                    position = "dodge", width = .1)

真ん中に寄ってしまいました。この位置はposition = position_dodge()で調整できます。

ggplot(b, aes(x = Categories, y = mean, fill = group)) +
  geom_bar(stat = "identity", width = 0.6, position = "dodge") +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                position = position_dodge(0.6), width = .1)

これでいい棒グラフができました！

グループ化された折れ線グラフでのエラーバーを書く

折れ線グラフも同じようにできます。

ggplot(b, aes(x = Categories, y = mean, group = group, color = group)) +
  geom_line() +
  geom_point(size = 3) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1, color = "black")

エラーバーが前面に出ていて重なっているので見にくくなっています。まずエラーバーを後ろに持っていきます。

ggplot(b, aes(x = Categories, y = mean, group = group, color = group)) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1, color = "black") +
  geom_line() +
  geom_point(size = 3)

エラーバーが重なりは左右にずらすことで解消ができます。さきほどのposition_dodgeを使います！

ggplot(b, aes(x = Categories, y = mean, group = group, color = group)) +
  geom_errorbar(aes(ymin = mean - se, ymax = mean + se),
                width = .1, color = "black", position = position_dodge(.2)) +
  geom_line(position = position_dodge(.2)) +
  geom_point(size = 3, position = position_dodge(.2))

これで折れ線グラフのエラーバーを加えることができました。お役に立ちましたら幸いです。

First, you’ll need to prepare your data. While you’re at it, you can also check the data distribution using a dot plot.

Data Generation and Distribution Checking

Now, let’s create some data. If you have your own data, feel free to use that instead.

# Set working directory
setwd("~/Rpractice/")
# load tidyverse and ggbeeswarm
library(tidyverse)
library(ggbeeswarm)

# generate sample data
dat <- list(
  X <- rnorm(100, 5, 10),
  Y <- rnorm(100, 20, 10),
  Z <- rnorm(100, 15, 15)
)

# format the data into a more usable shape using pivot_longer
df <- data.frame(matrix(unlist(dat), nrow=100))
colnames(df) <- c("A","B","C")
df.long <- pivot_longer(df, cols = A:C, names_to = "Categories", values_to = "Values")

# draw dotplot
ggplot(df.long, aes(x = Categories, y = Values))+
  geom_beeswarm(aes(color = Categories),
                size = 2,
                cex = 2,
                alpha = .8)+
  theme_classic()+
  theme(legend.position = "none")

The dot plot displays the data distribution and can be used to confirm that the data is appropriate for creating a violin plot.

Draw a Simple Violin Plot

To draw a violin plot using ggplot2, you can utilize the geom_violin() function. To create a clean and simple plot, set the background color to white using the theme_classic() function.

ggplot(df.long, aes(x = Categories, y = Values))+
  geom_violin()+
  theme_classic()

The ends of the violin plot may appear cut off. By overlaying a dot plot on top of the violin plot, you can address this issue. To do so, you can use either geom_dotplot() or geom_beeswarm(), which are both part of the ggplot2 package.

ggplot(df.long, aes(x = Categories, y = Values))+
  geom_violin()+
  geom_beeswarm(aes(color = Categories),
                size = 2,
                cex = 2,
                alpha = .8)+
  theme_classic()

You can see that the ends of this violin plot are cut off at the minimum and maximum values. If you don’t want to cut off the ends, you can use geom_violin(trim = FALSE) to specify this preference.

ggplot(df.long, aes(x = Categories, y = Values))+
  geom_violin(trim = FALSE)+
  geom_beeswarm(aes(color = Categories),
                size = 2,
                cex = 2,
                alpha = .8)+
  theme_classic()

The violin plot may stretch vertically up and down, even in areas where there are no data points.

Add Color to Violin Plot

Add Color to the Borders

To add color to the border of the violin plot, you can use aes(color = ) inside the geom_violin() function.

ggplot(df.long, aes(x = Categories, y = Values, color = Categories))+
  geom_violin()+
  theme_classic()

Fill the interior of Violin Plot

If you want to fill the interior of the violin plot with color, you can use aes(fill =) inside the geom_violin() function.

ggplot(df.long, aes(x = Categories, y = Values, fill = Categories))+
  geom_violin()+
  theme_classic()

There are several ways to change the color of the violin plot. One way is to use the scale_fill_brewer() function to specify the color scheme.

ggplot(df.long, aes(x = Categories, y = Values, fill = Categories))+
  geom_violin()+
  scale_fill_brewer(palette = "Set2")+
  theme_classic()

Add Mean or Median to the Violin Plot

To add the mean or median to the violin plot, you can use the stat_summary() function.

