r语言算巢式设计方差分析_R语言-方差分析

方差分析：检验不同组别下的总体均值是否存在显著差异，可用于多个独立样本的均值检验。

前提假设：

1. 观测变量的总体分布是正态分布；
2. 不同组别下的观测变量的总体具有同方差。

1. 单因素方差分析

原理：离差平方和分解

SST（总离差平方和）=SSE（组内离差平方和）+SSA（组间离差平方和）

检验统计量

2. 单因素方差分析的数学模型

则

3. R函数 黑色粗体

res=aov(y~X,data)

summary(res)

总体正态性检验：

1. qq图 (qqnorm,qqline)
2. k-s检验 (ks.test)

方差齐性检验：

leveneTest

假设检验之Levene's Test 检验​www.jianshu.com

4. 单因素方差分析中的多重比较检验

• 多重比较-LSD检验

最小显著差异检验：

• 多重比较-Tukey HSD 检验（TukeyHSD）

相比t检验，q分布的临界值更大，更难拒绝原假设。

非setwd("E:/Rdata/薛薇_基于R的统计分析与数据挖掘/")
rm(list=ls())
dat<-read.table("CarData.txt",header=TRUE)
head(dat)
#单因素方差分析
res=aov(MPG~as.factor(ModelYear),dat)
#查看F检验的p值
summary(res) #和anova(res)效果一样

Result<-TukeyHSD(res,ordered = TRUE,conf.level = 0.95)
par(las=2)
linecol<-ifelse(Result[[1]][,4]<0.05,2,1) #两两比较p值小于0.05为红色,其余默认黑色
plot(Result,col=linecol)

5. 单因素方差分析的功效分析

假设检验的两类错误：

1. 弃真，H0为真，拒绝了原假设，其犯错的概率为
   ；
2. 存伪，H0为假，接受了原假设，其犯错的概率为
   。

统计功效power：1-β，正确地拒绝原假设的概率。主要受以下因素的影响：

• 显著性水平α越小，β越大，1-β越小；
• 两总体均值差异越大，检验功效1-β越大；
  • 通常用效应量，Effect Size，来反映两个总体均值的相对差异。
  • pwr.t.test(d=效应量,n=样本量,sig.level=显著性水平,power=统计功效)
• 样本容量越大，统计功效越大。

方差分析经常用于实验设计中，功效分析的重点在于样本容量的确定。

方差分析的效应量

f=0.1为低效应，0.25中等效应，0.4为高效应。

在控制变量水平数，检验功效和显著性水平一定时，效应量与样本量成反比。即低效应需要更多的样本。

#功效分析
library(pwr)
pwr.anova.test(k=13,f=0.25,sig.level = 0.05,
               power=0.8)
#每个水平至少需要23个样本

6. 单因素方差分析的置换检验