bruceR 简单应用

最新推荐文章于 2023-07-28 11:20:58 发布
最新推荐文章于 2023-07-28 11:20:58 发布
阅读量1.3k 收藏 15
点赞数 4
分类专栏： R
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/nikang3148/article/details/116903018
版权

bruceR

bruceR包中函数相对基本函数提供了更多的模型输出参数，如效应值等。

加载bruceR

library(bruceR)
## Warning: package 'bruceR' was built under R version 4.0.5
## 
## <U+0001F381> bruceR: BRoadly Useful Convenient and Efficient R functions
## 
## Loaded R packages:
## [Data]: rio / dplyr / tidyr / stringr / forcats / data.table
## [Stat]: psych / emmeans / effectsize / performance
## [Plot]: ggplot2 / ggtext / cowplot / see
## 
## Frequently used functions in `bruceR`:
## set.wd() / Describe() / Freq() / Corr() / Alpha() / MEAN()
## MANOVA() / EMMEANS() / model_summary() / theme_bruce()

描述统计

Describe(iris,all.as.numeric = F,plot=T,upper.triangle = T,upper.smooth = "lm")
## Descriptive Statistics:
## ────────────────────────────────────────────────────────────────
##                 N Mean   SD | Median  Min  Max Skewness Kurtosis
## ────────────────────────────────────────────────────────────────
## Sepal.Length  150 5.84 0.83 |   5.80 4.30 7.90     0.31    -0.61
## Sepal.Width   150 3.06 0.44 |   3.00 2.00 4.40     0.31     0.14
## Petal.Length  150 3.76 1.77 |   4.35 1.00 6.90    -0.27    -1.42
## Petal.Width   150 1.20 0.76 |   1.30 0.10 2.50    -0.10    -1.36
## Species*      150 2.00 0.82 |   2.00 1.00 3.00     0.00    -1.52
## ────────────────────────────────────────────────────────────────
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

相关分析

iris_cor <- iris %>% select(-Species) %>%
  Corr(method="pearson",p.adjust="fdr",plot.palette = c("red", "white", "blue"))
## Correlation matrix is displayed in plot.
## p values ABOVE the diagonal are adjusted using the "fdr" method.

## Pearson's r and 95% confidence intervals:
## p values and 95% CIs are adjusted using the "fdr" method.
## ─────────────────────────────────────────────────────────────
##                                r       [95% CI]     p       N
## ─────────────────────────────────────────────────────────────
## Sepal.Length-Sepal.Width   -0.12 [-0.32,  0.10]  .152     150
## Sepal.Length-Petal.Length   0.87 [ 0.81,  0.92] <.001 *** 150
## Sepal.Length-Petal.Width    0.82 [ 0.73,  0.88] <.001 *** 150
## Sepal.Width-Petal.Length   -0.43 [-0.59, -0.24] <.001 *** 150
## Sepal.Width-Petal.Width    -0.37 [-0.54, -0.16] <.001 *** 150
## Petal.Length-Petal.Width    0.96 [ 0.94,  0.98] <.001 *** 150
## ─────────────────────────────────────────────────────────────

相关系数差异比较

###独立检验 Sepal.Length~Petal.Length vs Petal.Width~Sepal.Width
cor_diff(r1=0.87, n1=150, r2=-0.37, n2=150)
## r1 = 0.870 (N = 150)
## r2 = -0.370 (N = 150)
## Difference of correlation: z = 14.76, p = 3e-49 ***
### 非独立检验Sepal.Length~Petal.Length vs Petal.Width~Petal.Length
cor_diff(r1=0.87, r2=0.96, n=150,rcov=0.82)
## r1 = 0.870
## r2 = 0.960
## (N = 150, r_cov = 0.820)
## Difference of correlation: t(147) = -7.14, p = 4e-11 ***

交叉相关分析

# 用于分析时间序列数据，以发现是否存在时间延迟
ccf_plot(Petal.Length~Sepal.Width,data=iris)

频率分析

Freq(iris$Species)
## Frequency Statistics:
## ───────────────────
##              N    %
## ───────────────────
## setosa      50 33.3
## versicolor  50 33.3
## virginica   50 33.3
## ───────────────────
## Total N = 150
Freq(iris$Sepal.Length,sort="+")
## Frequency Statistics:
## ───────────
##       N   %
## ───────────
## 4.3   1 0.7
## 4.5   1 0.7
## 5.3   1 0.7
## 7     1 0.7
## 7.1   1 0.7
## 7.3   1 0.7
## 7.4   1 0.7
## 7.6   1 0.7
## 7.9   1 0.7
## 4.7   2 1.3
## 6.6   2 1.3
## 4.4   3 2.0
## 5.9   3 2.0
## 6.8   3 2.0
## 7.2   3 2.0
## 4.6   4 2.7
## 5.2   4 2.7
## 6.2   4 2.7
## 6.9   4 2.7
## 7.7   4 2.7
## 4.8   5 3.3
## 6.5   5 3.3
## 4.9   6 4.0
## 5.4   6 4.0
## 5.6   6 4.0
## 6     6 4.0
## 6.1   6 4.0
## 5.5   7 4.7
## 5.8   7 4.7
## 6.4   7 4.7
## 5.7   8 5.3
## 6.7   8 5.3
## 5.1   9 6.0
## 6.3   9 6.0
## 5    10 6.7
## ───────────
## Total N = 150

