R语言 CHAR 08

已于 2022-03-15 18:12:17 修改
阅读量423 收藏 3
点赞数
分类专栏： R 文章标签： r语言
于 2021-11-25 16:37:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hwsnowww/article/details/121536279
版权

方差分析

基本原理、一个因变量的单因子独立样本、双因子独立样本
请添加图片描述
请添加图片描述

  • 单因子方差分析
library(reshape2)
table8_2<-melt(table,variable.name="品种",value.name = "产量")
mode1<-aov(table8_2$产量~table8_2$品种,data=table)
summary(mode1)
  • 方差分析模型的参数估计
mode1$coefficients
  • 均值图
library(gplots)
plot(table8_2$产量~table8_2$品种,data=table)
  • 效应量分析
library(DescTools)
mode1<-aov(table8_2$产量~table8_2$品种)
EtaSq(mode1,anova = T)
  • LSD
library(agricolae)
LSD<-LSD.test(mode1,"table8_2$品种")
#更多
library(DescTools)
PostHocTest(mode1,method = "lsd")
  • HSD
TukeyHSD(mode1)
#更多
library(agricolae)
HSD<-HSD.test(mode1,"table8_2$品种")
#配对差值置信区间的比较图
plot(TukeyHSD(mode1))
  • 双因子方差分析
  • 主效应方差分析模型
library(reshape2)
table<-melt(table,variable.name = "品种",value.name = "产量")
model<-aov(table$产量~table$施肥方式+table$品种,data=table)
summary(model)
  • 主效应参数估计
model$coefficients
  • 主效应效应量分析
library(DescTools)
EtaSq(mode,anova=T)
  • 交互效应方差分析模型
mode<-aov(table$产量~table$施肥方式+table$品种+table$品种:table$施肥方式,data=table)
summary(mode)
  • 交互效应参数估计
mode$coefficients
  • 主效应和交互效应图
library(HH)
interaction2wt(table$产量~table$施肥方式+table$品种,data=table)
  • 交互效应效应量分析
mode<-aov(table$产量~table$施肥方式+table$品种+table$品种:table$施肥方式,data=table)
EtaSq(mode,anova=T)
  • 正态性
  • 正态性检验QQ 图
qqnorm(table$品1,xlab="qiwang",ylab="guance",datax=TRUE,main="1QQ")
  • 正态性检验sw检验
shapiro.test(table$产量)
  • 正态性检验ks检验
ks.test(table$产量,"pnorm",mean(table$产量),sd(table$产量))
  • 方差齐性
  • Bartlett方差齐性检验
bartlett.test(table$产量~table$品种,data=table)
  • Levene方差齐性检验
library(car)
leveneTest(table$产量~table$品种,data=table)

文章目录

8.1 方差分析的原理

8.1.2 什么是方差分析

分析类别自变量对数值因变量影响的一种统计方法
自变量对因变量的影响：自变量效应
通过对数据误差分析检验这种效应是否显著
在这里插入图片描述

请添加图片描述

因子：小麦品种（类别变量） 处理、
水平：品种1、品种2、品种3是因子的3个不同取值
实验单元：地块（接受处理的对象或实体）

8.1.2 误差分解

在这里插入图片描述
在这里插入图片描述

  • SST=SSA+SSE

请添加图片描述

8.1.3 数学模型

在这里插入图片描述

  • 处理误差不显著：每种处理的总体均值相等
  • 处理误差显著：每种处理的总体均值至少有一处不相等
    请添加图片描述

8.2 单因子方差分析

8.2.1 效应检验

请添加图片描述
请添加图片描述

请添加图片描述
请添加图片描述

代码

  • 方差分析模型

> table<-read.csv("/Users/zhourui/Documents/example8_1.csv")
> library(reshape2)
> table8_2<-melt(table,variable.name="品种",value.name = "产量")
No id variables; using all as measure variables
#转化为长格式
> mode1<-aov(table8_2$产量~table8_2$品种,data=table)
#拟合方差分析模型
> summary(mode1)
              Df Sum Sq Mean Sq F value   Pr(>F)    
table8_2$品种  2    560  280.00   12.31 0.000158 ***
Residuals     27    614   22.74                     
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Sum Sq：品种效应和随机效应的平方和

