R语言基础 | 方差分析（3）：多因素方差分析（下）

最新推荐文章于 2024-04-26 01:00:00 发布
最新推荐文章于 2024-04-26 01:00:00 发布
阅读量2k 收藏 19
点赞数 2
文章标签： r语言 开发语言
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/weixin_54000907/article/details/128030334
版权

专注系列化、高质量的R语言教程

推文索引 | 联系小编 | 付费合集

本篇接上篇继续介绍多因素方差分析。目录如下：

  • 2 多因素方差分析

    • 2.6 TukeyHSD函数

    • 2.7 anova函数

    • 2.8 不含交互项的II型和III型方差分析

    • 2.9 含交互项的II型和III型方差分析

2 多因素方差分析

2.6 TukeyHSD函数

方差分析使用F统计量检验各组样本均值是否存在显著差异：当分组数在三组以上时，只要任意两组样本均值存在显著差异，F统计量就具有显著性。方差分析不会直接反映两两比较的结果。

stats工具包中的TukeyHSD()函数可以根据方差分析的结果进行两两比较，语法结构如下：

TukeyHSD(x, which, ordered = FALSE, 
         conf.level = 0.95, ...)

  • x：方差分析模型；

  • which：分组变量。

例2.7：示例来自函数帮助文档

fm <- aov(breaks ~ wool + tension, data = warpbreaks)
summary(fm)
##             Df Sum Sq Mean Sq F value  Pr(>F)   
## wool         1    451   450.7   3.339 0.07361 . 
## tension      2   2034  1017.1   7.537 0.00138 **
## Residuals   50   6748   135.0                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

levels(warpbreaks$tension)
## [1] "L" "M" "H"

TukeyHSD(fm, "tension", ordered = TRUE)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
##     factor levels have been ordered
## 
## Fit: aov(formula = breaks ~ wool + tension, data = warpbreaks)
## 
## $tension
##          diff        lwr      upr     p adj
## M-H  4.722222 -4.6311985 14.07564 0.4474210
## L-H 14.722222  5.3688015 24.07564 0.0011218
## L-M 10.000000  0.6465793 19.35342 0.0336262

  • 方差分析结果显示，根据tension变量分组的样本均值在95%置信水平下存在显著性差异；

  • 使用TukeyHSD()函数输出tension变量三个水平（"L"、"M"、"H"）对应样本均值的两两比较结果；

  • 结果显示在95%置信水平下，M和H组的样本均值不存在显著性差异，L和H组、L和M组存在显著性差异。

2.7 anova函数

anova()函数用来计算回归模型的方差分析表，语法结构如下：

anova(object, ...)

  • object：模型对象；

  • ...：模型对象。

例2.8：单个模型的方差分析表

fm1 <- lm(breaks ~ wool, data = warpbreaks) 
anova(fm1)
## Analysis of Variance Table
## 
## Response: breaks
##           Df Sum Sq Mean Sq F value Pr(>F)
## wool       1  450.7  450.67  2.6684 0.1084
## Residuals 52 8782.1  168.89

上述结果与aov(breaks ~ wool, data = warpbreaks)的结果完全一致。

例2.9：多个模型的方差分析表

fm2 <- lm(breaks ~ wool + tension, data = warpbreaks) 
anova(fm1, fm2)
## Analysis of Variance Table
## 
## Model 1: breaks ~ wool
## Model 2: breaks ~ wool + tension
##   Res.Df    RSS Df Sum of Sq      F   Pr(>F)   
## 1     52 8782.1                                
## 2     50 6747.9  2    2034.3 7.5367 0.001378 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

  • 输出结果每行依次表示各个模型；

  • 前两列表示每个模型的残差自由度（Res.Df）和残差平方和（RSS）；

  • 后四列表示上一行模型与本行模型的残差自由度之差（Df）、残差平方和之差（Sum of Sq）及其F统计量（F）、显著性水平（Pr(>F)）。

在上面例子中，第2行模型之所以比第1行模型的残差平方和更小，是因为它多了个分组变量，减少的残差平方和就是这个分组变量对应的离差平方和。下面的方差分析结果表明了这一点：

aov(breaks ~ wool + tension, data = warpbreaks)
## Terms:
##                     wool  tension Residuals
## Sum of Squares   450.667 2034.259  6747.889
## Deg. of Freedom        1        2        50

方差分析表可以作为模型比较的参考依据。若F统计量具有显著性，说明残差平方和较小的模型更优。

2.8 不含交互项的II型和III型方差分析

加载示例数据mpg：

library(dplyr) 
mpg <- mtcars %>%
  select(mpg, cyl, gear, carb) %>%
  mutate(cyl = factor(cyl),
         gear = factor(gear),
         carb = factor(carb))

前篇已经介绍，aov()函数执行的是I型方差分析。II型和III型方差分析可以使用car工具包中Anova()函数（首字母大写）运行。语法结构如下：

Anova(mod, error, type = c("II","III", 2, 3),
      vcov.=NULL, singular.ok, ...)