回归分析

mtcars<-as_tibble(mtcars)
mtcars
## # A tibble: 32 x 11
##      mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1  21       6  160    110  3.9   2.62  16.5     0     1     4     4
##  2  21       6  160    110  3.9   2.88  17.0     0     1     4     4
##  3  22.8     4  108     93  3.85  2.32  18.6     1     1     4     1
##  4  21.4     6  258    110  3.08  3.22  19.4     1     0     3     1
##  5  18.7     8  360    175  3.15  3.44  17.0     0     0     3     2
##  6  18.1     6  225    105  2.76  3.46  20.2     1     0     3     1
##  7  14.3     8  360    245  3.21  3.57  15.8     0     0     3     4
##  8  24.4     4  147.    62  3.69  3.19  20       1     0     4     2
##  9  22.8     4  141.    95  3.92  3.15  22.9     1     0     4     2
## 10  19.2     6  168.   123  3.92  3.44  18.3     1     0     4     4
## # ... with 22 more rows

简单线性回归

lm(mpg~wt*disp,data=mtcars)%>%
  GLM_summary()
## MODEL INFO:
## Model type: General Linear Model (GLM) (OLS Regression)
## Observations: N = 32
## 
## MODEL FIT:
## F(3, 28) = 52.95, p = 1e-11 ***
## R2 = 0.85014 (Adjusted R2 = 0.83408)
## 
## FIXED EFFECTS:
## Outcome variable: mpg (N = 32)
## ───────────────────────────────────────────────────────────────────
##                   b    S.E.     t     p        [95% CI of b]    VIF
## ───────────────────────────────────────────────────────────────────
## (Intercept)  44.082 (3.123) 14.11 <.001 *** [37.685, 50.479]       
## wt           -6.496 (1.313) -4.95 <.001 *** [-9.186, -3.805]  8.495
## disp         -0.056 (0.013) -4.26 <.001 *** [-0.083, -0.029] 13.848
## wt:disp       0.012 (0.003)  3.60  .001 **  [ 0.005,  0.018] 24.294
## ───────────────────────────────────────────────────────────────────
## 
## Standardized coefficients: mpg (N = 32)
## ─────────────────────────────────────────────────────────────
##           Beta*   S.E.*     [95% CI of Beta] r.partial r.part
## ─────────────────────────────────────────────────────────────
## wt       -1.055 (0.213) *** [-1.491, -0.618]    -0.683 -0.362
## disp     -1.159 (0.272) *** [-1.717, -0.601]    -0.627 -0.311
## wt:disp   1.297 (0.361) **  [ 0.558,  2.035]     0.562  0.263
## ─────────────────────────────────────────────────────────────
lm(mpg~wt*disp,data=mtcars)%>%
  model_summary(std_coef=F)
## 
## =======================
##              (1) mpg   
## -----------------------
## (Intercept)  44.082 ***
##              (3.123)   
## wt           -6.496 ***
##              (1.313)   
## disp         -0.056 ***
##              (0.013)   
## wt:disp       0.012 ** 
##              (0.003)   
## -----------------------
## R^2           0.850    
## Adj. R^2      0.834    
## Num. obs.    32        
## =======================
## Note. * p < .05, ** p < .01, *** p < .001.
## 
## # Check for Multicollinearity
## 
## Moderate Correlation
## 
##  Term  VIF Increased SE Tolerance
##    wt 8.49         2.91      0.12
## 
## High Correlation
## 
##     Term   VIF Increased SE Tolerance
##     disp 13.85         3.72      0.07
##  wt:disp 24.29         4.93      0.04
# one step
regress(mpg ~ wt*disp, data=mtcars, robust=F)
## MODEL INFO:
## Model type: General Linear Model (GLM) (OLS Regression)
## Observations: N = 32
## 
## MODEL FIT:
## F(3, 28) = 52.95, p = 1e-11 ***
## R2 = 0.85014 (Adjusted R2 = 0.83408)
## 
## FIXED EFFECTS:
## Outcome variable: mpg (N = 32)
## ───────────────────────────────────────────────────────────────────
##                   b    S.E.     t     p        [95% CI of b]    VIF
## ───────────────────────────────────────────────────────────────────
## (Intercept)  44.082 (3.123) 14.11 <.001 *** [37.685, 50.479]       
## wt           -6.496 (1.313) -4.95 <.001 *** [-9.186, -3.805]  8.495
## disp         -0.056 (0.013) -4.26 <.001 *** [-0.083, -0.029] 13.848
## wt:disp       0.012 (0.003)  3.60  .001 **  [ 0.005,  0.018] 24.294
## ───────────────────────────────────────────────────────────────────
## 
## Standardized coefficients: mpg (N = 32)
## ─────────────────────────────────────────────────────────────
##           Beta*   S.E.*     [95% CI of Beta] r.partial r.part
## ─────────────────────────────────────────────────────────────
## wt       -1.055 (0.213) *** [-1.491, -0.618]    -0.683 -0.362
## disp     -1.159 (0.272) *** [-1.717, -0.601]    -0.627 -0.311
## wt:disp   1.297 (0.361) **  [ 0.558,  2.035]     0.562  0.263
## ─────────────────────────────────────────────────────────────
# tidy style
lm(mpg~wt*disp,data=mtcars)%>%broom::tidy()
## Registered S3 methods overwritten by 'broom':
##   method            from  
##   tidy.glht         jtools
##   tidy.summary.glht jtools
## # A tibble: 4 x 5
##   term        estimate std.error statistic  p.value
##   <chr>          <dbl>     <dbl>     <dbl>    <dbl>
## 1 (Intercept)  44.1      3.12        14.1  2.96e-14
## 2 wt           -6.50     1.31        -4.95 3.22e- 5
## 3 disp         -0.0564   0.0132      -4.26 2.10e- 4
## 4 wt:disp       0.0117   0.00326      3.60 1.23e- 3
lm(mpg~wt*disp,data=mtcars)%>%broom::glance()
## # A tibble: 1 x 12
##   r.squared adj.r.squared sigma statistic  p.value    df logLik   AIC   BIC
##       <dbl>         <dbl> <dbl>     <dbl>    <dbl> <dbl>  <dbl> <dbl> <dbl>
## 1     0.850         0.834  2.45      52.9 1.16e-11     3  -72.0  154.  161.
## # ... with 3 more variables: deviance <dbl>, df.residual <int>, nobs <int>