Df：自由度

Mean Sq：均方差

F value：检验统计量值

P：P值

将P与alpha比较：P<alpha，拒绝H0，至少有一个不等于零，品种对产量的影响效应显著

  • 方差分析模型的参数估计

> mode1$coefficients
       (Intercept) table8_2$品种品种2 table8_2$品种品种3 
                84                -10                 -2

Intercept：截距
请添加图片描述

  • 绘制均值图
> library(gplots)
> plot(table8_2$产量~table8_2$品种,data=table)

请添加图片描述
x轴：品种；y轴：产量

8.2.2 效应量分析

请添加图片描述
请添加图片描述

代码

> library(DescTools)
> mode1<-aov(table8_2$产量~table8_2$品种)
> EtaSq(mode1,anova = T)
                 eta.sq eta.sq.part  SS df        MS       F            p
table8_2$品种 0.4770017   0.4770017 560  2 280.00000 12.3127 0.0001583995
Residuals     0.5229983          NA 614 27  22.74074      NA           NA

请添加图片描述

请添加图片描述

8.2.3 多重比较

分析差异到底出现在哪些品种之间
谁和谁之间均值不等

Fisher 的 LSD方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

代码
  • 基本信息
> library(agricolae)
> LSD<-LSD.test(mode1,"table8_2$品种")
> LSD
$statistics
   MSerror Df Mean       CV  t.value      LSD
  22.74074 27   80 5.960907 2.051831  4.375813

$parameters
        test p.ajusted        name.t ntr alpha
  Fisher-LSD      none table8_2$品种   3  0.05

$means
      table8_2$产量      std  r      LCL      UCL Min Max   Q25  Q50   Q75
品种1            84 4.546061 10 80.90583 87.09417  78  92 81.00 83.5 86.75
品种2            74 4.447221 10 70.90583 77.09417  66  81 72.00 72.5 77.00
品种3            82 5.270463 10 78.90583 85.09417  76  89 77.25 81.5 87.00

$comparison
NULL

$groups
      table8_2$产量 groups
品种1            84      a
品种3            82      a
品种2            74      b

attr(,"class")
[1] "group"

请添加图片描述

  • 更多信息
> library(DescTools)
> PostHocTest(mode1,method = "lsd")

  Posthoc multiple comparisons of means : Fisher LSD 
    95% family-wise confidence level

$`table8_2$品种`
            diff     lwr.ci    upr.ci    pval    
品种2-品种1  -10 -14.375813 -5.624187   7e-05 ***
品种3-品种1   -2  -6.375813  2.375813 0.35666    
品种3-品种2    8   3.624187 12.375813 0.00085 ***

---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

有*代表有差异

Tukey-Kramer 的 HSD方法

在这里插入图片描述
在这里插入图片描述

请添加图片描述

请添加图片描述

代码
  • 多重比较的HSD方法
> TukeyHSD(mode1)
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = table8_2$产量 ~ table8_2$品种)

$`table8_2$品种`
            diff        lwr       upr     p adj
品种2-品种1  -10 -15.287702 -4.712298 0.0002017
品种3-品种1   -2  -7.287702  3.287702 0.6215828
品种3-品种2    8   2.712298 13.287702 0.0023770
  • 绘制配对差值置信区间的比较图
> plot(TukeyHSD(mode1))

y轴：品种
请添加图片描述

  • 更多信息
> library(agricolae)
> HSD<-HSD.test(mode1,"table8_2$品种")
> HSD
$statistics
   MSerror Df Mean       CV      MSD
  22.74074 27   80 5.960907 5.287702

$parameters
   test        name.t ntr StudentizedRange alpha
  Tukey table8_2$品种   3         3.506426  0.05

$means
      table8_2$产量      std  r Min Max   Q25  Q50   Q75
品种1            84 4.546061 10  78  92 81.00 83.5 86.75
品种2            74 4.447221 10  66  81 72.00 72.5 77.00
品种3            82 5.270463 10  76  89 77.25 81.5 87.00

$comparison
NULL

$groups
      table8_2$产量 groups
品种1            84      a
品种3            82      a
品种2            74      b

attr(,"class")
[1] "group"

