1、C)。当交互影响项呈现统计不显著时,表明各个因素独立,当呈现统 计显著时,就需要列出这个交互影响项的效应,以助于作出正确的统 计推断。举例解释上述概念 :要考察焦虑症的治疗疗效,一个因素是治疗 方案,有 2 种治疗方案,即该因素有 2 个水平;(治疗方案称为 组间因 子,因为每个患者只能被分配到一个组别中,没有患者同时接受两种 治疗);再考虑一个因素治疗时间,也有两个水平:治疗 5 周和治疗 6 个月,同一患者在 5 周和 6 个月不止一次地被测量(两次) ,称为重复 测量(治疗时间称为 组内因子 ,因为每个患者在所有水平下都进行了 测量)。建立方差分析模型时, 既要考虑两个因素治疗方案和治疗
2、时间 (主 效应),又要考虑治疗方案和时间的交互影响(交互效应) ,此时即两 因素混合模型方差分析。当某个因素的各个水平下的因变量的均值呈现统计显著性差异时, 必要时可作两两水平间的比较,称为均值间的两两比较。二、 R语言实现 方差分析对数据的要求:满足正态性(来自同一正态总体)和方 差齐性(各组方差相等) ,在这两个条件下,若各组有差异,则只可 能是来自影响因素的不同水平。用 aov() 函数进行方差分析,基本格式为:aov(formula, data=NULL, projections=FALSE, qr=TRUE, contrasts=NULL, .) 其中, formula 为方差分析
3、公式;data 为数据框;projection 设置是否返回预测结果; qr 设置是否返回 QR分解结果; contrasts 为公式中一些因子的列表formula 公式的表示:(y 为因变量, ABC为分组因子)符号用法分隔符号,左边为响应变量,右边为解释变量eg: yA+B+C+分隔解释变量:表示变量的交互项 eg: yA+B+A:B*表示所有可能交互项 yA*B*C 可展开为: yA+B+C+A:B+A:C+B:C+A:B:C表示交互项达到次数 y(A+B+C)2展开为:.表示包含除因变量外的所有变量 eg:若一个数据框包括变量 y,A、B和 C,代码 y. 可展开为 yA+B+C常见研
4、究设计的表达式 :(小写字母表示定量变量,大写字母表示组别因子, Subject 是对被试者独有的标识变量)设计表达式单因素 ANOVAyA含单个协变量的单因素 ANCOVAyx+A双因素 ANOVAyA*B含两个协变量的双因素 ANCOVAyx1+x2+A*B随机化区组yB+A, B 为区组因子单因素组内 ANOVAyA+Error(Subject/A)含单个组内因子 (W)和单个组间因子(B) 的重复测量 ANOVAyB*W+Error(Subject/W)注意 :非均衡设计时或存在协变量时, 效应项的顺序对结果影响 较大,越基础的效应越需要放在表达式前面,首先是协变量、然后是 主效应、接
5、着是双因素的交互项,再接着是三因素的交互项。若研究 不是正交的,一定要谨慎设置效应的顺序。有三种类型的方法可以分解 yA+B+A:B右边各效应对 y 所解释的 方差:类型 I (序贯型)效应根据表达式中先出现的效应做调整。 A 不做调整, B 根据 A 调整, A:B 交互项根据 A和 B调整。类型 II (分层型)效应根据同水平或低水平的效应做调整。 A根据 B 调整, B 依据 A调整, A:B 交互项同时根据 A和 B调整。类型 III (边界型)每个效应根据模型其他各效应做相应调整。 A根据 B 和 A:B 做调 整,A:R默认调用类型 I 方法,其他软件(比如 SAS和 SPSS)默
6、认调用 类型 III 方法。 car 包中的 Anova() 函数(不要与标准 anova() 函数 混淆)提供了使用类型 II 或类型 III 方法的选项,而 aov() 函数使 用的是类型 I 方法。若想使结果与其他软件(如 SAS和 SPSS)提供 的结果保持一致,可以使用 Anova() 函数。三、单因素方差分析1 个因变量, 1 个影响因素:总差异 Yij = 平均差异 + 因素差异 i + 随机差异 ij 例 1 比较 4 种品牌的胶合板的耐磨性,各抽取 5 个样品,相同转速 磨损相同时间测得磨损深度( mm),比较 4 个品牌胶合板的耐磨性有 无差异?部分数据如下( ex27_e
7、x1.Rdata ):setwd(E:/ 办公资料 /R 语言 /R 语言学习系列 /codes) load(ex27_ex1.Rdata) head(datas)wear brand12.30 A22.32 A32.40 A42.45 A52.58 A62.35 B attach(datas) table(brand) #各组的样本数brandA B C D5 5 5 5aggregate(wear,by=list(brand),mean) #各组均值Group.1 x1A 2.4102B 2.4043C 2.0464#各组标准差D 2.572 aggregate(wear,by=list(
8、brand),sd)1A 0.112694282B 0.117601023C 0.112160604D 0.03271085library(car)#用 Q-Q图检验数据qqPlot(lm(wearbrand,data=datas),simulate=TRUE) 的正态性leveneTest(wearas.factor(brand),data=datas) #方差齐性检验Levenes Test for Homogeneity of Variance (center = median)Df F value Pr(F) group 3 0.6987 0.566416fitF)brand 3 0.