混合模型

regress(mpg ~ wt*disp+(1|cyl), data=mtcars, robust=F)
## boundary (singular) fit: see ?isSingular
## MODEL INFO:
## Model type: Linear Mixed Model (LMM)
## = Hierarchical Linear Model (HLM)
## = Multilevel Linear Model (MLM)
## 
## Formula: mpg ~ wt * disp + (1 | cyl)
## Level-2 predictors: ''
## 
##             Variable Type
## (Intercept)     Intercept
## wt                L1fixed
## disp              L1fixed
## wt:disp           L1fixed
## 
## Level-1 Observations: N = 32
## Level-2 Groups/Clusters: cyl, 3
## 
## MODEL FIT:
## AIC = 173.382
## BIC = 182.176
## R_(m)2 = 0.83671  (Marginal R2: fixed effects)
## R_(c)2 = 0.83671  (Conditional R2: fixed + random effects)
## Omega2 = 0.85014  (= 1 - proportion of unexplained variance)
## 
## ANOVA table:
## ───────────────────────────────────────────────────
##          Sum Sq Mean Sq NumDF DenDF     F     p    
## ───────────────────────────────────────────────────
## wt       147.42  147.42     1 28.00 24.46 <.001 ***
## disp     109.22  109.22     1 28.00 18.12 <.001 ***
## wt:disp   77.93   77.93     1 28.00 12.93  .001 ** 
## ───────────────────────────────────────────────────
## 
## FIXED EFFECTS:
## Outcome variable: mpg
## ─────────────────────────────────────────────────────────────────
##                   b    S.E.     t   df     p        [95% CI of b]
## ─────────────────────────────────────────────────────────────────
## (Intercept)  44.082 (3.123) 14.11 28.0 <.001 *** [37.685, 50.479]
## wt           -6.496 (1.313) -4.95 28.0 <.001 *** [-9.186, -3.805]
## disp         -0.056 (0.013) -4.26 28.0 <.001 *** [-0.083, -0.029]
## wt:disp       0.012 (0.003)  3.60 28.0  .001 **  [ 0.005,  0.018]
## ─────────────────────────────────────────────────────────────────
## 'df' is estimated by Satterthwaite approximation.
## 
## Standardized coefficients: mpg
## ────────────────────────────────────────────────────────────
##           Beta*   S.E.*    t* df*    p*     [95% CI of Beta]
## ────────────────────────────────────────────────────────────
## wt       -1.055 (0.213) -4.95  28 <.001 *** [-1.491, -0.618]
## disp     -1.159 (0.272) -4.26  28 <.001 *** [-1.717, -0.601]
## wt:disp   1.297 (0.361)  3.60  28  .001 **  [ 0.558,  2.035]
## ────────────────────────────────────────────────────────────
## 'df*' is calculated based on variable types.
## 
## RANDOM EFFECTS:
## ──────────────────────────────────────────
##  Cluster  K   Parameter   Variance     ICC
## ──────────────────────────────────────────
##  cyl        3 (Intercept)  0.00000 0.00000
##  Residual                  6.02673        
## ──────────────────────────────────────────

