¿Cómo evaluar las diferencias en sus datos con r

Para comprobar el modelo de datos que ha creado con ANOVA (análisis de varianza), puede utilizar R Resumen ()

función en el objeto de modelo así:

> Resumen valor (AOVModel) Df Sum Sq Mean Square F Pr (> F) spray5 2669 533,8 34,7 lt; 2e-16 *** residuos 66 1015 15.4 --- Signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 ''. 0.1 '' 1

R que imprime la tabla de análisis de varianza que, en esencia, le indica si los diferentes términos pueden explicar una parte significativa de la varianza en los datos. Esta tabla le indica solamente algo sobre el término, pero nada acerca de las diferencias entre los diferentes aerosoles. Para eso, hay que cavar un poco más profundo.

Cómo comprobar tablas modelo de datos

Con el model.tables () función, puede echar un vistazo a los resultados de los niveles individuales de los factores. La función le permite crear de dos mesas- diferente o bien se mira el resultado medio estimado para cada grupo, o nos fijamos en la diferencia con la media global.

Para saber cuánto efecto tiene cada pulverización, se utiliza el siguiente código:

> Model.tables (AOVModel, type = "efectos") Mesas de effectsspraysprayA BCDE F5.000 5.833 -7.417 -4.583 -6.000 7.167

Aquí vemos que, por ejemplo, rociar E dio como resultado, en promedio, en seis errores menos que la media de todos los campos. Por otra parte, en los campos donde se utilizó pulverización A, los agricultores encontraron, en promedio, cinco errores más en comparación con la media global.

Para obtener los medios modelados por grupo y la media general, sólo tiene que utilizar el valor del argumento type = "medios" en lugar de type = "efectos".

Cómo mirar a las diferencias individuales en los datos

Un agricultor probablemente no considerar la compra de un aerosol, pero ¿qué pasa con aerosol D? Aunque los aerosoles E y C parecen estar mejor, también pueden ser mucho más caros. Para probar si las diferencias por pares entre los aerosoles son significativos, se utiliza la prueba honesta de Tukey diferencia significativa (HSD). los TukeyHSD () función le permite hacer eso muy fácilmente, así:

> Las comparaciones lt; - TukeyHSD (Modelo)

los Las comparaciones objeto ahora contiene una lista en la que cada elemento es el nombre de uno de los factores en el modelo. En el ejemplo, usted tiene sólo un elemento, llamado rociar. Este elemento contiene, para cada combinación de los aerosoles, los siguientes:

• La diferencia entre las medias.

• El nivel inferior y superior del intervalo de confianza del 95 por ciento en torno a esa diferencia de medias.

• El p-valor que indica si esta diferencia es significativamente diferente de cero. Este valor p se ajusta utilizando el método de Tukey (de ahí el nombre de la columna p adj).

Usted puede extraer toda esa información utilizando los métodos clásicos de extracción. Por ejemplo, se obtiene la información acerca de la diferencia entre D y C de esta manera:

> Las comparaciones $ aerosol ['D-C',] difflwrupr p adj2.8333333 -1,8660752 7,5327418 0,4920707

Esa diferencia no se ve impresionante, si le preguntas a Tukey.

Cómo graficar las diferencias

los TukeyHSD objeto tiene otra característica interesante: puede ser trazada. No te molestes en busca de una página de ayuda de la función de trama - todo lo que encontramos es una frase: " Hay un método parcela ". Pero definitivamente funciona! Pruébalo así:

> Argumentales (comparaciones, las = 1)

Usted ve la salida de esta línea simple. Cada línea representa la diferencia media entre ambos grupos con el intervalo de confianza de acuerdo. Cada vez que el intervalo de confianza no incluye cero (la línea vertical), la diferencia entre ambos grupos es significativa.

Puede utilizar algunos de los parámetros gráficos para hacer la trama más legible. Específicamente, la las parámetro es útil aquí. Estableciéndola en 1, te aseguras de todas las etiquetas de los ejes se imprimen horizontalmente para que pueda leer en realidad ellos.