9、7398 0.24660 24.55 3.15e-06 *Residuals 16 0.1607 0.01005Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1 1说明 :方差齐性检验, 原假设 H0:方差齐,p 值=0.56640.05, 故 接受原假设,即方差齐。单因素方差分析结果, brand是因素, Residuals 是残差,各列依 次为自由度、平方和、均方和、 F统计量, p值=3.15e-060.05, 拒绝 原假设,即不同品牌的磨损(均值)有显著差别。library(gplots)plotmeans(wearbrand,xlab= 品牌,
10、 ylab= 磨损) #图形展示带 95%置信 区间的各组均值通过前面的分析知道,不同品牌的磨损(均值)有显著差别,但并不知道哪个品牌与其它品牌有显著差别。 TukeyHSD()函数提供了对各组均值差异的成对检验TukeyHSD(fit)Tukey multiple comparisons of means95% family-wise confidence levelFit: aov(formula = wear brand, data = datas) $branddiff lwr upr p adjB-A -0.006 -0.18735345 0.1753535 0.9996826C-A
11、 -0.364 -0.54535345 -0.1826465 0.0001610D-A 0.162 -0.01935345 0.3433535 0.0886142C-B -0.358 -0.53935345 -0.1766465 0.0001929D-B 0.168 -0.01335345 0.3493535 0.0744337D-C 0.526 0.34464655 0.7073535 0.0000019可以看出(H0:无差异),B与A的差异非常不显著, C与A、C与B、D与C的差异非常显著multcomp包中的 glht() 函数提供了更为全面的多重均值比较方法。 library(mult
12、comp) attach(datas)tuk |t|)B -A = 0-0.006000.06339-0.0950.9997- A =-0.36400-5.7420.001 *D0.162002.5560.0886 .- B =-0.35800-5.6480.168002.6500.0743 .- C =0.526008.298 0.001 * 0.01 * 0.05(Adjusted p values reported - single-step method)plot(cld(tuk, level = 0.05), col = lightgrey)说明:标记相同字母(标记 b)的品牌 AB
13、D认为是无显著差异,在 同一亚组,而品牌 C(标记 a)与另外三个品牌有显著差异。另外,也可以进行多重 t 检验,使用函数:pairwise.t.test(x, g, p.adjust.method=,.)其中, x 为因变量, g 为因子型的分组变量;p.adjust.method 设置 p 值的修正方法,由于多次重复 t 检验会 大大增加犯第一类错误的概率,为此要进行 p 值的修正,使用 bonferroni 法修正效果较好。pairwise.t.test(wear,brand,p.adjust.method=bonferroniPairwise comparisons using t t
14、ests with pooled SD data: wear and brandA B CB 1.00000 - -C 0.00018 0.00022 -D 0.12695 0.10474 2.1e-06P value adjustment method: bonferroni原假设 H0: 无差异,可见 A与 B无差异, C与 ABD有显著 差异。最后,方差分析对离群点非常敏感,检验是否有离群点:outlierTest(fit)No Studentized residuals with Bonferonni p Largest |rstudent|:rstudent unadjusted p
15、-value Bonferonni p9 2.528103 0.023182 0.46364经检验无离群点。三、两因素方差分析1 个因变量, 2 个影响因素:总差异 Yijk = 平均差异 + 因素 1 差异 i + 因素 2 差异 i+ 因素 1,2 交互作用差异 ij + 随机差异 ijk例 2 研究 60 只豚鼠的牙齿生长数据,按 2 种喂食方法:橙汁、维生 素 C,各喂食方法中抗坏血酸含量都有 3 个水平: 0.5mg、1mg、2mg,分配为 6 组,每组各 10 只,牙齿长度为因变量。 做两因素方差分析。attach(ToothGrowth) head(ToothGrowth)len