Add Mean

ggplot(df.long, aes(x = Categories, y = Values, color = Categories))+
  geom_violin()+
  stat_summary(fun = mean, geom = "point", 
               shape = 16, size = 2, color = "red")+
  theme_classic()

The shape parameter in stat_summary() is the same as pch in base R. Here’s a list of shapes that correspond to each numerical value:

Add Median

ggplot(df.long, aes(x = Categories, y = Values, color = Categories))+
  geom_violin()+
  stat_summary(fun = median, geom = "point", 
               shape = 3, size = 2, color = "red")+
  theme_classic()

Change the Degree of Smoothing

To change the degree of smoothing in the violin plot, you can use the adjust parameter inside the geom_violin() function. The default value for adjust is 1.

To decrease the degree of smoothing, you can set adjust to a smaller value. For example, to set adjust to 0.2, you can use the following code:

ggplot(df.long, aes(x = Categories, y = Values, fill = Categories))+
  geom_violin(adjust = .2)+
  theme_classic()

Conversely, if you want to increase the degree of smoothing in the violin plot, you can set the adjust parameter to a larger value.

ggplot(df.long, aes(x = Categories, y = Values, fill = Categories))+
  geom_violin(adjust = 2)+
  theme_classic()

If you increase the degree of smoothing too much, the violin plot can become overly smoothed and lose important details.

Overlaying a Box Plot

Overlaying a violin plot with a box plot is a common technique in data visualization, and it can be a powerful way to display data.

ggplot(df.long, aes(x = Categories, y = Values, fill = Categories))+
  geom_violin()+
  geom_boxplot(width = .1, fill = "white")+
  theme_classic()

To hide the outliers in the box plot when overlaying it with a violin plot, you can use the outlier.color parameter inside the geom_boxplot() function.

ggplot(df.long, aes(x = Categories, y = Values, fill = Categories))+
  geom_violin()+
  geom_boxplot(width = .1, fill = "white", outlier.color = NA)+
  theme_classic()

You can fill the box plot with black color and add a white circle at the median value.

ggplot(df.long, aes(x = Categories, y = Values))+
  geom_violin()+
  geom_boxplot(width = .1, fill = "black", outlier.color = NA) +
  stat_summary(fun = median, geom = "point", fill = "white", shape = 21, size = 3) +
  theme_classic()

With the information provided, I believe you can now create a violin plot. I hope this guidance proves helpful!

サンプルデータを作る

ここはサンプルデータを作るだけのところですので、不要な方は次の見出しに読み飛ばしてください。二つの検査、”assay1″と”assay2″でどの程度疾患の人を検出できるのかを検討してみます。

set.seed(3)
condition <- rep(c("healthy", "disease"), each = 50)
assay1 <- c(rnorm(40, mean = 1, sd = 2), 
            rnorm(10, mean = 3, sd = 1), 
            rnorm(40, mean = 5, sd = 2), 
            rnorm(10, mean = 7, sd = 1))
assay2 <- c(rnorm(30, mean = 1, sd = 3), 
            rnorm(20, mean = 2, sd = 2), 
            rnorm(30, mean = 3, sd = 3), 
            rnorm(20, mean = 4, sd = 2))

df = data.frame(condition, assay1, assay2)

ちなみにこれらの分布はこのようなものになります。

library(beeswarm)
beeswarm(data = df, assay1 ~ condition, 
         col = c("red","blue"), pch=19)
beeswarm(data = df, assay2 ~ condition,
         col = c("red", "blue"), pch=19)

pROCを使ってみる

pROCパッケージのインストール

pROCパッケージをインストールして、起動します。

install.packages("pROC")
library(pROC)

1つのROC曲線を描く

早速いってみましょう。まずデータフレームは次のようになっています。

> head(df)
  condition     assay1     assay2
1   healthy -0.9238668  2.8520501
2   healthy  0.4149486 -0.2152325
3   healthy  1.5175764  4.1593113
4   healthy -1.3042638  2.8068527
5   healthy  1.3915657  4.0523835
6   healthy  1.0602479  2.8245020

ここからもいくつか方法はありますが、まずroc()を使って、その結果をオブジェクトに格納してみましょう。

roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))