请添加图片描述

8.3 双因子方差分析

两个类别自变量对数值因变量影响的方差分析

  • 主效应、无重复双因子分析：只考虑两个因子对因变量的单独影响
  • 交互效应、可重复双因子分析：还考虑两个因子的搭配

8.3.1 数学模型

请添加图片描述
请添加图片描述

8.3.2 主效应分析

1、效应检验

  • 检验因子A的假设：
    请添加图片描述
  • 检验因子B的假设：
    请添加图片描述
    请添加图片描述
    请添加图片描述
    请添加图片描述
    请添加图片描述

请添加图片描述
请添加图片描述
请添加图片描述

代码
  • 方差分析模型
> table<-read.csv("/Users/zhourui/Documents/table8_4.csv")
> library(reshape2)
> table<-melt(table,variable.name = "品种",value.name = "产量")
> model<-aov(table$产量~table$施肥方式+table$品种,data=table)
> summary(model)
               Df Sum Sq Mean Sq F value   Pr(>F)    
table$施肥方式  1    480   480.0   93.13 4.42e-10 ***
table$品种      2    560   280.0   54.33 5.18e-10 ***
Residuals      26    134     5.2                     
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

P值接近于零（Pr(>F)）：两个因子对产量均有显著影响

  • 主效应方差分析的参数估计
> model$coefficients
     (Intercept) table$施肥方式乙  table$品种品种2  table$品种品种3 
              80                8              -10               -2

Intercept（截距）：不考虑品种和施肥方式的影响时产量的均值
施肥方式乙：附加效应（参照物为施肥方式甲）
品种2、品种3：附加效应（参照物为品种1）

2、效应量分析

在两因子的主效应方差分析中，衡量效应量大小的统计量是偏效应

请添加图片描述

主效应量有可加性，两主效应量相加为两因子的联合效应，反应两因子联合起来对因变量的影响大小

代码
#主效应方差分析的效应量
> library(DescTools)
> EtaSq(mode,anova=T)
                  eta.sq eta.sq.part  SS df         MS        F
table$施肥方式 0.4088586   0.7817590 480  1 480.000000 93.13433
table$品种     0.4770017   0.8069164 560  2 280.000000 54.32836
Residuals      0.1141397          NA 134 26   5.153846       NA
                          p
table$施肥方式 4.422633e-10
table$品种     5.184290e-10
Residuals                NA

eta.sq：每个因子主效应量
eta.sq.part：每个因子的偏效应量

8.3.3 交互效应分析

两因子搭配对因变量的交互作用

1、效应检验

请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

代码
  • 交互效应方差分析
> mode<-aov(table$产量~table$施肥方式+table$品种+table$品种:table$施肥方式,data=table)
> summary(mode)
                          Df Sum Sq Mean Sq F value   Pr(>F)    
table$施肥方式             1  480.0   480.0   93.20 9.73e-10 ***
table$品种                 2  560.0   280.0   54.37 1.22e-09 ***
table$施肥方式:table$品种  2   10.4     5.2    1.01    0.379    
Residuals                 24  123.6     5.2                     
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

P值（Pr(>F)小于0.05：两个因子对产量的影响显著
P值（Pr(>F)大于0.05：交互效应对产量的影响并不显著

  • 交互效应方差分析模型的参数估计
> mode$coefficients
                     (Intercept)                 table$施肥方式乙 
                            80.2                              7.6 
                 table$品种品种2                  table$品种品种3 
                            -9.6                             -3.0 
table$施肥方式乙:table$品种品种2 table$施肥方式乙:table$品种品种3 
                            -0.8                              2.0
  • 主效应和交互效应图
> library(HH)
> interaction2wt(table$产量~table$施肥方式+table$品种,data=table)

请添加图片描述
请添加图片描述

2、效应量分析

请添加图片描述

  • 交互效应方差分析的效应量
> mode<-aov(table$产量~table$施肥方式+table$品种+table$品种:table$施肥方式,data=table)
> EtaSq(mode,anova=T)
                               eta.sq eta.sq.part    SS df     MS
table$施肥方式            0.408858603  0.79522863 480.0  1 480.00
table$品种                0.477001704  0.81919251 560.0  2 280.00
table$施肥方式:table$品种 0.008858603  0.07761194  10.4  2   5.20
Residuals                 0.105281090          NA 123.6 24   5.15
                                  F            p
table$施肥方式            93.203883 9.729467e-10
table$品种                54.368932 1.220666e-09
table$施肥方式:table$品种  1.009709 3.792836e-01
Residuals                        NA           NA

