Innholdsfortegnelse:
- Med modellbordene ( ) -funksjonen, kan du se på resultatene for de individuelle nivåene av faktorene. Funksjonen lar deg lage to forskjellige tabeller, enten du ser på det estimerte gjennomsnittlige resultatet for hver gruppe, eller du ser forskjellen på det totale betyr.
Video: Thorium. 2024
For å sjekke datamodellen du opprettet med ANOVA (variansanalyse), kan du bruke Rs oppsummering () funksjon på modellobjektet slik: >> sammendrag (AOVModel) Df Sum Sq Mean Sq F-verdi Pr (> F) spray 5 2669 533. 8 34. 7 <2e-16 *** Residuals 66 1015 15. 4 --- Signif. koder: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1
R skriver deg analysen av variansetabellen som i utgangspunktet forteller om de forskjellige betingelsene kan forklare en betydelig del av variansen i dataene dine. Denne tabellen forteller deg bare noe om begrepet, men ingenting om forskjellene mellom de forskjellige sprøytene. For det må du grave litt dypere.
Med modellbordene () -funksjonen, kan du se på resultatene for de individuelle nivåene av faktorene. Funksjonen lar deg lage to forskjellige tabeller, enten du ser på det estimerte gjennomsnittlige resultatet for hver gruppe, eller du ser forskjellen på det totale betyr.
For å vite hvor mye effekt hver spray hadde, bruker du følgende kode: >> modell. tabeller (AOVModel, type = "effekter") Effektstråler spray spray ABCDEF 5. 000 5. 833 -7. 417 -4. 583 -6. 000 7. 167
Her ser du at for eksempel sprøyte E resulterte i gjennomsnitt i seks feil mindre enn gjennomsnittet over alle feltene. På den annen side, på felt hvor sprøyte A ble brukt, fant bøndene i gjennomsnitt fem bugs mer i forhold til gjennomsnittet.
For å få de modellerte midlene per gruppe og det totale gjennomsnittet, bruk bare argumentverdien type = 'betyr' i stedet for type = 'effekter'.
Slik ser du på individuelle forskjeller i data En bonde ville sannsynligvis ikke vurdere å kjøpe spray A, men hva med spray D? Selv om spray E og C synes å være bedre, kan de også være mye dyrere. For å teste om de parvise forskjellene mellom sprayene er signifikante, bruker du Tukeks ærlige signifikante forskjell (HSD) -test. Med TukeyHSD () -funksjonen kan du gjøre det veldig enkelt, slik:
>> Sammenligninger <- tukeyHSD (Model)
Sammenligningsobjektet inneholder nå en liste hvor hvert element er oppkalt etter en faktor i modellen. I eksemplet har du bare ett element, kalt spray. Dette elementet inneholder, for hver kombinasjon av sprayer, følgende:
Forskjellen mellom midlene.Det lavere og øvre nivået av 95 prosent konfidensintervall rundt det betyr forskjell.
P-verdien som forteller deg om denne forskjellen er vesentlig forskjellig fra null.Denne p-verdien justeres ved hjelp av metoden til Tukey (dermed kolonnenavnet p adj).
-
Du kan trekke ut all den informasjonen ved hjelp av klassiske metoder for utvinning. For eksempel får du informasjon om forskjellen mellom D og C slik: >> Sammenligninger $ spray ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707
-
Den forskjellen ser ikke imponerende ut, hvis du spør Tukey.
-
Slik plotter du forskjellene
TukeyHSD-objektet har en annen fin funksjon: Den kan plottes. Ikke bry deg om å lete etter en Hjelpe-side av plott-funksjonen - alt du finner er en setning: "Det er en plottemetode. "Men det fungerer definitivt! Prøv det slik: >> plot (Sammenligninger, las = 1)
Du ser utgangen på denne enkle linjen. Hver linje representerer den gjennomsnittlige forskjellen mellom begge gruppene med det angitte konfidensintervallet. Når konfidensintervallet ikke inkluderer null (den vertikale linjen), er forskjellen mellom begge gruppene signifikant.
Du kan bruke noen av de grafiske parametrene for å gjøre plottet mer lesbart. Spesielt er las-parameteren nyttig her. Ved å sette den til 1, kontroller du at alle akseetiketter skrives ut horisontalt, slik at du faktisk kan lese dem.