次のように”~”を使う書き方でも大丈夫です。

roc1 <- roc(df$condition ~ df$assay1, ci=TRUE, 
            levels=c("healthy", "disease"))

conditionの列は0, 1でもいけますが2値変数です。ciは信頼区間です。

plot()でROC曲線を描くことができます。

plot(roc1)

パーセント表示にする

好みにより軸をパーセント表示にすることができます。percent=TRUEを付け加えます。

roc1 <- roc(condition, assay1, data=df, percent=TRUE,
            levels=c("healthy", "disease"))
plot(roc1)

感度の信頼区間を表示する

感度の信頼区間を計算するには ci.se()を使います。colは色を指定します。

roc2 <- roc(condition, assay2, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
plot(roc2)
rocCI <- ci.se(roc2)
plot(rocCI, type="shape", col="lightblue")

カットオフに最適な点を表示する

ROC曲線から大事なことは、カットオフに最も適した点を調べることです。最適なカットオフは何か、というところも大きなテーマですが、ここでは２つの方法を紹介します。”Youden Index”と”top left”です。簡単に説明すれば、Youden Indexは”感度+特異度-1” で計算され、その数値が一番高いところを選びます。また、top leftはROC曲線の一番左上に近い点を抽出します。

Youden Indexによる最適なカットオフを表示する

この時にはplotの中に追記をしていきます。print.thres = “best”, print.thres.bes.metod = “youden”とすると最適点が表示されます。また、legacy.axes=TRUEにするとx軸を1-Specificityになります。

plot(roc1, main = "ROC Curve",      
     identity = TRUE,
     print.thres = "best",
     print.thres.best.method = "youden",
     legacy.axes = TRUE)

この場合カットオフは3.912で感度が0.820、特異度は0.960です。

Top Leftによる最適なカットオフを表示する

top leftの場合はprint.thres.best.method=”closest.topleft”にします。

plot(roc1, main = "ROC Curve",      
     identity = TRUE,
     print.thres = "best",
     print.thres.best.method = "closest.topleft"
     legacy.axes = TRUE)

この場合のカットオフは3.365、感度0.860、特異度0.880になっています。括弧内は特異度、感度の順番になっていることに注意をしてください。

必要な数値を取り出す

AUC(area under the curve)の値や感度、特異度などの数値を発表や論文で示す必要があります。その時には次のように表示できます。

> auc(roc1)
Area under the curve: 0.9536

# youden
> coords(roc1, "best", ret=c("threshold", "sens", "spec", "ppv", "npv"))
          threshold sensitivity specificity       ppv       npv
threshold  3.912407        0.82        0.96 0.9534884 0.8421053

# topleft
> coords(roc1, "best", best.method="closest.topleft",　ret=c("threshold", "sens", "spec", "ppv", "npv"))
          threshold sensitivity specificity      ppv       npv
threshold  3.364778        0.86        0.88 0.877551 0.8627451

2つのROC曲線を重ねて比較する

今回2つの検査を想定してサンプルデータを作りました。どちらの検査が優れているかみていきます。

2つのROC曲線を重ねる

２つのROC曲線を重ねる時には後から重ねる方をlines()にします。または単純にplot(…, add=TRUE)でも同じ結果になります。colで色を指定しています。

# ２つの検査について、roc()を使ってその結果をオブジェクトに格納する
roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
roc2 <- roc(condition, assay2, data=df, ci=TRUE, 
            levels=c("healthy", "disease"))

# linesを使う
obj1 <- plot(roc1,
             col="red")
obj2 <- lines(roc2,
              col="blue")

# add = TRUEにする
obj1 <- plot(roc1,
             col="red")
obj2 <- plot(roc2,
             col="blue",
             add=TRUE)

2つの検査について比較する

2つの検査について比較する時にはroc.test()を使います。デフォルトではAUC(area under the curve)をDeLong法で比較しますが、method = “bootstrap”と指定すればブートストラップ法などにも変更できます。textで中央にp値を表示しています。またタイトルはmain=で指定できます。

roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
roc2 <- roc(condition, assay2, data=df, ci=TRUE, 
            levels=c("healthy", "disease"))

obj1 <- plot(roc1,
             main="Comparison",
             col="red")
obj2 <- lines(roc2,
              col="blue")
obj <- roc.test(obj1, obj2)
text(.5, .5, labels=paste("p-value =", format.pval(obj$p.value, 3)), 
     adj=c(0, .5))