方差分析

单因素组间方差分析 one-way ANOVA

iris %>% MANOVA(dv="Sepal.Width", between=c("Species")) %>%
  EMMEANS("Species")
## ====== MANOVA Output (Between-Subjects Design) ======
## 
## Descriptive Statistics:
## ────────────────────────
##     Species    M   SD  n
## ────────────────────────
##  setosa     3.43 0.38 50
##  versicolor 2.77 0.31 50
##  virginica  2.97 0.32 50
## ────────────────────────
## Total sample size: N = 150
## 
## ANOVA Table:
## Dependent variable(s):      Sepal.Width
## Between-subjects factor(s): Species
## Within-subjects factor(s):  –
## Covariate(s):               –
## ────────────────────────────────────────────────────────────
##            MS  MSE df1 df2     F     p        η2p [90% CI]
## ────────────────────────────────────────────────────────────
## Species  5.67 0.12   2 147 49.16 <.001 *** .401 [.300, .485]
## ────────────────────────────────────────────────────────────
## MSE = Mean Square Error (an estimate of population variance σ2).
## 
## ω2 = omega-squared = (SS - df1 * MSE) / (SST + MSE)
## η2 = eta-squared = SS / SST
## η2G = generalized eta-squared (see Olejnik & Algina, 2003)
## η2p = partial eta-squared = SS / (SS + SSE) = F * df1 / (F * df1 + df2)
## Cohen’s f = sqrt( η2p / (1 - η2p) )
## 
## Levene’s Test for Homogeneity of Variance:
## DV = Sepal.Width:
##                 Levene's F df1 df2     p sig
## Based on Mean         0.60   2 147  .550    
## Based on Median       0.59   2 147  .556    
## 
## ------ EMMEANS Output (effect = "Species") ------
## 
## Omnibus Test of "Species":
## ─────────────────────────────────────────────────────
##   Effect df1 df2     F     p           η2p [90% CI]
## ─────────────────────────────────────────────────────
##  Species   2 147 49.16 <.001 *** 0.401 [0.300, 0.485]
## ─────────────────────────────────────────────────────
## 
## Estimated Marginal Means of "Species":
##  Species    Mean S.E.   [95% CI of Mean]
##  setosa     3.43 (0.05) [3.33, 3.52]    
##  versicolor 2.77 (0.05) [2.68, 2.86]    
##  virginica  2.97 (0.05) [2.88, 3.07]    
## 
## Estimated means use an equally weighted average. 
## 
## Pairwise Comparisons of "Species":
##  Contrast               b     S.E.    df t     p*        Cohen's d [95% CI]  
##  versicolor - setosa    -0.66 (0.07) 147 -9.69 <.001 *** -1.94 [-2.42, -1.45]
##  virginica - setosa     -0.45 (0.07) 147 -6.68 <.001 *** -1.34 [-1.82, -0.85]
##  virginica - versicolor  0.20 (0.07) 147  3.00  .009 **   0.60 [ 0.12,  1.08]
## 
## SD_pooled for computing Cohen’s d: 0.34 
## P-value adjustment: Bonferroni method for 3 tests. 
## Disclaimer (about Cohen’s d):
## There is considerable disagreement on how to compute Cohen’s d.
## You should not take the above output as the only right results.
## You are completely responsible for setting the "sd.pooled".