Anova()函数的使用方法与模型对象只有一个的anova()函数类似：

  • mod：模型对象；

  • type：方差分析类型；II和2表示II型方差分析，III和3表示III型方差分析。

例2.10：比较如下I、II、III型方差分析的结果

## I型
aov(mpg ~ cyl + gear, mpg) 
aov(mpg ~ gear + cyl, mpg)

lfit1 <- lm(mpg ~ cyl + gear, mpg) 
lfit2 <- lm(mpg ~ gear + cyl, mpg)
library(car)
## II型
Anova(lfit1, type = 2)
Anova(lfit2, type = 2) 
## III型
Anova(lfit1, type = 3)
Anova(lfit2, type = 3)

分为方便比较，将结果汇总成如下表：

模型形式SS(cyl)SS(gear)SS(Residuals)
I:
cyl+gear		824.798.25293.01
I:
gear+cyl		349.79483.24293.01
II:
cyl+gear		349.798.25293.01
II:
gear+cyl		349.798.25293.01
III:
cyl+gear		349.798.25293.01
III:
gear+cyl		349.798.25293.01

有如下结论：

  • 在没有交互项的情况下，II型和III型方差分析的结果完全一致；

  • II型和III型方差分析的结果与分组变量顺序无关；

  • 分组变量在I型方差分析中靠后时的离差平方和，就是它在II型和III型方差分析中的离差平方和；

  • II型和III型方差分析的组间和组内离差平方和之和不等于总离差平方和。

基于以上结论，可以使用如下两种方法“手动”计算II型和III型方差分析的离差平方和。

第一种方法就是直接取该变量在I型方差分析中顺序靠后时的结果，示例结果见上表。

第二种方法是分别建立全变量线性回归和只缺少该变量的线性回归，二者残差平方和之差即该变量在II型和III型方差分析中的离差平方和。

例2.11：以gear变量为例

lm1 <- lm(mpg ~ cyl, mpg)  
lm2 <- lm(mpg ~ cyl + gear, mpg) 

## 计算残差平方和也有多种方法
sum(residuals(lm1)^2) - sum(residuals(lm2)^2)  
## [1] 8.251855
sum((fitted(lm2) - mean(mpg$mpg))^2) - sum((fitted(lm1) - mean(mpg$mpg))^2) 
## [1] 8.251855
anova(lm1, lm2)
## Analysis of Variance Table
## 
## Model 1: mpg ~ cyl
## Model 2: mpg ~ cyl + gear
##   Res.Df    RSS Df Sum of Sq      F Pr(>F)
## 1     29 301.26                           
## 2     27 293.01  2    8.2519 0.3802 0.6873

2.9 含交互项的II型和III型方差分析

在含有交互项时，II型和III型方差分析的结果不完全一致。

例2.12：运行如下例子

fit <- lm(mpg ~ cyl*gear + carb, mpg) 

Anova(fit, type = 2)
## Anova Table (Type II tests)
## 
## Response: mpg
##            Sum Sq Df F value  Pr(>F)  
## cyl        13.200  2  0.7370 0.49110  
## gear       66.158  2  3.6938 0.04313 *
## carb       90.017  4  2.5130 0.07405 .
## cyl:gear   25.388  2  1.4175 0.26564  
## Residuals 179.103 20                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Anova(fit, type = 3, singular.ok = T)
## Anova Table (Type III tests)
## 
## Response: mpg
##            Sum Sq Df F values  Pr(>F)  
## cyl         3.298  2   0.1841 0.83321  
## gear       62.078  2   3.4661 0.05100 .
## carb       90.017  4   2.5130 0.07405 .
## cyl:gear   25.388  2   1.4175 0.26564  
## Residuals 179.103 20                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

有如下结论：

  • 交互项（如cyl:gear）和不参与交互的变量（如carb）的离差平方和在II型和III型方差分析中相同；

  • 参与交互的主效应变量（如cyl、gear）在II型和III型方差分析中不同。

通过2.9节中的两种方法可以计算交互项和非交互变量的离差平方和。

例2.13：第一种方法

## 将交互项放在最后
aov(terms(mpg ~ carb + cyl*gear, keep.order = T), mpg) 
## Terms:
##                     carb      cyl     gear cyl:gear Residuals
## Sum of Squares  500.5610 354.8374  66.1579  25.3878  179.1030
## Deg. of Freedom        5        2        2        2        20