比較の結果を見るだけだったらroc.test()で結果が出てきます。

> roc.test(roc1, roc2)

	DeLong's test for two correlated ROC curves

data:  roc1 and roc2
Z = 3.7621, p-value = 0.0001685
alternative hypothesis: true difference in AUC is not equal to 0
95 percent confidence interval:
 0.0969536 0.3078464
sample estimates:
AUC of roc1 AUC of roc2 
     0.9536      0.7512 

最後にlegendを入れてみます。

roc1 <- roc(condition, assay1, data=df, ci=TRUE,
            levels=c("healthy", "disease"))
roc2 <- roc(condition, assay2, data=df, ci=TRUE, 
            levels=c("healthy", "disease"))

obj1 <- plot(roc1,
             main="Comparison",
             col="red")
obj2 <- lines(roc2,
              col="blue")

obj <- roc.test(obj1, obj2)

# p values in the graph
text(.5, .5, labels=paste("p-value =", format.pval(obj$p.value, 3)), 
     adj=c(0, .5))

#legend
legend("bottomright", legend=c("Assay1", "Assay2"),
       col=c("red", "blue"), lty=1, lwd=2)

綺麗なROC曲線を書くことができました。
いかがでしたでしょうか。お役に立ちましたら幸いです。

library(tidyverse)

資格の領域を作るにはgeom_rectを使います。その領域をxmin, xmax, ymin, ymaxで指定します。その領域の色はデフォルトで灰色(grey20)になっています。

geom_rectの使い方

まずは書いてみます

四角の領域を書くにはgeom_rectを使います。x軸の最小値(xmin)と最大値(xmax)、y軸の最小値yminと最大値ymaxをしています。すると次のようなグラフが描けます。

ggplot() +
　geom_rect(aes(xmin=1, xmax=3, ymin=2, ymax=5))

色を塗る

色をつけていきます。中の色はfillで指定します。今はレジェンドが邪魔なので消しておきます。

ggplot() +
  geom_rect(aes(xmin=1, xmax=3, ymin=2, ymax=5, fill='red')) +
  theme(legend.position = "none")

枠線の色を塗る

次にその領域の枠の色も指定します。color=’色’で枠線の色が入ります。

ggplot() +
geom_rect(aes(xmin=1, xmax=3, ymin=2, ymax=5, fill='red'), color='blue') +
  theme(legend.position = "none")

グラフ外まで領域が広がっている時

例えば、その図の外側までずっと続くような感じのグラフにしたい場合、Infを使うとできます。

ggplot()+
  geom_rect(aes(xmin=0, xmax=Inf, ymin=0, ymax=Inf, fill='red'), color='red') +
  scale_x_continuous(limits = c(-2, 6)) + 
  scale_y_continuous(limits = c(-2, 6)) +
  theme(legend.position = "none")

マイナス方向でずっと領域が続く時には-Infを使います。複数の領域を書く方法はまたあとで書きますが、-Infを使うと次のようになります。

透明度はalphaで1より小さく、そして小さい値ほど透明になります。

df <- data.frame(x1=c(-Inf, 0), x2=c(0, Inf), y1=c(-Inf, 0), y2=c(0, Inf), 
                group=c('a', 'b'))
ggplot() +
  geom_rect(data=df, aes(xmin=x1, xmax=x2, ymin=y1, ymax=y2, fill=group), 
           alpha=0.3) +
  scale_x_continuous(limits = c(-6, 6)) + 
  scale_y_continuous(limits = c(-6, 6)) +
  theme_minimal()

複数の領域を書きたい時

この時はデータフレームで領域を指定すると楽になります

複数の四角を作りたい時、データフレームにします。下の式ではx1が左辺、x2が右辺のx座標、y1が下辺、y2が上辺のy座標です。データフレームではさらにグループ分けもしています。

df=data.frame(x1=c(1,2, 3,5), x2=c(5, 8, 5,Inf), 
              y1=c(1, 2, 2, 4), y2=c(2, 3, 6,Inf), 
             group=c('a', 'a','b','b'))
ggplot() +
geom_rect(data=df, aes(xmin=x1, xmax=x2, ymin=y1, ymax=y2, fill=group), 
          color='black', alpha=0.3) +
scale_x_continuous(limits =c(0, 10)) +
scale_y_continuous(limits = c(0, 7))

