方差分析代码笔记

RStudio面板展示

配套代码

#方差分析

#单因素方差分析
install.packages("multcomp")                  # 安装 multcomp 包
library(multcomp)                             # 加载 multcomp 包

cholesterol                                 
attach(cholesterol)                           # 使用 attach 函数将数据框 cholesterol 中的变量附加到搜索路径中
table(trt)                                    # 显示 trt 变量的频数表
aggregate(response,by=list(trt),FUN=mean)     # 按照 trt 变量的水平计算 response 变量的平均值，根据结果发现E组效果最好

fit <- aov(response~trt,data=cholesterol)     # 对 response 变量进行单因素方差分析，使用 trt 作为因子
fit
summary(fit)                                  # 方差结果分析主要看F值和P值，F值越大说明组间差异越显著，P值越小越精确
plot(fit)                                     # 绘制方差分析的拟合结果图形

fit.lm <- lm(response~trt,data=cholesterol)   #l利用lm进行方差分析
fit.lm
summary(fit.lm)                               #与上面分析结果一致


#单因素协方差示例                            #怀孕小鼠数据，因为怀孕小鼠生崽的时间有所不同会影响体重，因此属于协变量
litter            
table(litter$dose)                           #统计分组情况
attach(litter)                               # 使用 attach 函数将数据框 cholesterol 中的变量附加到搜索路径中
aggregate(weight,by=list(dose),FUN=mean)     # 按照 dose 变量的水平计算weight变量的平均值，根据结果发现不同处理组平均体重不同

fit <- aov(weight ~ gesttime + dose,data = litter)   #利用方差分析检验不同药物组是否显著差别，因变量weight ，协变量 gesttime ，自变量 dose
summary(fit)                                 #结果表明怀孕时间与幼崽体重相关，控制怀孕时间，药物剂量与小鼠体重有关


#双因素方差分析  实验设计中有两个变量
ToothGrowth                                  #抽取六十只小鼠，采用橙汁和VC两种不同喂食方法，采用不同剂量，哪种促进牙齿生长更显著
attach(ToothGrowth  )                        # 使用 attach 函数将数据框 ToothGrowth   中的变量附加到搜索路径中
xtabs(~supp+dose)                            # 显示 supp、dose 变量的频数表
aggregate(len,by=list(supp,dose),FUN=mean)   # 按照 len 变量的水平计算supp,dose变量的平均值，根据结果剂量越小两者差距越显著


ToothGrowth$dose <- factor(ToothGrowth$dose) # 将 ToothGrowth 数据框中的 dose 列转换为因子（factor）
class(ToothGrowth$dose)                      # 显示转换后 dose 列的数据类型

fit <- aov(len ~ supp*dose,data=ToothGrowth) # 对len 变量进行两因子方差分析,supp*dose等于supp+doses+upp：dose
summary(fit)                                 #结果表明supp，dose两个变量结果显著，不同药物不同剂量对牙齿生长均有显著影响

install.packages("HH")                       #效果展示
library(HH)

interaction.plot(
  dose, supp, len,
  type = "b", col = c("red", "blue"), pch = c(16, 18),
  main = "Interaction between Dose and Supplement Type")    #刚开始橙汁效果更明显，当剂量达到2毫克时两者效果相同
# 使用 interaction.plot 函数绘制交互作用图。 参数说明：dose: 数据中的因子变量，用于横坐标
# supp: 数据中的因子变量，用于生成不同的曲线
# len: 数据中的响应变量，纵坐标的值
# type: 绘制的图形类型，"b" 表示同时绘制点和线
# col: 指定曲线的颜色，以向量形式提供，这里使用红色和蓝色
# pch: 指定点的形状，以向量形式提供，这里使用圆点（16）和方块点（18）
# main: 图形的主标题


#多元数据分析
library(MASS)  
UScereal
attach(UScereal)                           # 使用 attach 函数将数据框 UScereal 中的变量附加到搜索路径中
shelf <- factor(shelf)                     # 将 shelf列转换为因子
aggregate(cbind(calories,fat,sugars),by=list(shelf),FUN=mean)   # 按照 shelf变量的水平计算calories,fat,sugars变量的平均值


fit <- manova(cbind(calories,fat,sugars) ~ shelf)     #对 calories、fat 和 sugars 这三个变量进行多元方差分析（MANOVA）  cbind(calories,fat,sugars)将三列合成一个对象
fit
summary.aov(fit)                                      # 对 MANOVA 拟合结果进行单因素方差分析（ANOVA）的摘要信息

结果图展示