单因素方差分析——R语言实战
课题组的每个人都有实验任务，做实验的目的是为了获取实验数据，下一步就要进行数据分析，数据分析的方法各式各样。今天我给大家介绍，如何使用R语言进行单因素方差分析。
有人会问，什么是单因素方差分析？
试验中要考察的指标称为试验指标，影响试验指标的条件称为因素，因素所处的状态称为水平，若试验中只有一个因素改变则称为单因素试验，若有两个因素改变则称为双因素试验，若有多个因素改变则称为多因素试验。方差分析就是对试验数据进行分析，检验方差相等的多个正态总体均值是否相等，进而判断各因素对试验指标的影响是否显著，根据影响试验指标条件的个数可以区分为单因素方差分析、双因素方差分析和多因素方差分析。[1]
下面我演示一下具体操作：
原始数据：探究不同外源添加物对土壤cfpoc含量的影响。
| 重复 | a | b | c | d | e | f | k |
| 1 | 3.186224 | 3.2629 | 2.397264 | 2.300343 | 1.806937 | 2.711331 | 2.945837 |
| 2 | 2.975125 | 3.068194 | 2.962235 | 2.233887 | 2.136561 | 4.185355 | 3.01814 |
| 3 | 3.150602 | 4.29719 | 2.518045 | 2.169607 | 2.473778 | 3.94805 | 2.785514 |
1、导入数据
#导入上述数据
install.packages("xlsxjars")
install.packages("rjava")
library("readxl")
ffpoc <- read_xlsx("C:\\Users\\86138\\Desktop\\实验\\有机碳组分\\外源cfpoc.xlsx")
ffpoc2、进行数据重构
#数据重构
library(reshape2)
c3 <- melt(c3,id=c())
names(c3) <- c('trt', 'val')
c3 <- c3[-1,]#运行三次，去掉空白行
c3
重构后的数据如下
| trt | val | |
| 1 | a | 3.186224 |
|
2 |
a |
2.975125 |
|
3 |
a |
3.150602 |
|
4 |
b |
3.262900 |
|
5 |
b |
3.068194 |
|
6 |
b |
4.297190 |
|
7 |
c |
2.397264 |
|
8 |
c |
2.962235 |
|
9 |
c |
2.518045 |
|
10 |
d |
2.300343 |
|
11 |
d |
2.233887 |
|
12 |
d |
2.169607 |
|
13 |
e |
1.806937 |
|
14 |
e |
2.136561 |
|
15 |
e |
2.473778 |
|
16 |
f |
2.711331 |
|
17 |
f |
4.185355 |
|
18 |
f |
3.948050 |
|
19 |
k |
2.945837 |
|
20 |
k |
3.018140 |
|
21 |
k |
2.785514 |
3、单因素方差分析与多重比较
（1）单因素方差分析
aov6 <- aov(val~trt,data=c3)
summary(aov6)
（2）多重比较
给大家推荐两种比较方法，两种函数LSD.test()和Duncan.test（）
（1）LSD.test()
library(agricolae)#需要用的包
data <- LSD.test(aov6,'trt',p.adj = 'bonferroni')#'bonferroni'#对P值进行修正
print(data6$groups)
plot(data6)
（2）Duncan.test（）
library(agricolae)
data6<-duncan.test(aov6,'trt')
data6$groups
plot(data6)
这样就可以看出不同组别之间的显著性差异
4、提取数据
mean <- aggregate(c3$val,by=list(trt=c3$trt),FUN=mean) #计算均值
sd <- aggregate(c3$val,by=list(trt=c3$trt),FUN=sd) #计算标准偏差
se <- sd$x/sqrt(nrow(c3)/nrow(sd)) #计算标准误差
new <- data.frame(trt=mean$trt,mean=mean$x,sd=sd$x,se) #对计算后的数据重构
label6 <- data.frame(mean=data6$groups$val,label=data6$groups$groups) #添加多重比较结果
total7 <- merge(new,label6,by="mean") #合并数据
total75、画柱状图（带误差棒和显著性字母）
library(ggplot2)
p11 <- ggplot(total7,aes(trt,mean))+geom_bar(stat="identity",fill = c("#90C9E7","#219EBC","#136783","#02304A","#FEB705","#FF9E02","#FA8600"),width = 0.5)+geom_errorbar(aes(ymin=mean-se,ymax=mean+se),width=0.1)+geom_text(aes(y=mean+se,label=label,vjust=-0.5,hjust="center"))+theme(axis.text.x = element_text(size=12,face="bold"),axis.text.y = element_text(size=12,face="bold"),panel.grid.major = element_blank(),panel.grid.minor=element_blank(),panel.background = element_blank(),axis.line=element_line(colour="black",size=0.6))+labs(x="不同外源添加物",y="土壤cfpoc含量 %")+ylim(0,5)
p11
ps：显著性字母相关解释[2]：
（1） 先将平均数由大到小排列（从上到下排列），在最大平均数后标记字母 a 。
（2）用该平均数依次与各平均数相比（向下过程），凡差异不显著都标记同一字母 a，直到遇到与其差异显著的平均数，其后标记字母 b，向下比较停止；
（3）再以标有字母b的该平均数为标准，依次与上方比它大的各个平均数比较（向上过程），凡差异不显著一律再加标b，直至显著为止（开始“掉头”向下）；
（4）再以标记有字母 b 的最大平均数为标准（向下过程），依次与下面各未标记字母的平均数相比，凡差异不显著，继续标记字母 b，直至遇到某一个与其差异显著的平均数标记 c；
（5） 如此循环下去，直到最小的平均数被标记、且比较完毕为止。
资料来源
[1]百度百科，单因素方差分析_百度百科 (baidu.com)
[2]百度解答，论文中显著性水平怎么标注_百度知道 (baidu.com)
单因素方差分析——R语言实战相关推荐
- 对比《学习R》PDF代码+《R语言实战第2版》PDF代码+《R数据科学》PDF代码分析
R语言是世界上最流行的用于数据处理和统计分析的脚本语言.考古学家用它来跟踪古代文明的传播,医药公司用它来探索哪种药物更安全.更有效,精算师用它评估金融风险以保证市场的平稳运行.总之,在大数据时代,统计 ...