scale_x_continuousとscale_y_continuousでx軸とy軸のどの数値まで入れるか指定しています。

他のグラフの背景にする

使い所としては他のグラフの背景にして目立たせるということでしょう。ggplot2は記述を＋で重ねて行くだけなので、とても簡単です。単純な直線のグラフの背景として書いてみます。geom_ablineが追加された斜めの線です。

rect <- data.frame(x1=c(-Inf, 0), x2=c(0, Inf), y1=c(-Inf, 0), y2=c(0, Inf), 
                group=c('a', 'b'))
ggplot()+
  geom_rect(data=rect, aes(xmin=x1, xmax=x2, ymin=y1, ymax=y2, fill=group), 
            alpha=0.3) +
  geom_abline(intercept=0, slope = 1) +
  scale_x_continuous(limits = c(-6, 6)) + 
  scale_y_continuous(limits = c(-6, 6)) +
  theme_minimal()

いかがだったでしょうか。わかってしまえば簡単です。ぜひ試してみてください。

2021年10月頃の話です。手順はどんどん変わっていますので、最新の情報は在京オーストリア大使館のホームページから手に入れてください。

https://www.bmeia.gv.at/ja/oeb-tokio/

まずは自分がどのビザが必要なのかを確認しましょう。自分はビザDが必要でしたので、その経験を説明します。一発OKが出ることは少なく、大体が追加提出になったりするので、最初の訪問でしっかり揃えて行ったほうがいいでしょう。

コロナ前は大阪と名古屋にも申請できるところがありましたが、自分が行ったときにはどちらもコロナ禍で閉鎖をされていましたので、在京オーストリア大使館に行くしかありませんでした。再開状況については下のリンクを確認してください。

https://visa.vfsglobal.com/jpn/ja/aut/news/for-austrian-visa-applicant

在京オーストリア大使館は港区元麻布にあります。六本木からも徒歩圏内ですし、麻布十番駅からも比較的すぐ近くです。地方在住の方は近場のホテルで宿泊すると便利です。

ビザなしでも6ヶ月未満は滞在できる – ただし研究や雇用などにはビザが必要

まずは自分にビザが必要なのか、そうではないのか、あるいは帯同する家族がいる場合にはどうなのか、など調べ始めはわからないことばかりです。

オーストリアは6ヶ月までビザなしでも入国できますが、雇用されるなどの場合にはビザを入国前に取得しておく必要があります。またビザなし入国の場合3-6ヶ月の場合に、他のシェンゲン協定の国々は「あらゆる180日の期間内で最大90日間」の滞在が認められています。つまり、オーストリアに3ヶ月以上滞在して、他のシェンゲン協定の別の国に入った場合には不法滞在になる可能性があります。トランジットの場合にも特に注意が必要です。

オーストリアに3ヶ月以上（180日未満）滞在する日本国旅券所持者は直行便でオーストリアに出入国しない場合、非シェンゲン加盟国経由で出入国するか、シェンゲンビザを取得しなければなりません。

https://www.bmeia.gv.at/ja/oeb-tokio/reisen-nach-oesterreich/visa/

自分の場合は雇用をされるのでビザが必要、帯同する家族は不要でした。ただし、ビザは6ヶ月未満ですので、6ヶ月以上滞在の場合は滞在許可申請が別途必要になります。ややこしいところですが、ビザDを取得して、入国後に滞在許可申請を行う、あるいはビザDと滞在許可申請を在京オーストリア大使館で行うの二通りがあります。

滞在許可はすでに住むところが決まっている必要があったり、書類が別途必要でオーストリア入国前には間に合いそうになかったので、入国後に行いました。これについてはまた別の記事で説明をしようと思います。

訪問日の予約取得

ホームページを確認したところ、予約はメールでのアポイント取得になります。現在、２－３週間先まで予約がほぼ一杯という状況とのことですので、余裕を持った申込みが必要です。

この記載に気づかず悠長にかまえていたところにこの一文を見つけて相当焦りました。ビザが認められるのも1−2週間位は見ておいたほうがよさそうです。パスポートを預けてしまうので、出国ギリギリになるとかなりヒヤヒヤします。

メールにわからないことの質問も丁寧に答えてもらえます(多分)がまずはホームページを読み込むのが大切です。

必要なものは以下の通りです(2021年11月現在)。

申請用紙

申請用紙はドイツ語と英語です。意味がわかってもやっぱりわかりにくいです。

上から書いていって最初に迷うのがPlace of Birthです。Japanと書こうとしたらその下にCountry of Birthと国名を書く欄があるので、ここは都道府県名が無難でしょう。何故か日本のパスポートはガラパゴス的に本籍地の記載があり、出生地の記載がありませんが、出生地の記載があれば便利なのに、とはいつも思います。