二因素方差分析

# 混合分析
MANOVA(data=CO2,
       dv="uptake",
       between=c("Type","Treatment")) %>%
  EMMEANS(c("Type","Treatment"))
## ====== MANOVA Output (Between-Subjects Design) ======
## 
## Descriptive Statistics:
## ─────────────────────────────────────
##         Type  Treatment     M   SD  n
## ─────────────────────────────────────
##  Quebec      nonchilled 35.33 9.60 21
##  Quebec      chilled    31.75 9.64 21
##  Mississippi nonchilled 25.95 7.40 21
##  Mississippi chilled    15.81 4.06 21
## ─────────────────────────────────────
## Total sample size: N = 84
## 
## ANOVA Table:
## Dependent variable(s):      uptake
## Between-subjects factor(s): Type, Treatment
## Within-subjects factor(s):  –
## Covariate(s):               –
## ───────────────────────────────────────────────────────────────────────
##                      MS   MSE df1 df2     F     p        η2p [90% CI]
## ───────────────────────────────────────────────────────────────────────
## Type            3365.53 64.09   1  80 52.51 <.001 *** .396 [.262, .510]
## Treatment        988.11 64.09   1  80 15.42 <.001 *** .162 [.057, .284]
## Type:Treatment   225.73 64.09   1  80  3.52  .064 .   .042 [.000, .135]
## ───────────────────────────────────────────────────────────────────────
## MSE = Mean Square Error (an estimate of population variance σ2).
## 
## ω2 = omega-squared = (SS - df1 * MSE) / (SST + MSE)
## η2 = eta-squared = SS / SST
## η2G = generalized eta-squared (see Olejnik & Algina, 2003)
## η2p = partial eta-squared = SS / (SS + SSE) = F * df1 / (F * df1 + df2)
## Cohen’s f = sqrt( η2p / (1 - η2p) )
## 
## Levene’s Test for Homogeneity of Variance:
## DV = uptake:
##                 Levene's F df1 df2     p sig
## Based on Mean         3.36   3  80  .023 *  
## Based on Median       1.50   3  80  .221    
## 
## ------ EMMEANS Output (effect = "Type" & "Treatment") ------
## 
## Omnibus Test of "Type" & "Treatment":
## ────────────────────────────────────────────────────────────
##          Effect df1 df2     F     p           η2p [90% CI]
## ────────────────────────────────────────────────────────────
##  Type             1  80 52.51 <.001 *** 0.396 [0.262, 0.510]
##  Treatment        1  80 15.42 <.001 *** 0.162 [0.057, 0.284]
##  Type:Treatment   1  80  3.52  .064 .   0.042 [0.000, 0.135]
## ────────────────────────────────────────────────────────────
## 
## Estimated Marginal Means of "Type" & "Treatment":
##  Type        Treatment  Mean  S.E.   [95% CI of Mean]
##  Quebec      nonchilled 35.33 (1.75) [31.86, 38.81]  
##  Mississippi nonchilled 25.95 (1.75) [22.48, 29.43]  
##  Quebec      chilled    31.75 (1.75) [28.28, 35.23]  
##  Mississippi chilled    15.81 (1.75) [12.34, 19.29]  
## 
## Estimated means use an equally weighted average. 
## 
## Pairwise Comparisons of "Type" & "Treatment":
##  Contrast                                     b      S.E.   df t     p*       
##  Mississippi nonchilled - Quebec nonchilled    -9.38 (2.47) 80 -3.80  .002 ** 
##  Quebec chilled - Quebec nonchilled            -3.58 (2.47) 80 -1.45  .907    
##  Quebec chilled - Mississippi nonchilled        5.80 (2.47) 80  2.35  .128    
##  Mississippi chilled - Quebec nonchilled      -19.52 (2.47) 80 -7.90 <.001 ***
##  Mississippi chilled - Mississippi nonchilled -10.14 (2.47) 80 -4.10 <.001 ***
##  Mississippi chilled - Quebec chilled         -15.94 (2.47) 80 -6.45 <.001 ***
##  Cohen's d [95% CI]  
##  -1.17 [-2.01, -0.34]
##  -0.45 [-1.28,  0.39]
##   0.72 [-0.11,  1.56]
##  -2.44 [-3.27, -1.60]
##  -1.27 [-2.10, -0.43]
##  -1.99 [-2.83, -1.16]
## 
## SD_pooled for computing Cohen’s d: 8.01 
## P-value adjustment: Bonferroni method for 6 tests. 
## Disclaimer (about Cohen’s d):
## There is considerable disagreement on how to compute Cohen’s d.
## You should not take the above output as the only right results.
## You are completely responsible for setting the "sd.pooled".
# 分组简单效应分析，by
MANOVA(data=CO2,
       dv="uptake",
       between=c("Type","Treatment"))%>%
  EMMEANS("Type",by="Treatment")
## ====== MANOVA Output (Between-Subjects Design) ======
## 
## Descriptive Statistics:
## ─────────────────────────────────────
##         Type  Treatment     M   SD  n
## ─────────────────────────────────────
##  Quebec      nonchilled 35.33 9.60 21
##  Quebec      chilled    31.75 9.64 21
##  Mississippi nonchilled 25.95 7.40 21
##  Mississippi chilled    15.81 4.06 21
## ─────────────────────────────────────
## Total sample size: N = 84
## 
## ANOVA Table:
## Dependent variable(s):      uptake
## Between-subjects factor(s): Type, Treatment
## Within-subjects factor(s):  –
## Covariate(s):               –
## ───────────────────────────────────────────────────────────────────────
##                      MS   MSE df1 df2     F     p        η2p [90% CI]
## ───────────────────────────────────────────────────────────────────────
## Type            3365.53 64.09   1  80 52.51 <.001 *** .396 [.262, .510]
## Treatment        988.11 64.09   1  80 15.42 <.001 *** .162 [.057, .284]
## Type:Treatment   225.73 64.09   1  80  3.52  .064 .   .042 [.000, .135]
## ───────────────────────────────────────────────────────────────────────
## MSE = Mean Square Error (an estimate of population variance σ2).
## 
## ω2 = omega-squared = (SS - df1 * MSE) / (SST + MSE)
## η2 = eta-squared = SS / SST
## η2G = generalized eta-squared (see Olejnik & Algina, 2003)
## η2p = partial eta-squared = SS / (SS + SSE) = F * df1 / (F * df1 + df2)
## Cohen’s f = sqrt( η2p / (1 - η2p) )
## 
## Levene’s Test for Homogeneity of Variance:
## DV = uptake:
##                 Levene's F df1 df2     p sig
## Based on Mean         3.36   3  80  .023 *  
## Based on Median       1.50   3  80  .221    
## 
## ------ EMMEANS Output (effect = "Type") ------
## 
## Simple Effects of "Type":
## ─────────────────────────────────────────────────────────────────────────────
##  Effect          (By: Treatment) df1 df2     F     p           η2p [90% CI]
## ─────────────────────────────────────────────────────────────────────────────
##    Type (Treatment = nonchilled)   1  80 14.42 <.001 *** 0.153 [0.051, 0.275]
##    Type (Treatment = chilled)      1  80 41.61 <.001 *** 0.342 [0.208, 0.461]
## ─────────────────────────────────────────────────────────────────────────────
## 
## Estimated Marginal Means of "Type":
## Treatment = nonchilled:
##  Type        Mean  S.E.   [95% CI of Mean]
##  Quebec      35.33 (1.75) [31.86, 38.81]  
##  Mississippi 25.95 (1.75) [22.48, 29.43]  
## 
## Treatment = chilled:
##  Type        Mean  S.E.   [95% CI of Mean]
##  Quebec      31.75 (1.75) [28.28, 35.23]  
##  Mississippi 15.81 (1.75) [12.34, 19.29]  
## 
## Estimated means use an equally weighted average. 
## 
## Pairwise Comparisons of "Type":
## Treatment = nonchilled:
##  Contrast             b      S.E.   df t     p         Cohen's d [95% CI]  
##  Mississippi - Quebec  -9.38 (2.47) 80 -3.80 <.001 *** -1.17 [-1.79, -0.56]
## 
## Treatment = chilled:
##  Contrast             b      S.E.   df t     p         Cohen's d [95% CI]  
##  Mississippi - Quebec -15.94 (2.47) 80 -6.45 <.001 *** -1.99 [-2.60, -1.38]
## 
## SD_pooled for computing Cohen’s d: 8.01 
## No need to adjust p values. 
## Disclaimer (about Cohen’s d):
## There is considerable disagreement on how to compute Cohen’s d.
## You should not take the above output as the only right results.
## You are completely responsible for setting the "sd.pooled".