## 将carb放在最后
aov(terms(mpg ~ cyl*gear + carb, keep.order = T), mpg)
## Terms:
##                      cyl     gear cyl:gear     carb Residuals
## Sum of Squares  824.7846   8.2519  23.8907  90.0170  179.1030
## Deg. of Freedom        2        2        3        4        20

例2.14：第二种方法

## 全模型
fit0 <- lm(mpg ~ cyl*gear + carb, mpg) 
## 不含交互项
fit1 <- lm(mpg ~ cyl + gear + carb, mpg) 
## 不含carb变量
fit2 <- lm(mpg ~ cyl*gear, mpg)

sum(residuals(fit1)^2) - sum(residuals(fit0)^2)  
## [1] 25.38784
sum(residuals(fit2)^2) - sum(residuals(fit0)^2)  
## [1] 90.017

参与交互项的主效应变量在II型和III型中不同。

II型方差分析的主效应变量的离差平方和等于把它放在交互项之前、其他变量之后时的I型方差分析。

从下面I型方差分析的输出结果可以看出，除交互项外，gear变量的离差平方和也与II型方差分析相同，因为此时gear变量的位置是在交互项之前、其他变量之后。

aov(terms(mpg ~ carb + cyl*gear, keep.order = T), mpg) 
## Terms:
##                     carb      cyl     gear cyl:gear Residuals
## Sum of Squares  500.5610 354.8374  66.1579  25.3878  179.1030
## Deg. of Freedom        5        2        2        2        20

同理，下面I型方差分析中的cyl变量的离差平方和与II型方差分析相同：

aov(terms(mpg ~ carb + gear*cyl, keep.order = T), mpg) 
## Terms:
##                     carb     gear      cyl gear:cyl Residuals
## Sum of Squares  500.5610 407.7953  13.2000  25.3878  179.1030
## Deg. of Freedom        5        2        2        2        20

III型方差分析的主效应变量的离差平方和等于它放在其他变量和交互项变量之后时的I型方差分析。

例2.15：以gear变量为例，下面代码可“手动”计算它在III型方差分析中的离差平方和

mpg$cg <- mpg$cyl:mpg$gear
levels(mpg$cg)
## [1] "4:3" "4:4" "4:5" "6:3" "6:4" "6:5" "8:3" "8:4" "8:5"
mpg$cg <- factor(mpg$cg, levels = levels(mpg$cg),
                 labels = c(0,0,0, levels(mpg$cg)[4:9]))
levels(mpg$cg)
## [1] "0"   "6:3" "6:4" "6:5" "8:3" "8:4" "8:5"