8.4 方差分析的假定及其检验

8.4.1 正态性检验

要求每个处理所对应的总体都服从正态分布；

对任意一个处理，其观察值是来自正态分布总体的简单随机样本

请添加图片描述

1、QQ图

请添加图片描述
数据量较大：Q-Q图
数据量较小：数据合并，绘制正态概念图

代码
  • 直接绘制Q-Q图
> par(mfrow=c(1,3),cex=0.6,mai=c(0.5,0.5,0.2,0.1))
> qqnorm(table$品种1,xlab = "qiwang",ylab = "guance",datax=TRUE,main="1QQ")
> qqline(table$品种1,datax=TRUE)
> qqnorm(table$品种2,xlab = "qiwang",ylab = "guance",datax=TRUE,main="1QQ")
> qqline(table$品种2,datax=TRUE)
> qqnorm(table$品种3,xlab = "qiwang",ylab = "guance",datax=TRUE,main="1QQ")
> qqline(table$品种3,datax=TRUE)

请添加图片描述

  • 数据合并后Q-Q图
> table<-read.csv("/Users/zhourui/Documents/example8_2.csv")
> par(cex=0.8,mai=c(0.7,0.7,0.1,0.1))
> qqnorm(table$产量,xlab = "qiwang",ylab = "guance",datax=TRUE,main=" ")
> qqline(table$产量,datax=TRUE,col="red",lwd=2)
> par(fig=c(0.08,0.5,0.5,0.98),new=TRUE)
> hist(table$产量,xlab = "chanliang",ylab = " ",freq = FALSE,col="lightblue",cex.axis=0.7,cex.lab=0.7,main="")
> lines(density(table$产量),col="red",lwd=2)
> box()

请添加图片描述

2、SW和KS检验

代码
  • sw
#8.2 
> shapiro.test(table$产量)

	Shapiro-Wilk normality test

data:  table$产量
W = 0.97299, p-value = 0.6237
  • KW
#8.2
> ks.test(table$产量,"pnorm",mean(table$产量),sd(table$产量))

	One-sample Kolmogorov-Smirnov test

data:  table$产量
D = 0.097706, p-value = 0.9369
alternative hypothesis: two-sided

P值（p-value）均大于0.05，不拒绝H0，产量服从正态分布

SW对偏理性较为敏感，轻微偏理往往也会拒绝原假设

方差分析对正态性要求较为宽松，正态性略不满足时，分析结果影响不大

8.4.2 方差齐性检验

要求各处理的总体方差相等

1、图示法

箱线图

观察离散程度

离散程度大致相同：方差齐性假定满足

残差图

残差：实际观察值与预测值的差值

标准化残差：残差除以残差的标准差

  • 方差分析的残差图和标准化残差的Q-Q图
  • 8.2
> mode<-aov(table$产量~table$品种,data=table)
> par(mfrow=c(1,2),mai=c(0.5,0.5,0.2,0.1),cex=0.6,cex.main=0.7)
> plot(mode,which=c(1,2))

请添加图片描述

plot(model)默认绘制4个图，which=1和which=2代表仅输出所需的两个图

第一张图

  • 方差齐性假定判定：

第一个图是残差图，图中横坐标是模型的拟合值，纵坐标是预测残差
可以看出无离群点，拟合值和残差的散点随机分布在一个水平带之内，离散程度基本一样
满足方差齐性假定

  • 评价方差分析模型的拟合效果
    如果拟合的好，那么拟合值与残差值的观测点就应该在一条水平线附近波动
    拟合效果好

第二张图
各点在直线周围分布，没有固定模式，可认为正态性假定基本成立

  • 8.2
> table<-read.csv("/Users/zhourui/Documents/example8_5.csv")
> mode<-aov(table$产量~table$品种+table$施肥方式+table$品种:table$施肥方式,data=table)
> par(mfrow=c(1,2),mai=c(0.5,0.5,0.2,0.1),cex=0.6,cex.main=0.7)
> plot(mode,which=1:2)

请添加图片描述

2、检验法

请添加图片描述

Bartlett

请添加图片描述
请添加图片描述

代码
  • 8.5
> bartlett.test(table$产量~table$品种,data=table)

	Bartlett test of homogeneity of variances

data:  table$产量 by table$品种
Bartlett's K-squared = 0.30152, df = 2, p-value = 0.8601

> bartlett.test(table$产量~table$施肥方式,data=table)