效应值

lm(Sepal.Length~Sepal.Width+Species,data=iris) %>% 
  effectsize::effectsize()
## # Standardization method: refit
## 
## Parameter         | Coefficient (std.) |         95% CI
## -------------------------------------------------------
## (Intercept)       |              -1.37 | [-1.55, -1.20]
## Sepal.Width       |               0.42 | [ 0.31,  0.53]
## Speciesversicolor |               1.76 | [ 1.49,  2.03]
## Speciesvirginica  |               2.35 | [ 2.11,  2.59]
aov(Sepal.Length~Sepal.Width+Species,data=iris) %>% 
  effectsize::effectsize()
## Parameter   | Eta2 (partial) |       90% CI
## -------------------------------------------
## Sepal.Width |           0.05 | [0.01, 0.12]
## Species     |           0.72 | [0.66, 0.77]
cor.test(iris$Sepal.Length,iris$Sepal.Width) %>% 
  effectsize::effectsize()
## r     |        95% CI
## ---------------------
## -0.12 | [-0.27, 0.04]
BayesFactor::correlationBF(iris$Sepal.Length,iris$Sepal.Width) %>% 
  effectsize(test=NULL)
## Warning in .recacheSubclasses(def@className, def, env): undefined subclass
## "numericVector" of class "Mnumeric"; definition not updated
## Summary of Posterior Distribution
## 
## Parameter | Median |        95% CI
## ----------------------------------
## rho       |  -0.11 | [-0.27, 0.04]
aov(mpg~wt*disp,data=mtcars) %>% effectsize::effectsize()
## Parameter | Eta2 (partial) |       90% CI
## -----------------------------------------
## wt        |           0.83 | [0.73, 0.89]
## disp      |           0.16 | [0.01, 0.36]
## wt:disp   |           0.32 | [0.10, 0.51]
aov(mpg~wt*disp,data=mtcars) %>% broom::tidy()
## # A tibble: 4 x 6
##   term         df sumsq meansq statistic   p.value
##   <chr>     <dbl> <dbl>  <dbl>     <dbl>     <dbl>
## 1 wt            1 848.  848.      141.    1.96e-12
## 2 disp          1  31.6  31.6       5.25  2.97e- 2
## 3 wt:disp       1  77.9  77.9      12.9   1.23e- 3
## 4 Residuals    28 169.    6.03     NA    NA
BayesFactor::anovaBF(Sepal.Length~Species,data=iris)
## Bayes factor analysis
## --------------
## [1] Species : 1.425293e+28 ±0%
## 
## Against denominator:
##   Intercept only 
## ---
## Bayes factor type: BFlinearModel, JZS
BayesFactor::lmBF(Sepal.Length~Petal.Width+Sepal.Width,data=iris)
## Bayes factor analysis
## --------------
## [1] Petal.Width + Sepal.Width : 3.376503e+36 ±0.01%
## 
## Against denominator:
##   Intercept only 
## ---
## Bayes factor type: BFlinearModel, JZS
BayesFactor::regressionBF(Sepal.Length~Petal.Width+Sepal.Width,data=iris)
## Bayes factor analysis
## --------------
## [1] Petal.Width               : 6.575863e+33 ±0.01%
## [2] Sepal.Width               : 0.4544437    ±0%
## [3] Petal.Width + Sepal.Width : 3.376503e+36 ±0.01%
## 
## Against denominator:
##   Intercept only 
## ---
## Bayes factor type: BFlinearModel, JZS
mtcars %>% tidyBF::bf_oneway_anova(x=cyl,y=mpg) %>%
  select(log_e_bf10,r2)
## # A tibble: 6 x 2
##   log_e_bf10    r2
##        <dbl> <dbl>
## 1       14.9 0.712
## 2       14.9 0.712
## 3       14.9 0.712
## 4       14.9 0.712
## 5       14.9 0.712
## 6       14.9 0.712

