r语言 做完aov之后为什么要summary一下

Python08

r语言 做完aov之后为什么要summary一下,第1张

summary是一个查看函数，你可以理解为他是对对象的一个详细的概括。一般情况下，summary接受一个模型（比如你aov的结果或者lm/glm的结果），然后返回这个模型中包含有哪些内容，当然，它也是可以接受变量或函数的，也会返回其所含信息。不是为什么要summary一下，而是你不summary怎么知道各种参数的值，以及t和p以及其他更多的信息呢？

虽然ANOVA和回归方法都是独立发展而来，但是从函数形式上看，它们都是广义线性模型

的特例。

aov(formula, data = dataframe)

表中y是因变量，字母A、B、C代表因子。

表中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。

表达式中效应的顺序在两种情况下会造成影响：

(a)因子不止一个，并且是非平衡设计；

(b)存在协变量。出现任意一种情况时，等式右边的变量都与其他每个变量相关。此时，我们无法清晰地划分它们对因变量的影响。

R默认类型I（序贯型）方法计算ANOVA效应（参考补充内容“顺序很重要！”）。可以这样写：y ~ A + B + A:B。

R中的ANOVA表的结果将评价：

 A对y的影响；

控制A时，B对y的影响；

控制A和B的主效应时，A与B的交互效应。

样本大小越不平衡，效应项的顺序对结果的影响越大。一般来说，越基础性的效应越需要放在表达式前面。具体来讲，首先是协变量，然后是主效应，接着是双因素的交互项，再接着是三因素的交互项，以此类推。对于主效应，越基础性的变量越应放在表达式前面，因此性别要放在处理方式之前。有一个基本的准则：若研究设计不是正交的（也就是说，因子和/或协变量相关），一定要谨慎设置效应的顺序。

参考资料：

R语言与统计-1：t检验与秩和检验

方差分析适用于多组均数的比较 （在完全随机设计的实验中，两组均数的t检验和方差分析是完全等价的。但t检验只能用于两组的均数比较，对于三组和三组以上的均数比较，就需要用到方差分析。）

可以看到这个数据集只有两个变量，其中治疗是分类变量（因子型），有5个水平。response是数值型变量。要对每种治疗所对应的response的均值进行比较，就只能用方差分析而不能用t检验。

符合正态分布

要比较均值的数据写～左边，分组变量写右边。p=0.9653，方差齐。

写法同上，方差齐。

需要注意的是，如果检验出方差不齐，我们第一步不是立马选择进行非参数检验，而是首先要判断有无异常值存在，因为异常值对方差的影响很大。当然，到这一步才来检验有无异常值是不符合数据分析的流程的，异常值在进行数据初步处理的时候就因该被发现和处理掉。

方差分析包括 单因素方差分析 ， 多因素方差分析 ， 协方差分析 ， 多元方差分析 ， 重复测量数据方差分析 。

gplots包的plotmeans函数 对上述结果进行可视化

使用ToothGrowth数据集进行演示

aov函数

不考虑supp和dose之间的交互作用的情况。结果显示两个因素都对小鼠牙齿生长影响显著。

考虑两个因素之间的交互作用：将上面的+换成*。结果显示两个因素都对小鼠牙齿生长影响显著而且两者间的互相影响也不容忽视。

可视化

上述结果已经知道了再五组数据中的均值不全相等，下一步想知道哪些相等哪些不等，就要对这五组进行两两比较。

输出的结果：从左往右依次是：两两比较、两两间的差值、lwr是95%可信线的下限，upr是上限。最后是p值。

将结果可视化：

线段中点是均值，两端是95%置信区间，跨过0说明没有显著差异。

在进行方差分析时，所有混杂因素统称为 协变量 。

检验dose对weight的影响。出生时间gesttime是协变量。

aov后面小括号里写的顺序：结果变量～协变量+自变量。如果要看协变量和自变量之间是否存在交互，在后面写+协变量：自变量。最后是data=数据集。

结果显示两个变量之间不存在交互效应(p=0.17889, >0.05)，可以认为它们的斜率是相同的。

因变量不止一个，但是需要将它们作为一个整体同时进行分析。例如：某种药物对患者血红蛋白浓度，红细胞计数，外周血细胞因子水平等多种因素的影响。

使用 manovs()函数 进行性多元方差分析

参考： https://blog.csdn.net/dingming001/article/details/72822270