fit3 <- lm(mpg ~ cg + carb, mpg)
sum(residuals(fit3)^2) - sum(residuals(fit0)^2)  
## [1] 62.078
R语言学堂
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
R语言基础 | 方差分析（2）：多因素方差分析（上）
R语言学堂
11-18 4489
专注系列化、高质量的R语言教程推文索引 | 联系小编 | 付费合集当存在两个及以上的分组变量时，可以使用多因素方差分析（N-way ANOVA、Multifactor ANOVA）检验各组的样本均值是否存在显著差异。本篇主要以双因素方差分析（Two-way ANOVA）为例介绍相关内容。本篇的目录如下：2 多因素方差分析2.1 示例数据2.2 平衡试验设计2.3 I型方差分析2.4 交互效应2...
R语言方差分析
weixin_44231554的博客
04-30 3539
r语言方差分析
《R语言与农业数据统计分析及建模》学习——方差分析
最新发布
maizeman126的博客
04-26 1258
方差分析是研究一种或多种因素的变化对试验结果的观测值是否有显著影响，从而找到较优试验条件或生产条件的一种常用数理统计方法。方差分析根据平方和的加和原理，利用F检验，进而判断试验因素对试验结果的影响是否显著。
R语言【多因素方差分析】
ziixiaoshenwang的博客
04-15 6742
《R语言与大数据编程实战》 学习笔记
R语言——多因素方差分析.pptx
01-27
R语言——多因素方差分析简述及代码
方差分析_R语言_方差分析代码_
10-03
方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显著性检验。 由于各种因素的影响，研究所得的数据呈现波动状。造成波动的原因可分成两类，...
R语言——方差分析.ppt
01-28
在 R 语言中，我们可以使用 aov() 函数来进行多因素方差分析。例如： aov(y ~ A * B, data = mydata) 其中，y 是因变量，A 和 B 是两个因素，mydata 是数据框。 实践操作 ------------ 在 R 语言中，我们可以...
统计学R语言实验7 方差分析
01-16
在R语言中，我们有两个主要的函数来执行单因素方差分析：`oneway.test`和`aov`。这次实验的目标是理解和掌握方差分析的基本概念、方法，并熟悉R语言的使用环境。 1. `oneway.test`函数适用于处理数据分布不那么正态...
R语言方差分析介绍含实例分析实例讲解⽅差分析的应⽤
01-08
R语言中的方差分析（ANOVA）是一种统计方法，用于判断一个或多个分类自变量对数值型因变量是否有显著影响。这一方法起源于20世纪20年代，由英国统计学家费希尔提出，主要用于比较多个总体的均值差异，从而探究变量间...
如何使用R语言拟合ANOVA模型
Mrrunsen的博客
05-27 2535
如何使用R语言拟合ANOVA模型 aov()函数： R语言用于拟合ANOVA模型的函数为aov()，它的语法结构为aov(formula, data=dataframe)。函数有两个参数需要指定，分别为formula和data，formula为待指定的公式，data为待指定的数据。 R语言formula格式一般是这样的：y ~ A。波浪号左边表示因变量，右边表示自变量（或称因素）。 如果有A、B、C多个分组自变量，formula可以写作：y~A+B+C; 如果两个自变量间存在交互效应（如B与C），
R语言多因素方差分析及评估假设检验
data+scenario+science+insight
08-16 2463
R语言多因素方差分析及评估假设检验 条件： 各个样本是相互独立的随机； 各个样本来自正态总体； 具有方差齐性； 用途： 检验两个或多样本均数间的差异有无统计学意义；注：本均数的比较可以采用 t检验或 F检验，两个以上样本均数的比较只 能用 F检验。 回归方程的线性假设检验； 检验两个因素或者多个因素之间有无交互作用； 无法进行方差分析时： 进行变量换，以达到方差齐或正态的要求； 采用非参数法（秩和检验）； 使用近似 F检验； # Listing 9.8 - One-way MAN.
R语言单因素、多因素方差分析ANOVA analysis of variance
Cachel Wood的博客
11-20 2644
假设检验的前提是要满足正态分布和方差齐性 组内平方和SSE：同一组内的数据误差平方和 组间平方和SSA：不同组之间的数据误差平方和 F=MSA/MSE=SSA/k−1SSE/n−kF = MSA/MSE = \frac{SSA/k-1}{SSE/n-k}F=MSA/MSE=SSE/n−kSSA/k−1​ 单因素方差分析 一个分类型自变量 例如四个班级学生的语文成绩，班级是分类型自变量，四个班级是自变量的四个水平 independent or repeated 双因素方差分析 两个分类型自变量 例如班级
ryuyan 方差分析_R语言 简单方差分析
weixin_35797900的博客
12-23 1785
之前看到不少人思维导图，我也来凑凑热闹。用幕布做了一个，以做为这篇的笔记的总提纲什么是方差分析方差分析分析(Analysis of Variance)，简写为ANOVA，不仅是一种方法，更是一种分析思路，是变异分解的思路。这种思路不仅可以用于多组均值差异的比较，也可以用于其他统计学方法中，比如线性回归、Logistic回归中也有方差分析 ——白话说统计方差分析的基本思想将数据的总变异分解为来源于不...
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（）
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 多元方差分析|单因素方差分析
转玄子因的博客
01-03 4537
•研究谷物中的卡路里、脂肪和糖含量是否会因为储存架位置的不同而发生变化。其中1代表底层货架，2代表中层货架，3代表顶层货架。 –数据：MASS包-Uscereal library(MASS) attach(UScereal) head(UScereal) shelf=factor(shelf) #转化为因子变量 y=cbind(calories,fat,sugars) #将因变量合并成一个...
R语言学习笔记7_方差分析
skye_s_的博客
08-19 6689
目录七、方差分析7.1 单因子方差分析7.1.1 数学模型方差分析表7.1.2 均值的多重比较多重 t 检验方法==差异显著与显著差异的区分====置信区间的易混淆==7.1.3 同时置信区间：Tukey法7.1.4 方差齐性检验Barlett检验Levene检验注意7.2 双因子方差分析7.2.1 无交互作用的方差分析7.2.2 有交互作用的方差分析7.3 协方差分析 七、方差分析 方差分析的主要工作就是将观测数据的总变异按照变异原因的不同分解为因子效应与试验误差，并对其做出数量分析，比较各种原因在总变异
R语言实现单因素方差分析：从农业到工业的应用
本文将介绍如何使用R语言进行单因素方差分析模型，该模型常用于比较不同处理或因素下的观测结果是否存在显著差异。通过案例分析，我们将展示方差分析在农业、工业和医学领域的应用。 单因素方差分析模型是统计学中...

“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