Isi kandungan:
- Dengan model, jadual ( ), anda boleh melihat keputusan untuk tahap individu faktor-faktor tersebut. Fungsi ini membolehkan anda membuat dua jadual yang berlainan, sama ada anda melihat anggaran hasil min bagi setiap kumpulan, atau anda melihat perbezaan dengan keseluruhan Maksudnya
Video: RUMUS RETICLE TELESCOPE UNTUK PEMULA 2024
Untuk memeriksa model data yang anda buat dengan ANOVA (analisis varians) Ringkasan R () pada objek model seperti ini: >> ringkasan (AOVModel) Df Sum Sq Mean Sq F nilai Pr (> F) semburan 5 2669 533. 8 34. 7 <2e-16 *** Residual 66 1015 15. 4 --- Signif. kod: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1
R mencetak analisis jadual varians yang, pada dasarnya, memberitahu anda sama ada istilah yang berbeza dapat menjelaskan sebahagian besar varians dalam data anda. Jadual ini memberitahu anda hanya sesuatu tentang istilah,
Dengan model, jadual (), anda boleh melihat keputusan untuk tahap individu faktor-faktor tersebut. Fungsi ini membolehkan anda membuat dua jadual yang berlainan, sama ada anda melihat anggaran hasil min bagi setiap kumpulan, atau anda melihat perbezaan dengan keseluruhan Maksudnya
Untuk mengetahui berapa banyak kesan semburan yang ada, gunakan kod berikut: >> jadual. (AOVModel, type = "effects") Jadual kesan semburan semburan ABCDEF 5. 000 5. 833 -7 417 -4, 583 -6, 000 7. 167
Di sini anda lihat bahawa, sebagai contoh, semburan E menghasilkan, secara purata, dalam enam pepijat kurang daripada purata di atas semua bidang. Dan lain-lain, di bidang di mana semburan A digunakan, petani didapati, secara purata, lima pepijat lebih banyak berbanding min keseluruhan.
Untuk mendapatkan cara yang dimodelkan bagi setiap kumpulan dan maksud keseluruhannya, hanya gunakan jenis nilai argumen = 'bermaksud' dan bukan jenis = 'kesan'.
Bagaimana melihat perbezaan individu dalam data Seorang petani mungkin tidak akan mempertimbangkan untuk membeli semburan A, tetapi bagaimana dengan semburan D? Walaupun semburan E dan C kelihatan lebih baik, mereka juga boleh menjadi lebih mahal. Untuk menguji sama ada perbezaan sepasang antara semburan yang signifikan, anda menggunakan ujian Tukey's Honest Significant Difference (HSD). Fungsi TukeyHSD () membolehkan anda melakukannya dengan mudah, seperti ini:
>> Perbandingan <- tukeyHSD (Model)
Objek Perbandingan kini mengandungi senarai di mana setiap elemen diberi nama selepas satu faktor dalam model itu. Contohnya, anda hanya mempunyai satu elemen, yang dipanggil semburan. Elemen ini mengandungi, untuk setiap kombinasi semburan, berikut:
Perbezaan antara cara.Tahap rendah dan atas 95 peratus keyakinan di sekitar perbezaan bermakna.
Nilai-p yang memberitahu anda sama ada perbezaan ini jauh berbeza daripada sifar.Nilai p ini diselaraskan menggunakan kaedah Tukey (oleh itu, nama lajur p adj).
-
Anda boleh mengekstrak semua maklumat itu menggunakan kaedah klasik untuk pengekstrakan. Sebagai contoh, anda mendapat maklumat mengenai perbezaan antara D dan C seperti ini: >> Perbandingan $ semburan ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707
-
Perbezaan itu tidak kelihatan hebat, jika anda bertanya kepada Tukey.
-
Bagaimana merancang perbezaan
Objek TukeyHSD mempunyai ciri lain yang bagus: Ia boleh diplotkan. Jangan risau mencari halaman Bantuan fungsi plot - semua yang anda dapati adalah satu ayat: "Terdapat kaedah plot. "Tetapi ia pasti berfungsi! Cuba seperti ini: Plot >> (Perbandingan, las = 1)
Anda melihat output baris mudah ini. Setiap baris mewakili perbezaan min antara kedua-dua kumpulan dengan selang keyakinan yang ditentukan. Apabila selang keyakinan tidak termasuk sifar (garis menegak), perbezaan antara kedua-dua kumpulan adalah penting.
Anda boleh menggunakan beberapa parameter grafik untuk membuat plot lebih mudah dibaca. Khususnya, parameter las berguna di sini. Dengan menetapkannya kepada 1, anda pastikan semua label paksi dicetak secara mendatar supaya anda dapat membacanya.