- R语言实战笔记--第十二章 重抽样（置换检验）与自助法
R语言实战笔记–第十二章 重抽样(置换检验)与自助法 标签(空格分隔): R语言 重抽样 自助法 置换检验 置换检验 双样本均值检验的时候,假设检验的方法就是,检查正态性.独立性.方差齐性,分别对应的 ...
- R语言实战笔记--第九章 方差分析
R语言实战笔记–第九章 方差分析 标签(空格分隔): R语言 方差分析 术语 组间因子,组内因子,水平:组间因子和组同因子的区别是,组间因子对所有测试对象进行分组,而组内因子则把所有测试对象归为同一组 ...
- 备受推崇的《R语言实战》真的值得如此好评吗？
作者:刘洋溢 R语言中文社区专栏作者 知乎ID:https://zhuanlan.zhihu.com/p/51396601 阅前思考: R语言入门必看的<R语言实战>真的是很好的入门书籍 ...
- R语言必看推荐：R语言入门经典版（中文版）+R语言实战第二版（中文完整版）
R语言入门经典(中文版)R for beginners R语言经典教材 第二版 适合初学者 作者:Emmanuel Paradis R 语言实战第二版(中文完整版) R语言实战(第2版)注重实用性,是 ...
- R语言实战笔记--第十五章 处理缺失数据
R语言实战笔记–第十五章 处理缺失数据 标签(空格分隔): R语言 处理缺失数据 VIM mice 缺失值(NA),是导致我们计算错误的一大来源,处理缺失数据在实际的应用中有着较为重要的作用. 基本方 ...
- R语言实战：机器学习与数据分析源代码5
本文辑录了<R语言实战--机器学习与数据分析>(电子工业出版社2016年出版)一书第6章至第7章前半部分(至136页)之代码.本书引言请见如下链接: http://blog.csdn.ne ...
- R语言实战（九）主成分和因子分析
本文对应<R语言实战>第14章:主成分和因子分析 主成分分析(PCA)是一种数据降维技巧,它能将大量相关变量转化为一组很少的不相关变量,这些无关变量成为主成分. 探索性因子分析(EFA)是 ...
- R语言实战笔记--第十四章 主成分和因子分析
R语言实战笔记–第十四章 主成分和因子分析 标签(空格分隔): R语言 主成分分析 因子分析 原理及区别 主成分分析与因子分析很接近,其目的均是为了降维,以更简洁的数据去解释结果,但这两种方法其实是相 ...
最新文章
- GlusterFS 安装与配置
- Linux中压缩、解压缩(tar/zip/bzip2/gz/gzip/zip)
- 使用cnn预测房价_使用CNN的人和马预测
- 浅析 NodeJs 的几种文件路径
- ajax 页面无刷新,Ajax的页面无刷新实现详解（附代码）
- Java实现数据批量导入数据库(优化速度-2种方法)
- maven 打包javadoc乱码解决方案
- weex默认的flex布局_CSS flex布局入门
- 如何让手机快速运行AI应用？这有份TVM优化教程
- JavaScript中常见的字符串操作函数及用法
- Linux快捷键及命令
- 基于Matlab的数字水印设计实现
- html图片标签img的介绍以及基本用法详解
- rust实现一个mysql驱动_使用Rust编写用户态驱动程序
- 项目部署常用linux命令（丰富的教程、资源）
- 论文解读2019INFOCOM_Calibrate: Frequency Estimation and Heavy Hitter Identification with LDP
- 百度推广引流一个成本多少?百度推广怎么预估成本？
- 在HBuilder创建前端web项目时，图片加载不出来，怎么解决？
- CTR --- DIEN论文阅读笔记，及tf2复现
- 招聘 关于数通与云计算的岗位