	Bartlett test of homogeneity of variances

data:  table$产量 by table$施肥方式
Bartlett's K-squared = 0.42431, df = 1, p-value = 0.5148

请添加图片描述

P值均大于0.05，不拒绝H0，不同品种的产量和不同施肥方式的产量均满足方差齐性

Levene

请添加图片描述
请添加图片描述
请添加图片描述

代码
  • 8.5
> library(car)
> leveneTest(table$产量~table$品种,data=table)
Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  2  0.9292 0.4071
      27         


> leveneTest(table$产量~table$施肥方式,data=table)
Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  1  0.2323 0.6336
      28

请添加图片描述

P值均大于0.05，不拒绝H0，不同品种的产量和不同施肥方式的产量均满足方差齐性

在方差分析中，对方差齐性的要求较为宽松，方差略有不齐时，对分析结果要求不大

3、独立性

要求每个样本数据来自不同处理的独立样本

在实验设计前确定，不需要检验

hwsnowww
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R语言使用aov函数执行单因素方差分析、绘制TukeyHSD分析实际的组间差异、解读TukeyHSD输出表以及可视化结果
statistics+insight+vista+power
07-22 1997
R语言使用aov函数执行单因素方差分析、绘制TukeyHSD分析实际的组间差异、解读TukeyHSD输出表以及可视化结果
R语言使用aov函数进行双因素方差分析（Two-way factorial ANOVA）、使用HH包中的interaction2wt函数为任何阶的双因素方差分析可视化主效应和交互作用图、箱图显示主效应
data+scenario+science+insight
02-28 1273
R语言使用aov函数进行双因素方差分析（Two-way factorial ANOVA）、使用HH包中的interaction2wt函数为任何阶的双因素方差分析可视化主效应和交互作用图（Main effects and two-way interaction）、箱图显示主效应
R中的假设检验（二）方差分析
clancy_wu的博客
02-04 7587
方差分析的原理：原本想跳过这个部分的，然而突然发现自己看懂了这些公式，就忍不住写出来。 （1）Xij=X均值+（X组内均值-X均值）+（Xij-X组内均值） #Xij代表第i组第j个观察值，X均值代表所有观察值的均值，X组内均值就是每组内部的均值。可以看到打开括号就是成立的，只是巧妙的引入了组内均值和组间均值。 （2）SSD总=SSD组内+SSD组间 #把X组内均值-X均值的方差计算出来，...
R语言数据统计1——正态性检验
LeaningR的博客
09-07 2万+
正态性检验之qqplot和ppplot原理及R语言实现 KS检验和SW检验的区别 t检验算法及其在R语言中的实现 R语言与统计分析 我们注意到这组数据仅30行，是一个小样本数据，如果数据量在3-50之间，我们倾向于看S-W检验的结果 设置参数var.equal=TURE,指定样本之间是等方差的，也可以通过alternative=这个参数来指定单侧检验 ...
txt文件转入r语言中
01-05
### 知识点一：R语言基础介绍 **R语言**是一种广泛用于统计计算、图形表示和数据分析的开源编程语言。它支持多种统计技术（线性回归、非线性混合模型、聚类分析等）以及图形技术，并且具有强大的社区支持和丰富的...
R语言快速参考手册
05-06
R语言快速参考手册（英文） - R in a nutshell - a desktop quick reference
R语言常用函数
12-15
### R语言常用函数详解 #### 一、数据管理 **1. 向量与列表** - **vector**: 创建向量，可以是数值型、逻辑型或字符型。 - **numeric**: 数值型向量。 - **logical**: 逻辑型向量。 - **character**: 字符型...
matlab开发-cell2char
08-25
在MATLAB中，字符串有两种表示形式：字符数组和字符串数组（自MATLAB R2016b版本引入）。单元格数组中的每个元素可以是不同类型的数据，包括字符串。字符数组则是一个一维数组，其中每个元素都是一个字符。 ### `...
第2章-JAVA语言基础.ppt
11-23
