Πώς να αξιολογήσετε τις διαφορές στα δεδομένα σας με R-dummies

Η συνάρτηση περίληψης R () για το αντικείμενο μοντέλο, όπως αυτή: >> περίληψη (AOVModel) Df Sum Sq Μέση τιμή Sq F (> F) ψεκασμού 5 2669 533. 8 34. 7 <2e-16 *** Υπολείμματα 66 1015 15. 4 --- Σημ. κωδικοί: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1 "1

R σας εκτυπώνει την ανάλυση του πίνακα μεταβλητότητας που ουσιαστικά σας λέει αν οι διαφορετικοί όροι μπορούν να εξηγήσουν ένα σημαντικό μέρος της διακύμανσης στα δεδομένα σας Ο πίνακας αυτός σας δείχνει μόνο κάτι σχετικά με τον όρο, αλλά δεν υπάρχει τίποτα για τις διαφορές μεταξύ των διαφόρων σπρέι.Για αυτό, πρέπει να σκάψετε λίγο βαθύτερα

Πώς να ελέγξετε τους πίνακες μοντέλων δεδομένων

), μπορείτε να ρίξετε μια ματιά στα αποτελέσματα για τα επιμέρους επίπεδα των παραγόντων.Η λειτουργία σας επιτρέπει να δημιουργήσετε δύο διαφορετικούς πίνακες είτε κοιτάτε το εκτιμώμενο μέσο αποτέλεσμα για κάθε ομάδα είτε κοιτάτε τη διαφορά με το συνολικό

Για να μάθετε πόση επίδραση έχει κάθε ψεκασμός, χρησιμοποιείτε τον ακόλουθο κώδικα: Πίνακες μοντέλου

(AOVModel, type = "effects") Πίνακες αποτελεσμάτων ψεκασμού ψεκασμού ABCDEF 5.000 5.833 -7 Εδώ βλέπετε ότι, για παράδειγμα, ο ψεκασμός Ε είχε κατά μέσο όρο έξι σφάλματα λιγότερα από τον μέσο όρο σε όλα τα πεδία. Στο άλλο χέρι, σε αγρούς όπου χρησιμοποιήθηκε ψεκασμός Α, οι αγρότες βρήκαν, κατά μέσο όρο, πέντε σφάλματα σε σύγκριση με το συνολικό μέσο όρο.

Για να λάβετε τα μοντελοποιημένα μέσα ανά ομάδα και τον συνολικό μέσο, ​​χρησιμοποιήστε μόνο την τιμή του τύπου argument = 'mean' αντί type = 'effects'.

Πώς να εξετάσει μεμονωμένες διαφορές στα δεδομένα

Ένας αγρότης πιθανότατα δεν θα σκέφτεται να αγοράσει ψεκασμό Α, αλλά τι γίνεται με το σπρέι D; Αν και οι ψεκασμοί Ε και C φαίνεται να είναι καλύτεροι, μπορούν επίσης να είναι πολύ ακριβότεροι. Για να ελέγξετε αν οι ζεύγη διαφορών μεταξύ των σπρέι είναι σημαντικές, χρησιμοποιείτε τη δοκιμή Tukey's Honest Significant Difference (HSD). Η συνάρτηση TukeyHSD () σας επιτρέπει να το κάνετε πολύ εύκολα, όπως αυτό:

>> Συγκρίσεις <- tukeyHSD (Μοντέλο)

Το αντικείμενο Comparisons περιέχει τώρα μια λίστα όπου κάθε στοιχείο ονομάζεται μετά από έναν παράγοντα στο μοντέλο. Στο παράδειγμα, έχετε μόνο ένα στοιχείο, που ονομάζεται ψεκασμός. Αυτό το στοιχείο περιέχει, για κάθε συνδυασμό σπρέι, τα ακόλουθα:

Η διαφορά μεταξύ των μέσων.

Το κατώτερο και το ανώτερο επίπεδο του 95 τοις εκατό διάστημα εμπιστοσύνης γύρω από αυτή τη μέση διαφορά.

Η τιμή p που σας λέει αν αυτή η διαφορά είναι σημαντικά διαφορετική από μηδέν.Αυτή η τιμή p ρυθμίζεται χρησιμοποιώντας τη μέθοδο του Tukey (επομένως, το όνομα στήλης p adj).

Μπορείτε να εξαγάγετε όλες αυτές τις πληροφορίες χρησιμοποιώντας τις κλασικές μεθόδους εξαγωγής. Για παράδειγμα, θα λάβετε τις πληροφορίες σχετικά με τη διαφορά μεταξύ D και C ως εξής: >> Σύγκριση $ spray ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707

• Η διαφορά αυτή δεν φαίνεται εντυπωσιακή, αν ρωτάς τον Tukey.

• Πώς να σχεδιάσετε τις διαφορές

• Το αντικείμενο TukeyHSD έχει ένα άλλο ωραίο χαρακτηριστικό: Μπορεί να γραφεί. Μην ενοχλείτε να ψάχνετε για μια σελίδα βοήθειας της συνάρτησης γραφικών παραστάσεων - το μόνο που βρίσκετε είναι μια φράση: "Υπάρχει μια μέθοδος γραφικών. "Αλλά σίγουρα λειτουργεί! Δοκιμάστε το ως εξής: >> plot (Συγκρίσεις, las = 1)

Βλέπετε την έξοδο αυτής της απλής γραμμής. Κάθε γραμμή αντιπροσωπεύει τη μέση διαφορά μεταξύ των δύο ομάδων με το αντίστοιχο διάστημα εμπιστοσύνης. Όποτε το διάστημα εμπιστοσύνης δεν περιλαμβάνει το μηδέν (την κάθετη γραμμή), η διαφορά μεταξύ των δύο ομάδων είναι σημαντική.

Μπορείτε να χρησιμοποιήσετε μερικές από τις γραφικές παραμέτρους για να κάνετε την πλοκή πιο ευανάγνωστη. Συγκεκριμένα, η παράμετρος las είναι χρήσιμη εδώ. Ρυθμίζοντας το στο 1, βεβαιώνεστε ότι όλες οι ετικέτες των αξόνων εκτυπώνονται οριζόντια ώστε να μπορείτε να τις διαβάσετε.