Number of entries requestedも調べるまでよくわかりませんでした。もし帰国や他国へ行って再入国をする可能性があるのであればMultiple entriesにしておくのが安全かと思います。

 Duration of the intended stay or transitには滞在予定期間を書きます。

Intended date of departureは出国予定日を記入します。滞在許可で長期に滞在する予定の場合にも出国予定日を一応記入します。例えば3年滞在する予定であれば、3年後の日にちを書いて大丈夫です。

Surname and first name of the inviting person(s) in the Member State(s). If not applicable, name of hotel(s) or temporary accommodation(s) in the Member State(s).は滞在先について記入します。到着後の一時しのぎにホテルへ滞在する場合にも、ホテルの名前を記入します。

Cost of travelling and living during the applicant’s stay is coveredは滞在中の資金が自分のお金か他からの資金か, などを記載します。

最後にPlace and dateとSignatureがあります。サインする時に場所を書くことは日本でそれほど馴染みがないですが、オーストリアでは一般的でした。Tokyo, 申請日(date-month-year)で記載すれば問題ありません。日にちから書くのが一般的です。

パスポートとそのコピー

パスポートとそのコピーを持参します。身分事項ページのコピーが必要です。パスポートは預けてしまいますので、それとは別に身分事項ページをスキャンしておくか、コピーを手元に置いておくといいです。2週間位は手元にない状態になります。滞在先受入機関とのやり取りなど、色々な場面でパスポートの番号が必要だったり、パスポートのコピーを求められたりすることがあります。某社の海外引っ越しを申し込んだときにもパスポートのコピーが必要でしたが、あらかじめスキャンをしておいたので大丈夫でした。

有効残存期間は必ず確認をしましょう。外国籍の方は日本の在留カードも必要です。

ICAO規格による最近の写真(パスポートサイズ)

写真はパスポート申請の場所の写真屋さんで撮影をしました。パスポートで使えるものであれば問題はないと思います。一か八かで行くより、確実に大丈夫なものを持っていったほうがいいです。

https://www.mofa.go.jp/mofaj/toko/passport/ic_photo.html

旅行保険証書

十分な保証のある保険証書が必要です。旅行保険とありますが、急な疾病をカバーするものがです。自分の場合はケアコンセプト社のケアオーストリアを申し込んでいましたので、その保険証書を持っていきました。現地で公的な健康保険に入る場合には、その入るまでの期間の旅行保険に入れば大丈夫ですが、いつから公的な健康保険に入ることができるのかを受け入れ先または会社から一筆書いてもらうように同じ時間に申請に来てた人は指摘をされていました。

また当時はCOVID-19についてもカバーしている証明が必要です、と指摘をされました。病気の保険だから普通にカバーされるでしょ、とは思いましたが、明記してある必要があるとのことで、ホームページを探したのと、直接問い合わせを行い、追加で郵送の提出をしました。

雇用証明書　(現在の雇用関係を証明する在職証明書、雇用者、仕事、期間、収入)、在学証明書

在職中の方は雇用証明書や在学証明書が必要ですので、在籍機関に出してもらいましょう。退職して渡航をする場合には不要ですが、観光以外では受け入れ先からの証明(アクセプタンスレターや招待状など)になります。

フライト予約確定書

ビザがおりたら予約ではなく、すでにフライトを予約してある状態でビザ申請に行く必要があります。なので、渡航日を決めてから逆算して(できればなるべく早く)ビザ申請に行く日を決めましょう。ホームページには出発の３週間前までに、と書いてありますが、予約を申し込んでから最短で２−３週間かかることもあります。自分の場合は出発の２週間前になってしまいました。出発日が刻一刻と近づく中でパスポートがなかなか戻ってこないので、ヒヤヒヤしました。

宿泊の予約証明、ホテルの予約

すでに賃貸などで決まっている場合にはその契約書などを持っていくのがいいです。また、一時しのぎのホテルなどでも特に問題はなさそうです。自分の場合は５日分の宿泊予約をしたホテルのconfirmationをプリントアウトして持っていきましたが、問題ありませんでした。

