Haluan suorittaa ANCOVA-analyysin kasvien epifyyttien tiheyttä koskevista tiedoista. Aluksi haluaisin tietää, onko kahden rinteen, yhden N ja yhden S välillä kasvien tiheydessä eroja, mutta minulla on muita tietoja, kuten korkeus, katoksen avoimuus ja isäntäkasvien korkeus. Tiedän, että kovariaattini on oltava kaksi rinne (N ja S). Rakensin tämän mallin, joka toimii R: ssä, ja vaikka minulla ei ole aavistustakaan, toimiiko se hyvin. Haluaisin myös tietää, mikä ero on, jos käytän symbolia + tai *.
model1 <- aov(density~slope+altitude+canopy+height) summary(model1) model1 Kommentit
- + laskee vain päävaikutukset, * arvioi *: aan liittyvien tekijöiden välisen vuorovaikutuksen. ANCOVA-kehykset arvioivat yleensä vain jatkuvan tekijän päävaikutuksen, mutta vuorovaikutusta kaikkien ryhmiteltyjen tekijöiden välillä.
Vastaus
Tämän perustyökalu on lm; Huomaa, että aov on sivun lm kääre.
Erityisesti, jos sinulla on jokin ryhmämuuttuja (kerroin), $ g $ ja jatkuva kovariaatti $ x $ , malli y ~ x + g sopisi päävaikutusten ANCOVA-malliin, kun taas y ~ x * g sopisi malliin, joka sisältää vuorovaikutuksen kovariaatin kanssa. aov käyttää samoja kaavoja.
Kiinnitä erityistä huomiota Note -oppaaseen sivulla aov.
Mitä tulee + vs *, russellpierce peittää sen melkein, mutta suosittelen, että tarkastelet ?lm ja ?formula ja erityisesti käyttöoppaan osaa 11.1 R-esittely , joka tulee R: n mukana (tai löydät sen verkossa, jos et ole keksinyt, kuinka löytää se tietokoneeltasi; helpoimmin tähän sisältyy avattava ”Ohje” -valikko joko R: ssä tai RStudiossa).
Kommentit
Vastaa
Suosittelen hakemaan ja lukemaan Tilastojen löytäminen käyttämällä kenttää R . Hänellä on mukava osa ANCOVA: sta.
Jos haluat suorittaa ANCOVA: n R: ssä, lataa seuraavat paketit:
car compute.es effects ggplot2 multcomp pastecs WRS Jos käytät lm tai aov (käytän aov), varmista, että olet asettanut kontrastit käyttämällä ”kontrasteja” ”funktio ennen kuin suoritat joko aov tai lm. R käyttää oletuksena ei-ortogonaalisia kontrasteja, jotka voivat sekoittaa kaiken ANCOVA: ssa. Jos haluat asettaa ortogonaaliset kontrastit, käytä:
contrasts(dataname$factorvariable)=contr.poly(# of levels, i.e. 3) aja sitten mallisi nimellä
model.1=aov(dv~covariate+factorvariable, data=dataname) Mallin tarkasteleminen:
Anova(model.1, type="III") Varmista, että käytät isoa ”A” Anova täällä et anova. Tämä antaa tuloksia tyypin III SS avulla.
summary.lm(model.1) antaa toisen yhteenvedon ja sisältää R-neliön. ulostulo.
posth=glht(model.1, linfct=mcp(factorvariable="Tukey")) ##gives the post-hoc Tukey analysis summary(posth) ##shows the output in a nice format. Jos haluat testata regressiokaltevuuksien homogeenisuutta, voit myös sisällyttää vuorovaikutustermin IV: lle ja kovariaatille. Se olisi:
model=aov(dv~covariate+IV+covariate:IV, data=dataname) Jos vuorovaikutustermi on merkittävä, sinulla ei ole homogeenisuutta.
Kommentit
- Miksi ei-ortogonaaliset kontrastit sekoittavat kaiken?
- Vastataksesi yllä olevaan kysymykseen ” miksi ei-ortogonaaliset kontrastit sotkevat kaikki ylös ”. Vastaus on, että R oletuksena ei-ortogonaalinen (ts. Keskiarvojen välinen ero), mikä voi aiheuttaa ongelmia, jos haluat nähdä jokaisen IV: n vaikutuksen erikseen. Kun määritämme ortogonaaliset kontrastit, sanomme R: lle, että haluamme, että IV ’ s: n SS on osioitu kokonaan ja päällekkäin. Tällä tavoin voimme nähdä jokaiselle ennustajalle omistetun vaihtelun puhtaasti ja selkeästi. Jos et määritä, R olettaa, että kontrasti on vapaampi.
- Miksi kiinnostus tyypin III SS: ään?
vastaus
Tässä on täydentävä dokumentaatio http://goo.gl/yxUZ1R @Butorovichin ehdottamasta menettelystä. Lisäksi havaintoni on, että kun kovariaatti on binaarinen, yhteenvedon (lm.object) käyttö antaisi saman IV-estimaatin kuin Anovan tuottama (lm.object, type = ”III”).
Kommentit
- Ei ole ’ selvää, että tämän oletetaan olevan vastaus. Onko se? Jos on, muokkaa selventääksesi. Jos kyseessä on kysymys, kysy napsauttamalla
ASK QUESTIONyläosassa & ja kysy se siellä. Sitten voimme auttaa sinua oikein. - Hyväksytty. Viesti on muutettu (täydentävänä) vastauksena edelliseen.
