Como avaliar as diferenças em seus dados com r

Para verificar o modelo de dados que você criou com ANOVA (análise de variância), você pode usar R de resumo()

função no objeto modelo como este:

Video: iPhone 6s: tudo o que você precisa saber! [Análise]

gt; Resumo do valor (AOVModel) Df Soma Mia Sq Sq F Pr (gt; F) spray5 2669 533,8 34,7 lt; 2e-16 *** resíduos 66 1015 15,4 --- Signif. códigos: 0 `***` `** 0,001` 0,01 `*` 0,05 `` 0,1 `` 1

R imprime-lhe a análise da tabela variância que, em essência, informa se os diferentes termos podem explicar uma parcela significativa da variância nos dados. Esta tabela diz só algo sobre o termo, mas nada sobre as diferenças entre os diferentes sprays. Para isso, você precisa cavar um pouco mais fundo.

Como verificar as tabelas do modelo de dados

Com o model.tables () função, você pode dar uma olhada nos resultados para os níveis individuais dos fatores. A função permite que você crie duas mesas de diferente ou você olhar para o resultado médio estimado para cada grupo, ou você olhar para a diferença com a média geral.

Para saber a quantidade de efeito a cada pulverização teve, você usa o seguinte código:

gt; model.tables (AOVModel, type = `efeitos`) Tabelas de effectsspraysprayA B C D E F5.000 5,833 -7,417 -4,583 -6,000 7.167

Aqui você vê que, por exemplo, spray E resultou, em média, em seis erros menos do que a média ao longo de todos os campos. Por outro lado, em áreas onde pulverização A foi usado, os fazendeiros encontrado, em média, cinco erros mais em comparação com a média geral.

Para obter os meios modelados por grupo ea média geral, basta usar o valor do argumento type =’meios ao invés de type =’efeitos.

Como olhar para as diferenças individuais em dados

Um agricultor provavelmente não iria considerar a compra de pulverização A, mas que sobre pulverização D? Embora sprays E e C parecem ser melhor, eles também podem ser muito mais caro. Para testar se as diferenças de pares entre os sprays são significativos, você usar o teste de Tukey Honest diferença significativa (HSD). o TukeyHSD () função permite-lhe fazer isso muito facilmente, como este:

gt; comparações lt; - TukeyHSD (Modelo)

o comparações objeto agora contém uma lista onde cada elemento tem o nome de um fator no modelo. No exemplo, você tem apenas um elemento, chamado spray. Este elemento contém, para cada combinação de sprays, o seguinte:



  • A diferença entre os meios.

  • O nível inferior e superior do intervalo de confiança de 95 por cento em torno dessa diferença média.

  • O valor de p que informa se essa diferença é significativamente diferente de zero. Este valor de p é ajustado usando o método de Tukey (daí, o nome da coluna p adj).

Você pode extrair todas as informações utilizando os métodos clássicos de extração. Por exemplo, você obter as informações sobre a diferença entre D e C como este:

Video: Diferença Phantom 3 Standard x Advanced / Pro

gt; Comparações $ pulverizar [ `D-C`,] difflwrupr p adj2.8333333 -1,8660752 7,5327418 0,4920707

Essa diferença não parece impressionante, se você perguntar Tukey.

Como traçar as diferenças

o TukeyHSD objeto tem outra característica interessante: Ele pode ser plotado. Não se preocupe em procurar uma página de ajuda da função enredo - tudo que você encontrar é uma frase: “Há um método de parcelas.” Mas definitivamente funciona! Experimentá-lo como este:

gt; O gráfico (Comparações, las = 1)

Você vê a saída desta linha simples. Cada linha representa a diferença média entre os dois grupos, com o intervalo de confiança de acordo com. Sempre que o intervalo de confiança não inclui zero (a linha vertical), a diferença entre os dois grupos é significativa.

Você pode usar alguns dos parâmetros gráficos para tornar a trama mais legível. Especificamente, o las parâmetro é útil aqui. Definindo-o como 1, você se certificar de todos os rótulos dos eixos são impressos horizontalmente para que você possa realmente lê-los.


Publicações relacionadas