充分な資金の証明、通帳（6ヶ月分の残高証明）

6ヶ月分の入出金明細をプリントアウトまたはコピーをして持っていきます。６ヶ月分のプリントアウトをしたつもりが１ヶ月分だけ抜けていたりしても指摘をされました。また新しく作った口座で６ヶ月分の履歴がないものよりは６ヶ月入出金履歴がある口座のほうが良いとのことでした。さらに前日の入出金歴があるほうが良いようです。２つの口座をコピーしていったのですが、一つは上記のように一ヶ月抜けていて、もう一つは新しく作った口座だったので、6ヶ月分の歴がなかったのと、名前の入った部分をコピーし忘れたので、どちらも却下になり、結局は新しくコピーした前者を郵送で提出しました。

オーストリアの次に訪問される訪問国のビザ

これについては該当しなかったので、よくわかりません。

返信用封筒

返信用封筒はレターパックプラスという赤いものになります。配達が速達並の速さですし、追跡もできますので、渡すときに追跡番号をはがして自分の手元にとっておけばいつ発送したかがわかります。ちなみに大使館にも置いてあるので、そこで買うこともできます。

返信用封筒でビザの貼られたパスポートが入って返ってきます。

再提出書類があった場合にはレターパックライトというもので提出をします。余談ですが、レターパックプラスは対面渡し、レターパックライトはポスト投函での配達になります。

やることは複雑でわからないことも多いですが、時間的に余裕のあるうちに下調べをしっかりして行った方がいいと思います。ここを参考にしている方はちょうど渡航に向けて準備している方だと思います。渡航に向けた一つ目の山場だと思いますので、頑張ってください。

論文投稿についてのtipsをそのテーマごとにわけて記載をしてみました。

どの雑誌を選ぶか

雑誌選びについてとても慎重に考える必要があります。難しいジャーナルからチャレンジしていくのか、比較的通りそうなところをはじめから選んでいくのか、その可能性、労力、時間や通ったときのインパクトについてなど様々な要素から検討をしていく必要があります。

英文校正の前に

論文は指導者のみではなく、他の共著者にも読んでもらうことが必要です。しっかり内容を読むかどうかはその共著者にもよるかもしれませんが、重要な指摘をもらえたり、間違いに気づいてもらえることもあります。当然ですが、投稿するための承諾なども必要です。

また研究者の同僚に英語のネイティブスピーカーがいればその人に英文をチェックしてもらうこともできますが、そのような環境の人もそれほど多くはないと思います。そのためそのような環境ではない人は論文の英語をしっかりチェックしてもらえる英文校正に出すことも必要です。

カバーレターでdesk rejection率を下げる！

　比較的よく見るのが多いのが、カバーレターをほぼ定型文で書いているケースです。これではせっかく頑張って書いた論文の中身すら読んでもらえないことがあります。少なくともeditorial regectになりにくいカバーレターを目指しましょう。

いよいよ投稿する投稿をしてから返事が来るまで

投稿したあとに現在どのような進行状況かを投稿サイトから知ることができます。しかしあっという間にそのステータスが変わったり、あるいは全然変わらなかったり。進行状況はわかりますが、その表示は雑誌によっても異なっており、ヤキモキすることも少なくありません。投稿してからの流れを解説したのが、次の記事です。

ジャーナルから返事が来たら

投稿した雑誌からいつかは返事がきます。待ちに待った返事を開いてどうだったでしょうか。喜びや安堵の気持ちを抱くか、落胆や絶望感を味わうか、大きく感情が揺さぶられる瞬間です。しかし、次に何をすべきか、気持ちを切り替えて行くしかありません。せっかく頑張って書いた論文です。よっぽど論文に問題がある場合を除き、お蔵入りにさせず、強い信念で論文を通しましょう。

リバイスの方法

major revisionやminor revisionになった時、その改訂の仕方にはそれなりの作法があります。せっかく改訂すればアクセプトにするという段階ですから、これを無駄にしてしまうことはできません。うまくいかなければリジェクトになる可能性もありますので、手を抜かずに慎重に進めましょう。

プレスリリース-論文に通ったあとに

論文が通ったらプレスリリースをすることがあります。別にしなくても構いませんが、社会的にインパクトのありそうな研究だと考えているならば、プレスリリースをすることによって自分たちの研究を多くの人に知ってもらえるチャンスです。プレスリリースは論文がin pressの段階で行うのが効果的です。そのメリットと注意すべき点を記載しました。

