Innehållsförteckning:
- Med modellborden ( ) kan du titta på resultaten för de enskilda nivåerna av faktorerna. Funktionen låter dig skapa två olika tabeller, antingen tittar du på det beräknade genomsnittliga resultatet för varje grupp, eller tittar du på skillnaden med det totala medelvärde.
Video: How economic inequality harms societies | Richard Wilkinson 2024
För att kontrollera vilken datamodell du skapade med ANOVA (variansanalys) kan du använda R: s sammanfattning () funktion på modellobjektet så här: >> sammanfattning (AOVModel) Df Summa Sq Medelvärde Sq F-värde 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 ut analysen av varianstabell som i huvudsak berättar om de olika termerna kan förklara en betydande del av variansen i dina data. Den här tabellen berättar bara om något om termen, men inget om skillnaderna mellan de olika sprutorna. För det måste du gräva lite djupare.
Med modellborden () kan du titta på resultaten för de enskilda nivåerna av faktorerna. Funktionen låter dig skapa två olika tabeller, antingen tittar du på det beräknade genomsnittliga resultatet för varje grupp, eller tittar du på skillnaden med det totala medelvärde.
För att veta hur mycket effekt varje spray hade, använder du följande kod: >> modell. tabeller (AOVModel, typ = "effekter") Effektstegsprut ABCDEF 5. 000 5. 833 -7 417 -4. 583 -6 000 7. 167
Här ser du att spray E resulterade i genomsnitt i sex buggar mindre än genomsnittet över alla fält. å andra sidan, på fält där spray A användes, fann bönderna i genomsnitt fem buggar mer jämfört med det totala genomsnittet.
För att få modellerade medel per grupp och det övergripande genomsnittet, använd bara argumentvärdet typ = 'betyder' istället för typ = 'effekter'.
Hur man tittar på individuella skillnader i data En jordbrukare skulle förmodligen inte överväga att köpa spray A, men hur är det med spray D? Även om spray E och C verkar vara bättre kan de också vara mycket dyrare. För att testa om de parvisa skillnaderna mellan sprayen är signifikanta använder du Tukeks test för ärligt signifikant skillnad (HSD). Funktionen TukeyHSD () gör att du kan göra det väldigt enkelt, så här:
>> Jämförelser <- tukeyHSD (Modell)
Jämförelseobjektet innehåller nu en lista där varje element är namngiven efter en faktor i modellen. I exemplet har du bara ett element, kallat spray. Detta element innehåller för varje kombination av sprayer följande:
Skillnaden mellan organen.Den lägre och övre nivån på 95 procent konfidensintervall runt det betyder skillnad.
P-värdet som berättar om denna skillnad skiljer sig avsevärt från noll.Detta p-värde justeras med Tukey-metoden (följaktligen kolumnnamnet p adj).
-
Du kan extrahera all den informationen med de klassiska metoderna för extraktion. Till exempel får du information om skillnaden mellan D och C så här: >> Jämförelser $ spray ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707
-
Den skillnaden ser inte imponerande ut, om du frågar Tukey.
-
Hur man plottar skillnaderna
TukeyHSD-objektet har en annan bra funktion: Den kan plottas. Låt inte leta efter en hjälpsida för plottfunktionen - allt du hittar är en mening: "Det finns en plotmetod. "Men det fungerar definitivt! Prova det så här: >> plot (Jämförelser, las = 1)
Du ser utmatningen från den här enkla raden. Varje rad representerar den genomsnittliga skillnaden mellan båda grupperna med det angivna konfidensintervallet. När konfidensintervallet inte innehåller noll (den vertikala linjen) är skillnaden mellan båda grupperna signifikanta.
Du kan använda några av de grafiska parametrarna för att göra plottet mer läsbart. Specifikt är las-parametern användbar här. Genom att ställa in den till 1 kontrollerar du att alla axeletiketter skrivs ut horisontellt så att du faktiskt kan läsa dem.