颜色

show_colors(colors=viridis::viridis_pal()(10))

show_colors(colors=ggsci::pal_aaas()(10))

show_colors(RColorBrewer::brewer.pal(name="Set2", n=8))

show_colors(RGB(0, 0, 255))

show_colors("#0000FF")

osummer3148
关注
  • 4
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
软件工程 实践者的研究方法 罗杰S.普莱斯曼（Roger S.Pressman）布鲁斯R.马克西姆（Bruce R.Maxim）著郑人杰马素霞等译
03-26
软件工程 实践者的研究方法 罗杰S.普莱斯曼（Roger S.Pressman）布鲁斯R.马克西姆（Bruce R.Maxim）著郑人杰马素霞等译
[R语言] ggplot2入门笔记4—前50个ggplot2可视化效果
You and Me
03-21 5354
文章目录通用教程简介(Introduction To ggplot2)4 ggplot2入门笔记4—前50个ggplot2可视化效果1 相关性(Correlation)1.1 散点图(Scatterplot)1.2 带边界的散点图(Scatterplot With Encircling)1.3 抖动图(Jitter Plot)1.4 计数图(Counts Chart)1.5 气泡图(Bubble ...
计算机网络前沿技术.docx
07-13
计算机网络前沿技术全文共9页，当前为第1页。计算机网络前沿技术全文共9页，当前为第1页。计算机网络前沿技术 计算机网络前沿技术全文共9页，当前为第1页。 计算机网络前沿技术全文共9页，当前为第1页。 网络前沿技术论文篇一 搜索引擎的前沿技术 摘要： 人工智能中的机器学习技术在基于语料的文本信息处理中获得了快速发展，同时基于统计和经验的方法在超出传统机器学习的范畴之外也发展出一些独特的方法和技术，这些应用将会使下一代搜索引擎在技术上取得突破。 搜索引擎并非只是一个网络上的应用程序，它要用到信息检索、人工智能、自然语言处理、分布式网络并行计算技术、多媒体技术、数据库技术、数据挖掘技术、数字图书馆等多领域的理论和技术，具有很强的综合性和挑战性。 从技术发展角度讲，随着计算机的发展和互联网的普及，对海量文本信息处理的需求越来越迫切，这使得人工智能中机器学习技术在基于语料的文本信息处理中获得了快速发展。同时，基于统计和经验的方法在超出传统机器学习的范畴之外发展出一些独特的方法和技术。但是,自然语言处理中仍然存在许多尚未解决的问题，甚至是影响到自然语言处理的基础性的核心问题。检索专家BruceR
R语言软件安装包（windows）
11-14
R语言软件安装包（windows）
【048期】SPSS 如何使用PROCESS插件检验调节效应及简单斜率分析.docx
01-25
【048期】SPSS 如何使用PROCESS插件检验调节效应及简单斜率分析.docx
bruceR:这是CRAN R软件包系统信息库的只读镜像。 bruceR —广泛使用的便捷高效的R函数。 主页
04-11
布鲁斯 BR oadlyüsefulÇonvenient和E fficient R里面的函数即BR荷兰国际集团ÜSERSÇoncise和E legant R数据分析。 该软件包包括易于使用的功能，用于（1）基本的R编程（例如，将工作目录设置为当前文件所在的位置，以丰富的格式和颜色打印字符串）； （2）多元计算（例如，使用反向计分来计算规模总和/均值/ ...）； （3）可靠性和因素分析； （4）描述性统计和相关分析； （5）方差多因素分析（ANOVA），简单效应分析和事后多重比较； （6）回归模型的整洁报告（控制台和Word）； （七）调解与适度分析； （8）用于统计和图形的附加工具箱。 作者 电子邮件： 网站： | | 引文 Bao，H.-W.-S. （2021年）。 bruceR：广泛有用的便捷高效的R函数。 R软件包版本0.xx https://CRAN.R-proj
ggside包添加边际图形
医学和生信笔记的博客
08-06 542
专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。
R语言| 中介效应分析，Mediation包和BruceR包，循环Process函数
热门推荐
mocchan925的博客
04-24 2万+
目录Brief summary中介效应的检验分析方法Mediation包 Brief summary 网上关于中介效应的资料挺多的，这里就不对原理进行过多解释。 简单来说，我们分析自变量 X 对因变量 Y 产生的影响，如果变量 X 通过影响变量 M 来影响变量 Y ，那么这个变量 M 就是中介变量。 例如租客 (X) 通过中介公司 (M) 找到合适的房子 (Y)，中介公司就在其中扮演了中介变量的角色，中介变量发挥的作用就称为中介效应了。 对于该分析我个人有一个认知，就是X和Y必须有关联。这个关联可以是数
R语言 bruceR包安装及常见错误解决
半糖奶茶加珍珠
04-16 2537
推荐大家看如下两篇文章，里面包含了如何安装bruceR这个包，以及安装时常见的错误和解决方法的讲解 参考文档：如何安装（点它！） 参考文档：安装常见问题的解决方法（安装有问题就点它！） 大神已经写的很清楚了，接下来我来说下我碰到的问题吧 起初，我已经成功安装好了“devtools”、“tidyverse”、“ggstatsplot”这三个包，但是我没有进行update.packages包的更新，而...
使用R语言绘制折线图
qq_63606575的博客
