식물 epiphytes의 밀도에 관한 데이터의 ANCOVA 분석을 수행하고 싶습니다. 처음에는 N과 S의 두 경사면 사이에 식물 밀도에 차이가 있는지 알고 싶지만 고도, 캐노피 개방도 및 숙주 식물의 높이와 같은 다른 데이터가 있습니다. 내 공변량이 두 개의 기울기 (N과 S) 여야한다는 것을 알고 있습니다. 나는 R에서 실행되는이 모델을 만들었고 그것이 잘 수행되는지는 모르겠지만. 또한 + 또는 * 기호를 사용하면 차이점이 무엇인지 알고 싶습니다.
model1 <- aov(density~slope+altitude+canopy+height) summary(model1) model1 댓글
- +는 주 효과 만 계산하고 *는 *와 연결된 요인 간의 상호 작용을 추정합니다. ANCOVA 프레임 워크는 일반적으로 연속 요인의 주 효과 만 추정하지만 모든 그룹화 된 요인 간의 상호 작용을 추정합니다.
답변
기본 도구는 lm입니다. aov는 lm의 래퍼입니다.
특히 그룹화 변수 (요인), $ g $ 및 연속 공변량 $ x $ , 모델 y ~ x + g는 주 효과 ANCOVA 모델에 적합하고 y ~ x * g는 다음과 같은 모델에 적합합니다. 공변량과의 상호 작용을 포함합니다. aov는 동일한 수식을 사용합니다.
iv id = 도움말에서 Note에 특히주의하세요. “abe01dbc77”>
.
+ 대 *의 경우 russellpierce가 거의 다룹니다. 하지만 ?lm 및 ?formula, 특히 설명서 R 소개 (또는 컴퓨터에서 찾는 방법을 찾지 못한 경우 온라인에서 찾을 수 있습니다. 가장 쉬운 방법은 R 또는 RStudio의 “도움말”풀다운 메뉴).
댓글
- 2 개의 그룹 요소 $ g_1, g_2 $가 있다고 가정합니다. 두 공변량 $ x_1, x_2 $, 내 모델은 $$ y_ {ij} = \ mu + \ alpha_i + \ eta_j + x_ {ij1} \ gamma_1 + x_ {ij2} \ gamma_2 + \ epsilon_ {ij} $$ y ~ g_1 + g_2 + x_1 + x_2도 같은 속임수를 쓰나요? x_1 및 x_2에 대해 얻은 F 값은 각각 $ \ gamma_1 = 0 $ 및 $ \ gamma_2 = 0 $를 테스트합니까?
- 어떻게 놓쳤는 지 잘 모르겠습니다. 예. …. 한 번에 두 가지를 모두 테스트하려면 두 가지를 포함하거나 포함하지 않고 둘 다 맞추고 피팅 된 lm 개체를
anova(you ‘ 일부 SS가 부정적 일 수 있으므로 잘못된 순서로 제공하면 곧 알게됩니다)
답변
필드 별 R을 사용하여 통계 검색 을 읽고 읽는 것이 좋습니다. ANCOVA에 대한 멋진 섹션이 있습니다.
R에서 ANCOVA를 실행하려면 다음 패키지를로드하십시오.
car compute.es effects ggplot2 multcomp pastecs WRS 또는 aov (저는 aov 사용) “contrasts”를 사용하여 대비를 설정해야합니다. “함수를 사용하여 aov 또는 lm를 수행하십시오. R은 기본적으로 ANCOVA의 모든 것을 망칠 수있는 비 직교 대비를 사용합니다. 직교 대비를 설정하려면 다음을 사용하세요.
contrasts(dataname$factorvariable)=contr.poly(# of levels, i.e. 3) 그런 다음 모델을 다음으로 실행합니다.
model.1=aov(dv~covariate+factorvariable, data=dataname) 모델 사용을 보려면 :
Anova(model.1, type="III") 여기에 대문자 “A”를 사용해야합니다. Anova anova. 이것은 유형 III SS를 사용하여 결과를 제공합니다.
summary.lm(model.1)는 또 다른 요약을 제공하며 R-sq를 포함합니다. 산출.
posth=glht(model.1, linfct=mcp(factorvariable="Tukey")) ##gives the post-hoc Tukey analysis summary(posth) ##shows the output in a nice format. 회귀 기울기의 동질성을 테스트하려는 경우 IV 및 공변량에 대한 상호 작용 항을 포함 할 수도 있습니다. 이는 다음과 같습니다.
model=aov(dv~covariate+IV+covariate:IV, data=dataname) 상호 작용 용어가 중요한 경우 동질성이없는 것입니다.
댓글
- 비 직교 대비가 모든 것을 엉망으로 만드는 이유는 무엇입니까?
