拓端tecdat|R语言析因设计分析:线性模型中的对比
原文链接:http://tecdat.cn/?p=9649
原文出处:拓端数据部落公众号
对比度可用于对线性模型中的处理进行比较。
常见的用途是使用析因设计时,除析因设计外还使用控制或检查处理。在下面的第一个示例中,有两个级别(1和2)的两个处理(D和C),然后有一个对照 处理。此处使用的方法是方差的单向分析,然后使用对比来检验各种假设。
在下面的第二个示例中,对六种葡萄酒进行了测量,其中一些是红色,而有些是白色。我们可以比较的治疗中通过设置对比,并进行F检验红酒组。这类似于测试红酒的主要效果。
使用的软件包
如果尚未安装这些软件包,则以下命令将安装它们:
if(!require(car)){install.packages("car")}
if(!require(lsmeans){install.packages("lsmeans")}
if(!require(multcomp)){install.packages("multcomp")}
单自由度对比示例
这个假设的例子可以代表一项采用阶乘设计的实验,其中两个处理(D和C)分别处于两个级别(1 和2),并且是对照处理。
Data = read.table(textConnection(Input),header=TRUE)Data$Treatment = factor(Data$Treatment, levels=unique(Data$Treatment))Databoxplot(Response ~ Treatment,data = Data,ylab="Response",xlab="Treatment")### Define linear modelmodel = lm(Response ~ Treatment, data = Data)library(car)Anova(model, type="II")summary(model)
lsmeans示例
contrast estimate SE df t.ratio p.valueD1vsD2 -0.83333333 0.1549193 10 -5.379 0.0031C1vsC2 -2.10000000 0.1549193 10 -13.555 <.0001InteractionDC 0.03333333 0.1549193 10 0.215 1.0000C1vsC2forD1only -1.03333333 0.1095445 10 -9.433 <.0001C1vsC2forD2only -1.06666667 0.1095445 10 -9.737 <.0001TreatsvsControl 3.96666667 0.3464102 10 11.451 <.0001T1vsC 0.26666667 0.1095445 10 2.434 0.3011T2vsC 1.30000000 0.1095445 10 11.867 <.0001T3vsC 0.66666667 0.1095445 10 6.086 0.0012T4vsC 1.73333333 0.1095445 10 15.823 <.0001
由于调整方法不同,p值与multcomp ###的p值略有不同。
###两个过程的调整方法,
### p值和其他统计信息,将是相同的。
###使用
Adjust =“ none”,结果将与### aov方法相同。
multcomp示例
Estimate Std. Error t value Pr(>|t|) D1vsD2 == 0 -0.83333 0.15492 -5.379 0.00218 **C1vsC2 == 0 -2.10000 0.15492 -13.555 < 0.001 ***InteractionDC == 0 0.03333 0.15492 0.215 0.99938 C1vsC2forD1only == 0 -1.03333 0.10954 -9.433 < 0.001 ***C1vsC2forD2only == 0 -1.06667 0.10954 -9.737 < 0.001 ***TreatsvsControl == 0 3.96667 0.34641 11.451 < 0.001 ***T1vsC == 0 0.26667 0.10954 2.434 0.17428 T2vsC == 0 1.30000 0.10954 11.867 < 0.001 ***T3vsC == 0 0.66667 0.10954 6.086 < 0.001 ***T4vsC == 0 1.73333 0.10954 15.823 < 0.001 ***
一组治疗中的全局F检验示例
该示例具有由三种红酒和三种白葡萄酒组成的处理。我们将想知道红酒组中的处理是否对响应变量有影响。这种方法之所以具有优势,是因为仍可以在红酒中进行事后比较。
boxplot(Response ~ Treatment,data = Data,ylab="Response",xlab="Treatment")
与lsmeans 的对比测试
问题:红酒中有功效吗?
test(Test, joint=TRUE)df1 df2 F p.value2 12 24.3 0.0001
使用2个自由度进行了一次假设检验。这调查了
### 3组治疗的效果。
###结果与multcomp的结果基本相同
问题:白葡萄酒有效果吗?
test(Test, joint=TRUE)df1 df2 F p.value2 12 0.3 0.7462
两行对比
使用2个自由度进行了一次假设检验。本研究调查了
###一组3种治疗方法中的效果
###结果与multcomp的结果相同
问题:红葡萄酒和白葡萄酒之间有区别吗?而且,红酒的平均分离度
contrast estimate SE df t.ratio p.valueRed_vs_white 21 1.490712 12 14.087 <.0001Merlot_vs_Cab -3 0.860663 12 -3.486 0.0179Cab_vs_Syrah -3 0.860663 12 -3.486 0.0179Syrah_vs_Merlot 6 0.860663 12 6.971 0.0001
请注意,p值是
由于调整方法不同,因此与multcomp 不同。
使用Multcomp 进行对比测试
问题:红酒中有功效吗?
Global Test:F DF1 DF2 Pr(>F)
1 24.3 2 12 6.029e-05
问题:白葡萄酒有效果吗?
Global Test:F DF1 DF2 Pr(>F)
1 0.3 2 12 0.7462
问题:红葡萄酒和白葡萄酒之间有区别吗?