論文が通るまでには大変な苦労があります。特にはじめての頃はよくわからないことがたくさんあります。

この記事がお役に立ちましたら幸いです。

普段の診察でもパーキンソン病の患者さんに薬とともに運動をすすめています。運動は治療の一つでもあります。卓球は体力とともに素早い反応が必要です。来るボールに対して素早くラケットを出す、回転を見極めるなどの一瞬の判断力など、とても頭を使うスポーツとしても知られています。

卓球の効果は海外でも注目をされていますが、最近日本からもその効果を裏付ける発表がされています。

https://www.sciencedirect.com/science/article/pii/S2590112520300542

パーキンソン病と卓球について

福岡大学から論文です。

12名トライアルに参加して9名の追跡ができています。週1回で、準備運動を入れた6時間の運動プログラムをやっています。

運動症状のスコアというのは、日常生活においてどのくらい不自由があるか、というアンケート形式のものと、診察で一つ一つの症状を評価するものがあります。

そのアンケート形式のスコアと身体診察による評価、そのどちらもで3ヶ月後、6ヶ月後に症状が改善をしていました。特にパーキンソン病のお薬を新たに内服するわけでもないとのことです。

研究への参加者の数が少ないので、この論文の信頼性としてはやや劣ってしまいます。しかし、とても期待が持てる結果です。

パーキンソン病患者のための卓球世界選手権が開催

最近ではパーキンソン病のある卓球選手による世界大会が開かれています。

2020年に開かれるはずだった第2回の世界大会が新型コロナウイルスの関係で、2021年9月にドイツのベルリンで行われる予定になっています。

今年の世界大会のホーページです。
https://ittffoundation.org/programmes/tt4health/2021-ittf-parkinsons-world-table-tennis-championships

第1回はニューヨークで2019年に開催をされていました。

このリンク先の記事は入賞者の順位が掲載をされていますが、日本からの参加者も入賞していますね。おめでとうございます！！
https://www.butterfly.co.jp/takurepo/tournament/detail/013395.html

開催の経緯 – 卓球による症状の改善効果への期待

この世界大会の理念にはミュージシャンであり、パーキンソン病患者でもあったネナド・バッハさんが国際卓球連盟に提唱したことによって実現したとのことです。

詳しくは次のリンクの記事に書いてあります。
https://www.butterfly.co.jp/takurepo/other/detail/006835.html

Nenad Bach氏はクロアチアのザグレブ出身。ニューヨークに住み、ミュージシャンとして活動していた。しかし、2010年にパーキンソン病にかかったことで、その音楽生活は暗転した。指先の動きに障害があらわれ、ギターは弾けなくなっていった。また、まっすぐ立つことも困難になってしまった。加えて、声を出すことすら難しくなってしまった。

https://www.butterfly.co.jp/takurepo/other/detail/006835.html

ネナド・バッハさんは2010年にパーキンソン病を患ってしまいました。仕事してのギターも、そしてまっすぐ立ったり声を出すことすらも難しくなったとのことです。

卓球を始めて症状が改善

しかしネナド・バッハさんは2016年に卓球を始めたことによって、再びギターを弾けるようになり、またまっすぐ立ったり声を出すこともできるようになりました。

2016年、Nenad Bach氏は卓球を始めた。子どもの頃に遊びでやっていた卓球を、再びやってみる気になったのだ。すると、歓迎すべき変化があらわれた。卓球をするようになってから、症状が改善する気配を感じたのだ。そこで、卓球をする頻度を増やしていったところ、症状は明らかに改善し、なんとギターが弾けるまでに回復。まっすぐ立てるようにもなった。声も出せるようになった。

https://www.butterfly.co.jp/takurepo/other/detail/006835.html

2018年には国際卓球連盟の関係者に弾き語りをしたというのですから驚きです。2010年にパーキンソン病を発症したとのことであれば、すでに8年を経過しています。

卓球というスポーツは経験者と初心者の力の差があまりに大きな競技です。世界大会を見ると、小さいボールで人間業とは思えないような攻防を繰り広げています。

ネナド・バッハさんは子どもの頃に遊びでやっていた程度の卓球ということですから、ほぼ初心者に近い経験だと考えられます。

つまり、経験者が卓球を続けるということではなく、初心者でも運動の改善が期待できる、ということだと思います。

今の新型コロナウイルスの状況もあり、なかなか難しいかもしれませんが、これからの卓球の効果としての科学的なエビデンスが期待されます。

ぜひ運動は楽しんで行いましょう。