JAVA语言中有八种基本数据类型：布尔型（boolean）、字节型（byte）、字符型（char）、短整型（short）、整型（int）、长整型（long）、浮点型（float）和双精度型（double）。 Java基本数据类型 | 数据类型 | ...
《统计学基于R》：第八章 方差分析
xiaoxianzhu的博客
06-16 2348
1、方差分析：分析类别自变量对数值因变量影响的一种统计方法。2、基本功能：对多组平均数差异的显著性进行检验。3、单因素实验：只有一个自变量的实验。4、多因素实验：有两个或两个以上自变量的实验。5、单因素方差分析：检验某一个因素对因变量的作用.6、多因素方差分析：检验某几个因素对自变量的作用。7、无重复双因子方差分析：如果两个因子对实验结果的影响是相互独立的，分别判断因子A和因子B对实验数据的单独影响。8、可重复双因子方差分析：如果除了因子A和因子B对实验数据的单独影响外，两个因子的搭配还会对结果产生一种新的
R语言ANOVA检验：Tukey HSD事后检验
最新发布
weixin_50547796的博客
04-16 438
当我们在R语言中执行ANOVA检验后，如果我们观察到组之间存在显著差异，我们可以使用Tukey HSD事后检验来确定哪些组之间存在显著差异。希望这篇文章能帮助你理解在R语言中执行ANOVA检验和使用Tukey HSD事后检验来分析组别间的差异。接下来，我们需要准备我们的数据。执行以上代码后，我们将看到ANOVA的结果，包括组间的平方和、自由度、均方和F值等。使用Tukey HSD事后检验的结果，我们可以得出结论，哪些组之间存在显著差异。检验，并使用Tukey HSD事后检验来进一步分析组之间的差异。
R做Tukey检验
doudou8486的专栏
04-12 1万+
mydata a #a b=factor(c(rep(1,2),rep(2,2),rep(3,2),rep(4,2))) c fit1 summary(fit1) TukeyHSD(fit1)
R语言进行方差分析
11-08 1万+
一、单因子方差分析（one-way ANOVA） 1)建模： 我们采用multcomp包中的cholesterol数据集作为例子，其中response为响应变量，trt为预测变量，这个处理中有五种水平。从下面的箱形图中可观察到处理的不同水平对于响应变量的影响。再用aov函数建立单因子方差模型，从结果的P值可看到各组均值有显著不同。 查看源代码 打印帮助
Turkey HSD检验法/W法
weixin_34102807的博客
05-27 1万+
  sklearn实战-乳腺癌细胞数据挖掘（博主亲自录视频） https://study.163.com/course/introduction.htm?courseId=1005269003&amp;utm_campaign=commission&amp;utm_source=cp-400000000398149&amp;utm_medium=share   医药统计项目联系QQ：2314...
R语言之方差分析篇
热门推荐
小凤的博客
06-14 10万+
当包含的因子是解释变量时，通常会从预测转向 级别差异的分析，即称作方差分析（）
R语言差异检验：单因素方差分析
tidyss
11-11 9020
文章目录@[toc]方差分析介绍适用条件分类R语言单因素方差分析示例数据集示例多重比较评估检验的假设条件 t检验可以解决单样本、双样本时的均数比较。当要比较的组多于两个时，t检验方法就难以满足这种需求，此时就需要使用方差分析来进行参数检验。 它比较的是组间差异。 方差分析介绍 方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”，是R.A.Fisher发明的，...
基于R实现统计中的检验方法---方差分析
R语言中文社区
02-12 8881
作者：徐涛，19年应届毕业生，专注于珊瑚礁研究，喜欢用R各种清洗数据。知乎：https://www.zhihu.com/people/parkson-19/posts前言...
R语言使用aov函数执行单因素方差分析、使用TukeyHSD函数分析单因素方差分析的结果并解读TukeyHSD函数的输出结果
statistics+insight+vista+power
08-06 1943
R语言使用aov函数执行单因素方差分析、使用TukeyHSD函数分析单因素方差分析的结果并解读TukeyHSD函数的输出结果
R语言︱机器学习模型评估方案（以随机森林算法为例）
素质云笔记
05-03 5万+
笔者寄语：本文中大多内容来自《数据挖掘之道》，本文为读书笔记。在刚刚接触机器学习的时候，觉得在监督学习之后，做一个混淆矩阵就已经足够，但是完整的机器学习解决方案并不会如此草率。需要完整的评价模型的方式。 常见的应用在监督学习算法中的是计算平均绝对误差（MAE）、平均平方差（MSE）、标准平均方差（NMSE）和均值等，这些指标计算简单、容易理解；而稍微复杂的情况下，更多地考虑的是一些高大上的指标，
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值