- ” 비 직교 대비가 엉망인 이유에 대한 위의 질문에 대답하려면 모두 “. 대답은 R이 기본적으로 비 직교 (즉, 평균 간의 차이)로 설정되어 각 IV의 기여도를 개별적으로 확인하려는 경우 문제를 일으킬 수 있다는 것입니다. 직교 대비를 지정할 때 IV ‘에 대한 SS가 완전히 분할되고 겹치지 않기를 원한다고 R에 알립니다. 이러한 방식으로 각 예측 변수에 기인 한 변동을 명확하고 명확하게 볼 수 있습니다. 지정하지 않으면 R은 기본적으로 대비에 대한보다 자유로운 접근 방식을 사용합니다.
- 왜 III 형 SS에 관심이 있습니까?
답변
다음은 보완 문서입니다. http://goo.gl/yxUZ1R . 또한, 공변량이 이진일 때 summary (lm.object)를 사용하면 Anova (lm.object, type = “III”)에 의해 생성 된 것과 동일한 IV 추정값이 제공됩니다.
댓글
- 이 답변이 ‘ 명확하지 않습니다. 맞나요? 그렇다면 명확하게 편집하십시오. 질문 인 경우 상단의
ASK QUESTION를 클릭하여 질문하세요. & 그러면 제대로 도와 드릴 수 있습니다. - 동의합니다. 메시지는 이전 답변에 대한 (보완) 답변으로 수정되었습니다.
답변
우리는 회귀를 사용합니다. 분석을 통해 반응 변수에 대한 예측 변수의 변동 효과를 설명하는 모델을 생성합니다. 때때로 예 / 아니오 또는 남성 / 여성 등과 같은 값을 가진 범주 형 변수가있는 경우 단순 회귀 분석은 범주 형 변수의 각 값에 대해 여러 결과를 제공합니다. 이러한 시나리오에서는 예측 변수와 함께 범주 형 변수를 사용하고 범주 형 변수의 각 수준에 대한 회귀선을 비교하여 범주 형 변수의 효과를 연구 할 수 있습니다. 이러한 분석을 ANCOVA라고도하는 공분산 분석이라고합니다.
예
내장 데이터 R 고려 mtcars를 설정합니다. 여기에서 am 필드가 변속기 유형 (자동 또는 수동)을 나타냅니다. 값이 0과 1 인 범주 형 변수입니다. 자동차의 갤런 당 마일 값 (mpg)은 마력 값 (hp). mpg와 hp 사이의 회귀에 대한 am 값의 효과를 연구합니다. 여러 회귀를 비교하기 위해 aov() 함수 다음에 anova() 함수를 사용하여 수행됩니다.
데이터 입력
mpg, hp 및 데이터 세트 mtcars. 여기서는 mpg를 반응 변수로, hp를 예측 변수로, am를 범주 형 변수입니다.
input <- mtcars[,c("am","mpg","hp")] head(input) 위 코드를 실행하면 다음 결과가 생성됩니다.
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 분석
hp를 예측 변수로 사용하고 mpg를 사용하여 회귀 모델을 만듭니다. am와 hp 사이의 상호 작용을 고려한 반응 변수로.
범주 형 변수와 예측 변수
회귀 모델 생성 1
result1 <- aov(mpg~hp*am,data=mtcars) summary(result1) 위 코드를 실행하면 다음과 같은 결과가 생성됩니다.
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 이 결과는 두 경우 모두 p- 값이 0.05보다 작기 때문에 마력과 변속기 유형이 갤런 당 마일에 상당한 영향을 미친다는 것을 보여줍니다. 그러나 p- 값이 0.05 이상이므로이 두 변수 간의 상호 작용은 중요하지 않습니다.
범주 형 변수와 예측 변수 간의 상호 작용이없는 모델
회귀 모델 생성 2
result2 <- aov(mpg~hp+am,data=mtcars) summary(result2) 위 코드를 실행하면 다음과 같은 결과가 생성됩니다.
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 이 결과는 두 경우 모두 p- 값이 0.05 미만이므로 마력과 변속기 유형 모두 갤런 당 마일에 상당한 영향을 미친다는 것을 보여줍니다.
두 모델 비교
이제 두 모델을 비교하여 변수의 상호 작용이 진정으로 중요하지 않은지 결론을 내릴 수 있습니다. 이를 위해 anova() 함수를 사용합니다.
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 p- 값이 0.05보다 크므로 마력과 변속기 유형 간의 상호 작용은 중요하지 않습니다. 따라서 갤런 당 마일리지는 자동 및 수동 변속기 모드 모두에서 자동차의 마력에 따라 유사한 방식으로 달라집니다.
댓글
- 따라서 어떤 것이 먼저 왔습니까?이 답변 또는 튜토리얼 포인트에 대한이 게시물? tutorialspoint.com/r/r_analysis_of_covariance.htm . 이 답변을 표절로 삭제해야합니까? 아니면 튜토리얼이 여기에서 복사 했나요?