16、 supp dose1 4.2 VC 0.52 11.5 VC 0.53 7.3 VC 0.54 5.8 VC 0.55 6.4 VC 0.56 10.0 VC 0.5table(supp, dose) #各组样本数相同,即为均衡设计dosesupp 0.5 1 2OJ 10 10 10VC 10 10 10 aggregate(len, by=list(supp, dose), mean)Group.1 Group.2 x#计算各组均值1OJ0.5 13.232VC0.5 7.9831.0 22.701.0 16.7752.0 26.0662.0 26.14#计算各组标准差0.5 4.459
17、7090.5 2.7466341.0 3.9109531.0 2.5153092.0 2.6550582.0 4.797731aggregate(len, by=list(supp, dose), sd)bartlett.test(lensupp,data=ToothGrowth) 检验#关于因素 supp 的方差齐性Bartlett test of homogeneity of variancesdata: len by suppBartletts K-squared = 1.4217, df = 1, p-value = 0.2331 bartlett.test(lendose,data=
18、ToothGrowth) #关于因素 dose 的方差齐性检验 len by doses K-squared = 0.66547, df = 2, p-value = 0.717 fit-aov(lensupp*dose,data=ToothGrowth) #做两因素方差分析,考虑全部效应supp 1 205.4 205.4 12.317 0.000894 *dose 1 2224.3 2224.3 133.415 2e-16 *Signif.codes:可以看出,主效应 supp和 dose都非常显著( p 值都远小于 0.05 ),交互效应也显著(p 值=0.02460.05 )。若交互作
19、用不显著,可以可以只做去掉交互效应的方差分析。图形化展示两因素方差分析的交互效应:par(mfrow=c(1,2)interaction.plot(dose, supp, len, type=b, col = c(red, blue), pch = c(16, 18), main=Interaction between Dose and Suppinteraction.plot(supp, dose, len, type=, col=c(Interaction between Supp and Dose有一个图的线有交叉,说明有交互作用。可以看出随着橙 汁和维生素 C中的抗坏血酸剂量的增加,牙
20、齿长度变长;。对于 0.5 mg 和 1 mg剂量,橙汁比维生素 C更能促进牙齿生长;对于 2 mg剂量的抗坏血酸,两种喂食方法下牙齿长度增长相同也可以用 HH包中的 interaction2wt() 函数(也适合三因素方差分析)来展示更全面的可视化结果:library(HH)interaction2wt(lensupp*dose)三、重复测量方差分析重复测量方差分析,即受试者被测量不止一次例 3(1 个组内 1 个组间因子的重复测量) 在某浓度 CO2 的环境中,对寒带植物(来自魁北克)和非寒带植物的(来自密西西比)光合作用率进行比较。因变量 uptake 为 CO2 吸收量,自变量 Typ
21、e(组间因子)为植物类型,自变量 conc(组内因子)为七种水平的 CO2 浓度。attach(CO2)head(CO2) #注意 CO2是长格式的数据Plant Type Treatment conc uptake1Qn1 Quebec nonchilled 95 16.02Qn1 Quebec nonchilled 175 30.43Qn1 Quebec nonchilled 250 34.84Qn1 Quebec nonchilled 350 37.25Qn1 Quebec nonchilled 500 35.36Qn1 Quebec nonchilled 675 39.2 w1b1-subset(CO2, Treatment=chilled) #先只考虑寒带植物-aov(uptake(conc*Type)+Error(Plant/conc), data=w1b1) summary(fit)Error: PlantType 1 2667.2 2667.2 60.41 0.00148 *Residuals 4 176.6 44.1 Plant:concconc 1 888.6 888.6 215.46 0.000125 *conc:Type 1Residuals 4239.216.54.158.01 0.001595 *0.001 * 0.01* 0.
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1