05-11 3462
geom_point(size=3) size 设置点的大小。weight 就是pg_mean中weight的最大值。这里设置Y轴区间范围为 4 到 max(pg_mean。0.5、1.0 ——>X轴刻度标签。geom_point() 这里是点。linetype将线条映射给变量。（要先下载安装bruceR）查看观测值的数量、数据类型。color将颜色映射给变量。dose——>X轴标签。lwd 设置线条的宽度。size设置点的大小。
java 反编译 报错_java反编译后再编译成class时提示缺少包
weixin_36308404的博客
02-16 1358
问题描述我下载了一个对方的Jar程序,可以正常运行,但是我想修改程序里面的一些内容,比如其程序中有一个函数public void setNumTarget(final long numTarget) {this.numTarget = numTarget;}我想让其变成类似这样的(当然这只是其中一处想要修改的地方,还有几处稍微复杂点的)public void setNumTarget(final ...
library（）加载问题解决
nide_wo的博客
09-25 5461
Rstudio中 在加载包，访问时遇到以下问题 trying URL 'https://mirrors.tuna.tsinghua.edu.cn/CRAN/bin/windows/contrib/3.6/tseries_0.10-47.zip' Content type 'application/zip' length 417424 bytes (407 KB) downloaded 407 KB...
笔记&代码 | 统计学——基于R（第四版） 第十一章 时间序列预测
jiangti_ng的博客
12-30 2173
第一次听说这个很高大上的东西，实质就是x轴为时间呗，代码长到没完没了，期末考试考到就是考验心态
R学习笔记4
nide_wo的博客
09-29 2881
7 基本绘图 使用plot调整坐标向量 foo <- c(1.1,2,3.5,3.9,4.2) bar <- c(2,2.2,-1.3,0,0.2) plot(foo,bar) #plot简单二维作图plot（x，y） #x，y的位置不一定为向量，还可以为矩阵 > baz foo bar [1,] 1.1 2.0 [2,] 2.0 2.2 [3,] 3.5 -...
R语言机器学习mlr3：基础使用
医学和生信笔记的博客
03-11 5755
目录创建任务创建learner训练、预测和性能评价 本篇主要介绍mlr3包的基本使用。 一个简单的机器学习流程在mlr3中可被分解为以下几个部分： 创建任务 比如回归、分裂、生存分析、降维、密度任务等等 挑选学习器（算法/模型） 比如随机森林、决策树、SVM、KNN等等 训练和预测 创建任务 本次示例将使用mtcars数据集创建一个回归任务，结果变量（或者叫因变量等等）是mpg。 # 首先加载数据 data("mtcars",package = "datasets") data <- mtcars
R语言epiDisplay包的alpha函数计算dataframe数据中指定数据列之间的信度分析、alphaBest函数获取最高alpha值对应的项目集、tableStack计算最优信度子集的汇总统计
statistics+insight+vista+power
06-02 491
R语言使用epiDisplay包的alpha函数计算dataframe数据中指定数据列之间的信度分析、使用alphaBest函数获取最高alpha值对应的项目集、使用tableStack函数获取最优信度子集的汇总统计信息
医学案例|单因素重复测量方差
m0_37228052的博客
07-28 223
为研究某诱导方法对患者收缩压的影响，将手术要求基本相同的15名患者，在手术过程中采用A麻醉诱导方法，并在T0（诱导前）、T1、T2、T3、T4五个时刻测量患者的收缩压，试着进行方差分析。
R语言 数据抽样（数据失衡处理、sample随机抽样、数据等比抽样、交叉验证抽样）
程志伟的博客
05-04 5525
关注微信公共号：小程在线 关注CSDN博客：程志伟的博客 详细内容为 《R语言游戏数据分析与挖掘》第五章学习笔记 数据抽样包括： 1.数据类不平衡问题解决 2.随机抽样 3.数据等比例抽样（用于多分类） 4.用于交叉验证的样本抽取 5.1.2类失衡处理方法 在R中，DMwR包中的SMOTE()函数可以实现SMOTE方法。 perc.over=500表示对原始数据集中的每个...
R语言时间序列分析
zhenglit的博客
05-23 1万+
时间序列 白噪声序列 终止分析，无信息可提取 非白噪声序列 平稳序列 AR/MA/ARMA 非平稳序列 ARIMA,实际中最常见 当拿到一个时间序列的时候，首先分析该时间序列的类型，不同类型的序列有不同的处理方式。本文包含以下几个部分： 1、时间序列数据准备 2、时间序列平稳性检验 3、拟合ARIMA模型 4、ARIMA模型的检验诊断 5、用ARIMA模型进行预测 6、预测效果的评估 一、时间序列数据准备 > stodata &l
brucer可以做cox的中介吗
最新发布
10-27
Brucer是可以成为Cox的中介的。作为中介，Brucer将充当由Cox雇佣的公司与其他公司或个人之间的桥梁。Brucer将负责促进Cox与其他合作伙伴之间的沟通和交流，以促进业务合作和合同达成。作为一名中介，Brucer将拥有...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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