转自个人微信公众号【Memo_Cleon】的统计学习笔记:R笔记:随机区组设计资料的方差分析。
这是一个非常典型的区组设计,可考虑随机区组设计的方差分析。随机区组设计的方差分析在统计上常常归在单因素方差分析里面,“区组”并不是严格意义的“因素”(因素字面是相对处理或者叫干预因素而言的),但在进行统计分析的时候,模型是将其作为因素或协变量来处理的。其分析方法跟单因素的方差分析采用的几乎是相同的函数,只是多了一个自变量而已。
【1】数据载入
library(readxl)
bFd <- read_excel("D:/Temp/rbFdata.xlsx")
[2.1]回归法:lm {stats}
Block<-factor(bFd$block)
blrfit=lm(bFd$HBia~Block+bFd$group) #等同于blrfit=lm(HBia~Block+group,data=bFd)
summary(blrfit)
结果以线性回归拟合的形式展示:
总体模型具有具有统计学意义(F=22.28,P<0.001),说明治疗方法和区组至少有一个系数不为0;同时结果还给出了与A治疗方法相比,治疗方法B和C的统计学检验结果,以及与区组1相比,区组2-8的统计学检验结果。
在进行方差分析的时候,我们其实更想以方差分析表(ANOVA)的形式来展示结果,此时可借助函数Anova {car}或者aov {stats}。
library(car)
library(carData)
Anova(blrfit,type=3) #type参数指定平方和的计算类型,格式为type=c("II","III", 2, 3)
结果显示不同的治疗方法对血红蛋白的增加量是不同的(F=10.763,P=0.001)。
bF<-aov(blrfit) #命令等同于bF<-aov(HBia~group+Block, data=bFd)
Summary(bF)
结果同Anova {car}的type III结果完全一致。
方差分析有统计学意义,其后的两两比较我们在《R笔记:单因素方差分析 | 事后两两多重比较 | 趋势方差分析》中演示了大量的两两比较函数,如pairwise.t.test {stats}、TukeyHSD {stats}、PostHocTest {DescTools}、glht {multcomp},感兴趣可以翻阅,不再累述。
模型正态分布的检验参见《线性回归中的正态分布》,方差齐性检验参见《线性回归中的方差齐性探察》。
转自个人微信公众号【Memo_Cleon】的统计学习笔记:R笔记:随机区组设计资料的方差分析。
联系客服