Hoe de verschillen in uw gegevens met R-dummies

Om het gegevensmodel te controleren dat u met ANOVA hebt gemaakt (variantieanalyse), kunt u R's summary () functie op het modelobject als volgt: >> samenvatting (AOVModel) Df Sum Sq Gemiddelde Sq F-waarde Pr (> F) spray 5 2669 533. 8 34. 7 <2e-16 *** Residuen 66 1015 15. 4 --- Signif. codes: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' 1

R drukt u de analyse van de variantietabel af die u in essentie vertelt of de verschillende termen een aanzienlijk deel van de variantie in uw gegevens kunnen verklaren. Deze tabel bevat alleen iets over de term, maar niets over de verschillen tussen de verschillende sprays. Daarvoor moet je een beetje dieper graven.

Hoe datamodellijsten te controleren

Met de modeltabellen (), kunt u de resultaten van de afzonderlijke niveaus van de factoren bekijken. Met de functie kunt u twee verschillende tabellen maken: ofwel kijkt u naar het geschatte gemiddelde resultaat voor elke groep, of kijkt u naar het verschil met de algehele gemiddelde.

Om te weten hoeveel effect elke spray had, gebruik je de volgende code: >> model tabellen (AOVModel, type = "effecten") Tabellen van effecten sproei-spray ABCDEF 5. 000 5. 833 -7 417 -4. 583 -6. 000 7. 167

Hier zie je bijvoorbeeld dat spray E gemiddeld resulteerde in zes fouten minder dan het gemiddelde over alle velden. Aan de andere kant, op velden waar spray A werd gebruikt, vonden de boeren gemiddeld vijf beestjes meer in vergelijking met het algemene gemiddelde.

Om de gemodelleerde gemiddelden per groep en het algemene gemiddelde te krijgen, gebruikt u gewoon de argumentwaarde type = 'betekent' in plaats van type = 'effecten'.

Hoe naar individuele verschillen in gegevens te kijken

Een boer zou waarschijnlijk niet overwegen spray A te kopen, maar hoe zit het met spray D? Hoewel sprays E en C beter lijken, kunnen ze ook een stuk duurder zijn. Om te testen of de paarsgewijze verschillen tussen de sprays significant zijn, gebruikt u Tukey's Honest Significant Difference (HSD) -test. Met de functie TukeyHSD () kun je dat heel gemakkelijk doen, zoals dit:

>> Vergelijkingen <- tukeyHSD (Model)

Het vergelijkingsobject bevat nu een lijst waarin elk element is vernoemd naar één factor in het model. In het voorbeeld heeft u maar één element, spray genaamd. Dit element bevat voor elke combinatie van sprays het volgende:

Het verschil tussen de gemiddelden.

Het onderste en bovenste niveau van het betrouwbaarheidsinterval van 95 procent rond dat gemiddelde verschil.

De p-waarde die aangeeft of dit verschil aanzienlijk afwijkt van nul.Deze p-waarde wordt aangepast met behulp van de methode van Tukey (vandaar de kolomnaam p bijv.).

• U kunt al die informatie extraheren met behulp van de klassieke methoden voor extractie. U krijgt bijvoorbeeld de informatie over het verschil tussen D en C als volgt: >> Vergelijkingen $ spray ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707

• Dat verschil ziet er niet indrukwekkend uit, als u Tukey vraagt.

• De verschillen weergeven

Het TukeyHSD-object heeft nog een andere leuke functie: het kan worden geplot. Doe niet de moeite om naar een Help-pagina van de plotfunctie te zoeken - alles wat je vindt is één zin: "Er is een plotmethode. "Maar het werkt echt! Probeer het als volgt: >> plot (vergelijkingen, las = 1)

Je ziet de uitvoer van deze eenvoudige regel. Elke regel vertegenwoordigt het gemiddelde verschil tussen beide groepen met het bijbehorende betrouwbaarheidsinterval. Wanneer het betrouwbaarheidsinterval nul (de verticale lijn) niet bevat, is het verschil tussen beide groepen aanzienlijk.

U kunt enkele van de grafische parameters gebruiken om de plot beter leesbaar te maken. Specifiek is de lasparameter hier handig. Door deze in te stellen op 1, zorgt u ervoor dat alle aslabels horizontaal worden afgedrukt, zodat u ze daadwerkelijk kunt lezen.