R应用-单因素方差分析 单因素方差分析实例

#准备数据,读取数据zgtest<-read.csv("zgtest.csv",head=T)
#转换数据框,不带“,”的数值型数据a<-as.data.frame(apply(zgtest,2,function(x){return(as.numeric(gsub(",","",x)))}))a$date<-as.factor(a$date)#date是因子
#给每一列标题改个名names(a)<-c("time","date","pv","uv","cupdown","c","cindex","cyesno","hsupdown","hs","hsindex","hsyesno")
R应用-单因素方差分析 单因素方差分析实例
#单因素方差分析library(multcomp)attach(a)table(date)#各组样本大小date1 2 34 512 12 11 12 12aggregate(pv,by=list(date),FUN=mean)#各组均值 Group.1 x1 1 4765.8332 2 5114.6673 3 5610.5454 4 5206.9175 5 5056.667aggregate(pv,by=list(date),FUN=sd)#各组标准差Group.1 x1 1 951.94622 2 973.56143 3 1387.04264 4 1462.83125 5 1493.8013fit<-aov(pv~date)#检验组间差异(ANOVA)summary(fit) Df Sum Sq Mean Sq F value Pr(>F)date 4 42597401064935 0.656 0.626Residuals 54 877176211624400
library(gplots)#绘制各组均值及其置信区间的图形plotmeans(pv~date,xlab="date",ylab="pv",main="mean plotnwith95% CI")
#均值显示date3的pv最多,而date1的pv最少;各组标准差存在差异,最低的date1951.9462,最高的date51493.8013;ANOVA对date的F检验不显著(P=0.562),说明组间pv无显著差异。

#对uv作组间差异检验(ANOVA)fituv<-aov(uv~date)summary(fituv) Df Sum Sq Mean Sq F valuePr(>F) date 4 11051657 2762914 3.279 0.0177 *Residuals 54 45505388842692 ---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#绘制各组均值及其置信区间的图形plotmeans(uv~date,xlab="date",ylab="uv",main="mean plotnwith95% CI")
#均值显示date1~date2的uv相似,而date5的uv突然减少;ANOVA对date的F检验显著(P=0.0177<0.05),说明组间uv有显著差异。

#多重比较multcomp包中glht()函数提供了多重均值比较更为全面的方法,即适用于线性模型,也适用于广义线性模型。#重现TukeyHSD的成对组间比较检验library(multcomp)par(mar=c(5,4,6,2))#增大顶部边界面积tukuv<-glht(fituv,linfct=mcp(date="Tukey"))plot(cld(tukuv,level=.05),col="lightgrey")#cld设置显著水平95%
#上图顶部有相同字母的组(用箱线图表示)说明均值差异不显著;date1、date2、date3、date4差异不显著,date4与date5差异不显著,date5与date1、date2、date3均有显著差异。

#评估检验的假设条件单因素方差分析中,假设因变量服从正态分布,各组方差相等。#用Q-Q图检验正态性假设library(car)qqPlot(lm(uv~date,data=a),simulate=T,main="Q-Qplot",labels=F)
#数据落在95%的置信区间范围内,说明满足正态性假设。
#方差齐性检验-Bartlett检验bartlett.test(uv~date,data=a)data: uv by dateBartlett's K-squared = 3.4486, df = 4, p-value =0.4857#Bartlett检验表明5组的方差没有显著不同(p-value= 0.4857
#离群点检测library(car)outlierTest(fituv)No Studentized residuals with Bonferonni p <0.05Largest |rstudent|: rstudent unadjustedp-v alue Bonferonni p48 2.843038 0.0063331 0.37365#没有证据说明数据中含有离群点。根据Q-Q图、Bartleet检验和离群点检验,该数据用ANOVA模型拟合得很好。

  

爱华网本文地址 » http://www.aihuau.com/a/25101015/243545.html

更多阅读

原创 面向对象设计与分析实例 php面向对象实例

本文链接http://nedan2008.iteye.com/blog/1879102、http://blog.sina.com.cn/s/blog_5305534501018if5.html,转载请注明出处。面向对象程序设计有5条基本设计原则,分别是:单一职责原则、开放封闭原则、依赖倒置原则、接口隔离原则和

瞬态动力学分析的基本步骤 瞬态动力学分析实例

建立有限元网格模型根据实际问题的特点,对所分析的问题进行初步计划;建立反映真实物理情况的CAD模型或简化的CAD模型,并对其划分有限元网格;定义单元类型、单元选项、实常数、截面特性和材料特性。在进行瞬态动力学分析时,要注意如下内容

r语言:因子分析和聚类分析实例

r语言:因子分析和聚类分析实例-降维+样本聚类18 一月, 2013, oldlee11, R语言与数据挖掘, R语言同数据统计/分析, 因子分析, 聚类分析, , 0函数库?001002003004005006007008

ANSYS技巧小汇|力学论坛|力学园 ansys静力学分析实例

模型简化及网格划分模型简化及网格划分使在建立仿真模型时,经验是非常有助于用户决定哪些部件应该考虑因而必须建立在模型中,哪些部件不应该考虑因而不需建立到模型中,这就是所谓的模型简化。此外,网格划分也是影响分析精度的另外一个因

声明:《R应用-单因素方差分析 单因素方差分析实例》为网友让爱自由分享!如侵犯到您的合法权益请联系我们删除