Compute ranking of biomarkers by sorting t-test p-values

rank_ttest(Y, A, W)

Arguments

Y

(numeric vector) - continuous or binary biomarkers outcome variables

A

(numeric vector) - binary treatment indicator: 1 = treatment, 0 = control

W

(numeric vector, numeric matrix, or numeric data.frame) - matrix of baseline covariates where each column corrspond to one baseline covariate and each row correspond to one observation.

Value

an integer vector containing ranks of biomarkers.

Examples

set.seed(1234) data(simpleArray) rank_ttest(Y = simulated_array, A = simulated_treatment, W = rep(1, length(A)))
#> [1] 5 26 4 2 3 6 17 60 19 1 855 990 502 508 #> [15] 244 892 177 325 845 626 279 69 986 163 819 422 164 783 #> [29] 978 135 157 24 171 562 994 482 397 649 729 826 701 722 #> [43] 481 454 697 455 518 197 213 137 255 725 13 287 515 751 #> [57] 437 743 182 681 357 802 25 886 992 572 698 448 478 203 #> [71] 451 530 781 772 582 542 300 333 574 869 816 813 849 493 #> [85] 543 868 261 706 652 631 726 240 570 273 323 483 288 861 #> [99] 73 818 322 165 727 335 741 488 905 176 67 398 119 538 #> [113] 524 925 286 297 304 528 800 558 611 829 368 661 367 867 #> [127] 547 77 852 700 250 579 742 433 334 496 602 637 929 885 #> [141] 338 198 647 911 639 369 39 917 907 351 896 696 145 74 #> [155] 75 963 872 599 974 106 101 205 876 469 90 36 926 749 #> [169] 716 820 759 999 934 646 837 35 301 344 710 150 879 54 #> [183] 311 274 41 114 497 71 108 416 557 72 485 638 80 92 #> [197] 230 193 674 280 331 105 719 400 117 841 610 671 739 619 #> [211] 61 836 184 939 148 702 878 456 349 225 785 955 130 843 #> [225] 376 927 23 607 928 708 136 682 316 921 343 988 410 680 #> [239] 822 908 718 471 511 971 859 972 154 282 231 529 81 185 #> [253] 146 243 393 644 82 356 923 657 835 678 442 441 121 606 #> [267] 910 158 372 641 226 648 459 975 969 768 565 973 464 774 #> [281] 431 924 342 465 16 937 133 31 93 811 787 527 935 445 #> [295] 690 103 113 993 227 388 873 803 411 353 214 775 283 115 #> [309] 413 695 623 961 110 738 241 209 672 799 998 517 404 655 #> [323] 216 512 941 952 750 782 257 549 903 390 535 449 685 324 #> [337] 285 827 332 618 617 856 306 248 594 312 900 52 946 118 #> [351] 386 575 415 352 714 534 991 210 842 235 788 853 777 600 #> [365] 476 370 996 328 38 686 234 767 484 409 22 659 981 153 #> [379] 460 592 462 854 604 143 423 477 104 608 58 378 303 277 #> [393] 495 62 539 389 138 265 745 596 313 567 169 222 315 247 #> [407] 723 183 109 408 428 425 590 884 677 540 533 383 218 815 #> [421] 796 839 124 588 965 149 560 679 276 399 256 458 321 11 #> [435] 550 901 307 186 116 942 100 65 66 87 345 417 537 246 #> [449] 736 752 436 863 780 913 346 278 866 341 531 833 757 178 #> [463] 64 874 401 514 474 424 414 864 251 817 664 951 805 548 #> [477] 589 967 381 159 694 238 724 847 636 790 758 170 290 427 #> [491] 47 373 435 944 391 628 147 584 614 865 407 823 653 654 #> [505] 15 754 438 666 513 337 634 662 221 622 363 580 932 523 #> [519] 9 95 586 461 597 809 763 765 236 269 174 432 152 888 #> [533] 88 267 979 180 930 45 76 620 319 731 418 33 970 989 #> [547] 452 645 909 123 473 997 630 249 98 505 922 86 377 577 #> [561] 522 825 916 877 429 683 56 340 891 532 472 848 587 958 #> [575] 500 601 200 207 730 365 375 470 421 63 976 111 746 735 #> [589] 229 220 233 556 832 195 688 651 982 264 239 254 271 882 #> [603] 947 561 160 615 880 252 215 44 127 555 943 57 309 957 #> [617] 289 948 504 151 48 983 632 395 862 43 552 308 466 616 #> [631] 660 419 684 245 536 732 642 553 450 526 755 224 330 795 #> [645] 756 860 21 134 10 187 53 94 883 595 175 380 566 895 #> [659] 670 953 122 640 50 318 797 789 129 292 962 359 320 520 #> [673] 740 676 384 91 510 857 262 894 12 49 658 987 525 102 #> [687] 284 571 156 382 317 824 828 228 281 673 379 712 467 715 #> [701] 598 912 492 168 593 30 851 126 699 144 202 771 360 717 #> [715] 498 954 223 764 140 920 128 871 675 191 434 141 444 204 #> [729] 950 663 298 773 188 78 348 519 870 728 327 846 554 840 #> [743] 737 295 457 591 776 99 211 412 96 959 68 406 621 705 #> [757] 709 89 889 858 196 420 299 192 426 232 633 499 392 687 #> [771] 242 162 569 20 573 112 541 563 546 486 296 27 931 583 #> [785] 949 613 463 667 487 769 890 713 374 669 761 915 402 70 #> [799] 350 329 506 32 985 762 968 480 179 804 83 272 167 439 #> [813] 489 721 85 385 430 55 302 387 875 918 263 355 612 791 #> [827] 933 358 821 665 938 831 812 786 779 516 14 635 887 107 #> [841] 189 733 190 7 336 509 40 142 521 814 904 838 576 172 #> [855] 760 181 881 544 850 744 42 793 155 371 120 627 956 199 #> [869] 711 490 291 326 650 766 748 29 79 691 720 807 131 753 #> [883] 806 194 977 258 747 906 266 494 559 808 964 902 703 354 #> [897] 899 403 396 778 794 830 253 984 966 479 693 447 609 260 #> [911] 314 293 59 259 46 394 568 97 581 219 668 656 453 605 #> [925] 624 173 206 37 268 551 960 362 310 784 897 8 834 734 #> [939] 801 643 501 545 361 585 18 940 603 475 1000 844 689 945 #> [953] 578 201 405 893 339 491 564 707 770 84 364 212 166 629 #> [967] 792 898 161 704 468 440 132 294 507 275 305 270 208 217 #> [981] 919 980 139 810 446 28 34 914 51 347 692 366 798 237 #> [995] 443 503 625 936 125 995