Vastaus
Käytämme regressiota analyysi mallien luomiseksi, jotka kuvaavat ennustemuuttujien vaihtelun vaikutusta vastemuuttujaan. Joskus, jos meillä on kategorinen muuttuja, jonka arvot ovat Kyllä / Ei tai Mies / Nainen jne., Yksinkertainen regressioanalyysi antaa useita tuloksia kullekin kategorisen muuttujan arvolle. Tällaisessa skenaariossa voimme tutkia kategorisen muuttujan vaikutusta käyttämällä sitä ennustavan muuttujan kanssa ja vertaamalla regressioviivoja kategorisen muuttujan jokaiselle tasolle. Tällaista analyysiä kutsutaan kovarianssianalyysiksi, jota kutsutaan myös nimellä ANCOVA.
Esimerkki
Harkitse sisäänrakennettuja tietoja R aseta mtcars. Siinä havaitsemme, että kenttä am edustaa lähetystyyppiä (automaattinen tai manuaalinen). Se on kategorinen muuttuja, jonka arvot ovat 0 ja 1. Auton mailia per gallona -arvo (mpg) voi myös riippua siitä hevosvoiman arvon (). Tutkitaan am -arvon vaikutusta regressioon mpg – hp välillä. Se tehdään käyttämällä aov() -funktiota ja sen jälkeen anova() -funktiota vertaamaan useita regressioita.
Syöttötiedot
Luo tietokehys, joka sisältää kentät mpg, hp ja am tietojoukosta mtcars. Tässä otamme vastemuuttujaksi mpg, ennustemuuttujaksi hp ja am kategorinen muuttuja.
input <- mtcars[,c("am","mpg","hp")] head(input) Kun suoritamme yllä olevan koodin, se tuottaa seuraavan tuloksen:
am mpg hp Mazda RX4 1 21.0 110 Mazda RX4 Wag 1 21.0 110 Datsun 710 1 22.8 93 Hornet 4 Drive 0 21.4 110 Hornet Sportabout 0 18.7 175 Valiant 0 18.1 105 ANCOVA-analyysi
Luomme regressiomallin, jossa ennustemuuttujaksi hp ja mpg vastemuuttujana ottaen huomioon vuorovaikutus am ja hp.
Malli, jossa on kategorisen muuttujan ja ennustava muuttuja
Luo regressiomalli1
result1 <- aov(mpg~hp*am,data=mtcars) summary(result1) Kun suoritamme yllä olevan koodin, se tuottaa seuraavan tuloksen:
Df Sum Sq Mean Sq F value Pr(>F) hp 1 678.4 678.4 77.391 1.50e-09 *** am 1 202.2 202.2 23.072 4.75e-05 *** hp:am 1 0.0 0.0 0.001 0.981 Residuals 28 245.4 8.8 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Tämä tulos osoittaa, että sekä hevosvoimalla että siirtotyypillä on merkittävä vaikutus mailia gallonaa kohti, koska p-arvo on molemmissa tapauksissa alle 0,05. Näiden kahden muuttujan välisellä vuorovaikutuksella ei kuitenkaan ole merkitystä, koska p-arvo on yli 0,05.
Malli ilman vuorovaikutusta kategorisen muuttujan ja ennustavan muuttujan välillä
Luo regressiomalli2
result2 <- aov(mpg~hp+am,data=mtcars) summary(result2) Kun suoritamme yllä olevan koodin, se tuottaa seuraavan tuloksen:
Df Sum Sq Mean Sq F value Pr(>F) hp 1 678.4 678.4 80.15 7.63e-10 *** am 1 202.2 202.2 23.89 3.46e-05 *** Residuals 29 245.4 8.5 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Tämä tulos osoittaa, että sekä hevosvoimalla että voimansiirtotyypillä on merkittävä vaikutus mailia gallonaa kohti, koska p-arvo on molemmissa tapauksissa alle 0,05.
Kahden mallin vertaaminen
Voimme nyt verrata kahta mallia päättelemään, onko muuttujien vuorovaikutus todella merkityksetön. Tätä varten käytämme funktiota anova().
anova(result1,result2) Model 1: mpg ~ hp * am Model 2: mpg ~ hp + am Res.Df RSS Df Sum of Sq F Pr(>F) 1 28 245.43 2 29 245.44 -1 -0.0052515 6e-04 0.9806 Koska p-arvo on suurempi kuin 0,05, päätellään, että hevosvoiman ja voimansiirtotyypin välinen vuorovaikutus ei ole merkittävä. Joten mittarilukema gallonaa kohti riippuu samalla tavalla auton hevosvoimasta sekä auto- että manuaalivaihteistotilassa.
Kommentit
- Joten mikä tuli ensin, tämä vastaus tai tämä opetusohjelmien viesti osoittavat? tutorialspoint.com/r/r_analysis_of_covariance.htm . Pitäisikö tämä vastaus poistaa plagioinnista? Vai kopioivatko opetusohjelmat vain täältä?
anova(you ’ ll pian nähdä, annatko heille väärässä järjestyksessä, koska jotkut SS on negatiivinen, jos teet)