「Mark」R语言方差分析的内容全部在这里了

bigegpt 2024-10-12 06:42 4 浏览

随着研究生以及博士生对实验数据分析以及挖掘越来越重视，传统的数据处理工具例如“Excel”越来越不能满足对数据分析的需求，我们需要更高级的数据分析工具，因此R和Python就营运而生。

R从它出生的第一天就是为了做统计计算的，那时它被定义为一个统计计算与作图的工具，虽然发展到现在它已经被赋予了越来越强大的功能，以至于成为各个高校老师与学生数据分许的主要工具。方差分析在科研实验中有重要的地位，今天明明同学给大家分享如何通过R语言一两行代码快速进行方差分析和多重检验。（工欲善其事必先利其器，这里明明同学建议大家用Rstudio做R语言的开发）

无论单因素还是双因素方差分析一个函数就可以搞定，这个函数是AOV ()

ANOVA模型拟合

1、aov()函数

语法：aov(formula,data=dataframe)

Formula：一个指定模型的公式

一般有一下几种模型公式：

公式中特殊符号表达的含义为：

2、单因素方差分析

如下面数据所示，求三种肥料之家是否有显著差异

要想做方差分析，数据必须满足3个条件即独立、正态，方差齐次性。

(一) 正态

在R语言中，对于正态性，用函数shapiro.test()检验，它提供了W统计量和相应P值，所以可以直接使用P值作为判断标准，其调用格式为shapiro.test(x)，参数x即所要检验的数据集，它是长度在35000之间的向量。

因此本例中对肥料A、B、C分别检验。

P值均大于显著性水平a=0.05，因此不能拒绝原假设，说明数据在肥料的三个水平下都是来自正态分布的。

(二) 方差齐性检验

R中最常用的Bartlett检验,bartlett.test()调用格式为bartlett.test(x，g…)

其中，参数X是数据向量或列表(list) ; g是因子向量，如果X是列表则忽略g.当使用数据集时，也可通过formula调用函数:

bartlett.test(formala, data, subset，na.action…)

formula是形如上面写的方差分析公式;data指明数据集:subset是可选项，可以用来指定观测值的一个子集用于分析:na.action表示遇到缺失值时应当采取的行为。

本例中对肥料A、B、C方差齐性进行检验：

由于P值远远大于显著性水平a=0.05，因此不能拒绝原假设，我们认为不同水平下的数据是等方差的。

(三)单因素方差分析

根据前面介绍的aov函数和公式，进行本例中单因素方差检验

(四) 多重比较

这里采用最小显著差数检验法(即LSD法)，并用字母标记法对结果进行标记

这里1、2、3分别对应肥料A、B、C。groups表示的是字母标记。

3、双因素不含交互作用的方差分析

(一)把表格中的数据转换成长表即R语言能够分析的数据结构

即如下形式：

数据导入R并重新命名

(二)结合上面介绍的公式进行双因素方差分析

由P值可知光照和温度均存在显著差异。

(三)接着用邓肯多重比较对数据进行多重比较并用字母表记法标记

4、双因素含交互作用的方差分析

(一)和无交互作用一样把数据转换成长表

(一)将数据输入到R并重新命名

(二)含交互作用的双因素方差分析

由此可见光照和温度存在显著的差异，但是他们的交互性对结果的影响并不显著。这和之间用SPSS分析得出的结果一样。方差分析在科研实验中有重要的地位，而R语言做方差分析非常便捷，只需要三两行代码即可完成分析。

毕业零距离致力于为本科生、研究生以及刚入职场的小伙伴提供数据分析、办公软件的方法和技巧。有需要PPT制作、数据分析、视频制作、平面设计以及有任何问题欢迎关注毕业零距离。有任何问题随时私信明明同学，谢谢大家对毕业零距离的支持。

r语言subset

上一篇：R语言中访问向量中元素的几种方法
下一篇：R语言实战-02-回归诊断-优化模型 r语言回归分析案例

「Mark」R语言方差分析的内容全部在这里了

ANOVA模型拟合

1、aov()函数

2、单因素方差分析

3、双因素不含交互作用的方差分析

4、双因素含交互作用的方差分析

相关推荐

idea本地配置连接远程hadoop集群的一些网络问题解决汇总

无缓存不行?例行升级的入门级阿斯加特AN2 SSD装机点评

Ceph运维手册(基于P版本)

Docker 命令大全（docker命令大全记录表）

替代Docker build的Buildah简单介绍

Docker Desktop安装使用指南:零基础教程

大数据开发前要做什么准备?8台Hadoop服务器进行集群规划前配置

Tensorflow分类loss函数总结 tensorflow绘制loss曲线

R语言学习笔记(七) -离散型数据的模型预测2

iOS Runtime详解