### Adjustment options: "none", "single-step", "Shaffer", ### "Westfall", "free", "holm", "hochberg", ### "hommel", "bonferroni", "BH", "BY", "fdr"Linear Hypotheses:Estimate Std. Error t value Pr(>|t|)
Red_vs_white == 0 21.0000 1.4907 14.087 <0.001 ***Merlot_vs_Cab == 0 -3.0000 0.8607 -3.486 0.0157 *
Cab_vs_Syrah == 0 -3.0000 0.8607 -3.486 0.0156 *
Syrah_vs_Merlot == 0 6.0000 0.8607 6.971 <0.001 ***(Adjusted p values reported -- single-step method)
###使用test = adjusted(“ none”),结果将与下面的aov方法相同。
aov内的对比测试
在方差分析中使用单自由度对比的另一种方法是在摘要 函数中使用split选项进行aov分析。
boxplot(Response ~ Treatment,data = Data,ylab="Response",xlab="Treatment")0.018
### Define contrastsD1vsD2 = c(1, 1, -1, -1, 0)
C1vsC2 = c(1, -1, 1, -1, 0)
InteractionDC = c(1, -1, -1, 1, 0)
TreatsvsControl = c(1, 1, 1, 1, -4)Df Sum Sq Mean Sq F value Pr(>F)
Treatment 4 6.189 1.547 85.963 1.06e-07 ***Treatment: D1vsD2 1 0.521 0.521 28.935 0.00031 ***Treatment: C1vsC2 1 3.307 3.307 183.750 9.21e-08 ***Treatment: InteractionDC 1 0.001 0.001 0.046 0.83396 Treatment: TreatsvsControl 1 2.360 2.360 131.120 4.53e-07 ***
Residuals 10 0.180
拓端tecdat|R语言析因设计分析:线性模型中的对比相关推荐
- 拓端tecdat|R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险 逻辑回归Logistic模型原理和R语言分类预测冠 ...
- 拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
- 拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的 房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子 人口众多 独生子女政策: ...
- 拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解(STL)进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
- R语言对数线性模型loglm函数_使用R语言进行混合线性模型(mixed linear model) 分析代码及详解...
1.混合线性模型简介 混合线性模型,又名多层线性模型(Hierarchical linear model).它比较适合处理嵌套设计(nested)的实验和调查研究数据.此外,它还特别适合处理带有被试内 ...
- R语言效用分析 ( 效能分析、Power analysis)、除了pwr包之外还有其它包、例如、基因研究中的效能分析、MBESS包可用于各种形式的效能分析和最少样本量确定、其他效用分析包的简要介绍
R语言效用分析 ( 效能分析.Power analysis).除了pwr包之外还有其它包.例如.基因研究中的效能分析(power analysis).MBESS包可用于各种形式的效能分析(power ...
- R语言效用分析 ( 效能分析、Power analysis)确定样本量、假设检验与两类错误、pwr包进行效用分析 ( 效能分析、Power analysis)的常用函数列表
R语言效用分析 ( 效能分析.Power analysis)确定样本量.假设检验与两类错误.pwr包进行效用分析 ( 效能分析.Power analysis)的常用函数列表 目录
- R语言生存分析(survival analysis)与生存资料有关的概念详解
R语言生存分析(survival analysis)与生存资料有关的概念详解 目录 R语言生存分析(survival analysis)与生存资料有关的概念详解 #生存分析
- R语言单因素方差分析(One-Way ANOVA)实战:探索性数据分析(EDA)、单因素方差分析模型结果解读(检查模型假设)、分析不同分组的差异TukeyHSD、单因素方差分析的结果总结
R语言单因素方差分析(One-Way ANOVA)实战:探索性数据分析(EDA).单因素方差分析模型结果解读(检查模型假设).分析不同分组的差异TukeyHSD.单因素方差分析的结果总结 目录 R语言 ...
- R语言生存分析寿命表(life table)实战案例:比较两种药物治疗感染患者的生存时间
R语言生存分析寿命表(life table)实战案例:比较两种药物治疗感染患者的生存时间 目录
最新文章
- python学习笔记——Thread常用方法
- 5个REST API安全准则
- 概率x^2 t F三大分布的联系
- 根据UE发送前导码时是否存在碰撞
- VS2010下安装boost库
- Python列表,元组,字典的区别
- mesageflow 集成spider 开发思路 手稿
- day13 迭代器和生成器
- 香港中文大学(深圳)张大鹏教授访谈
- 中查询一个文件夹下文件数量_如何在 Bash 中使用循环 | Linux 中国
- 机器学习入门笔记(三):K近邻算法
- 接雨水c语言算法精解,详解一道高频面试题:接雨水
- 微信H5多级分佣开心刮刮乐源码
- python程序画中国围棋棋盘
- AndroidStudio 导出AAB格式上传谷歌提示超过150M 解决方案
- 4年产品点滴心路——谈谈形而上的3个产品素质
- 珠峰海拔8848米,现在有足够大的纸,厚度是0.01米,折多少次高度可以超过珠穆朗玛峰。(JavaScript)
- YiLu代理中住宅IP代理和数据中心/机房IP代理分析及对比
- 中秋佳节│以码为笔,绘合家团圆
- 保护你的聊天隐私---“外挂式”加密软件设计思路