Hvordan man vurderer forskellene i dine data med R-dummier

For at kontrollere den datamodel, du oprettet med ANOVA (variansanalyse), kan du bruge R's sammendrag () funktion på modelobjektet som dette: >> resumé (AOVModel) Df Sum Sq Middel Sq F værdi Pr (> F) spray 5 2669 533. 8 34. 7 <2e-16 *** Restprodukter 66 1015 15. 4 --- Signif. koder: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1

R udskriver analysen af ​​variansetabellen, der i det væsentlige fortæller dig, om de forskellige udtryk kan forklare en betydelig del af variansen i dine data. Denne tabel fortæller kun noget om udtrykket, men ikke noget om forskellene mellem de forskellige sprøjter. Dertil skal du grave lidt dybere.

Sådan kontrolleres datamodeltabeller

Med modelborde () -funktionen kan du se på resultaterne for de enkelte niveauer af faktorerne. Funktionen giver dig mulighed for at oprette to forskellige tabeller, enten du ser på det estimerede middelværdi for hver gruppe, eller du ser forskellen på det samlede betyder.

For at vide, hvor meget effekt hver spray har, skal du bruge følgende kode: >> model. tabeller (AOVModel, type = "effekter") Effektstråler spray spray ABCDEF 5.000 5.833 -7. 417 -4. 583 -6. 000 7. 167

Her ses, at for eksempel sprøjte E resulterede i gennemsnit i seks fejl mindre end gennemsnittet over alle felter. På den anden side på marker, hvor sprøjte A blev brugt, fandt landmændene i gennemsnit fem fejl mere i forhold til det samlede gennemsnit.

For at få de modellerede midler pr. Gruppe og det overordnede gennemsnit, brug blot argumentværdien type = 'betyder' i stedet for type = 'effekter'.

Sådan ser man på individuelle forskelle i data En landmand ville nok ikke overveje at købe spray A, men hvad med spray D? Selvom spray E og C synes at være bedre, kan de også være meget dyrere. For at teste om de parvise forskelle mellem sprayene er signifikante, bruger du Tukey's Honest Significant Difference (HSD) test. Funktionen TukeyHSD () gør det muligt for dig at gøre det meget nemt, som dette:

>> Sammenligninger <- tukeyHSD (Model)

Sammenligningsobjektet indeholder nu en liste, hvor hvert element er opkaldt efter en faktor i modellen. I eksemplet har du kun ét element, kaldet spray. Dette element indeholder for hver kombination af sprøjter følgende:

Forskellen mellem midlerne.

Det lavere og øverste niveau af 95 procent konfidensinterval omkring det betyder forskel.

P-værdien, der fortæller dig, om denne forskel er signifikant forskellig fra nul.Denne p-værdi justeres ved hjælp af Tukey-metoden (dermed kolonnenavnet p adj).

• Du kan udtrække al den information ved hjælp af de klassiske metoder til udvinding. For eksempel får du oplysninger om forskellen mellem D og C som denne: >> Sammenligninger $ spray ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707

• Denne forskel ser ikke imponerende ud, hvis du spørger Tukey.

• Sådan plottes forskellene

TukeyHSD-objektet har en anden flot funktion: Den kan plottet. Lad være med at lede efter en Hjælpeside for plotfunktionen - alt du finder er en sætning: "Der er en plot-metode. "Men det virker helt sikkert! Prøv det som sådan: >> plot (Sammenligninger, las = 1)

Du ser output fra denne enkle linje. Hver linje repræsenterer den gennemsnitlige forskel mellem begge grupper med det efterfølgende konfidensinterval. Når konfidensintervallet ikke indeholder nul (den lodrette linje), er forskellen mellem begge grupper signifikant.

Du kan bruge nogle af de grafiske parametre til at gøre plottet mere læseligt. Specielt er las-parameteren nyttig her. Ved at indstille den til 1, skal du sørge for, at alle akseetiketter udskrives vandret, så du rent faktisk kan læse dem.