Tôi có thể nhận trợ giúp để hoàn thành nỗ lực dự kiến (đang thực hiện) này để có được vòng bi của mình trên các tương đương của ANOVA và ĐĂNG KÝ không? Tôi đã cố gắng dung hòa các khái niệm, danh pháp và cú pháp của hai phương pháp này. Có rất nhiều bài đăng trên trang web này về tính phổ biến của chúng, ví dụ như cái này hay cái này , nhưng vẫn tốt để có một bản đồ "bạn đang ở đây" nhanh chóng khi bắt đầu.
Tôi có kế hoạch cập nhật bài viết này, và hy vọng sẽ được giúp đỡ sửa chữa sai lầm.
ANOVA một chiều:
Structure: DV is continuous; IV is ONE FACTOR with different LEVELS.
Scenario: miles-per-gal. vs cylinders
Note that Income vs Gender (M, F) is a t-test.
Syntax: fit <- aov(mpg ~ as.factor(cyl), data = mtcars); summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
ANOVA hai chiều:
Structure: DV is continuous; IV is > 1 FACTORS with different LEVELS.
Scenario: mpg ~ cylinders & carburators
Syntax: fit <- aov(mpg ~ as.factor(cyl) + as.factor(carb), mtcars);
summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) + as.factor(carb), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
Nhân tố hai chiều ANOVA:
Structure: All possible COMBINATIONS of LEVELS are considered.
Scenario: mpg ~ cylinders + carburetors + (4cyl/1,...8cyl/4)
Syntax: fit <- aov(mpg ~ as.factor(cyl) * as.factor(carb), mtcars);
summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) * as.factor(carb), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
ANCOVA:
Structure: DV continuous ~ Factor and continuous COVARIATE.
Scenario: mpg ~ cylinders + weight
Syntax: fit <- aov(mpg ~ as.factor(cyl) + wt, mtcars); summary(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) + wt, mtcars)
# with F dummy coded;
summary(fit); anova(fit)
MANOVA:
Structure: > 1 DVs continuous ~ 1 FACTOR ("One-way") or 2 FACTORS ("Two-way MANOVA").
Scenario: mpg and wt ~ cylinders
Syntax: fit <- manova(cbind(mpg,wt) ~ as.factor(cyl), mtcars); summary(fit)
Regression: N/A
MANCOVA:
Structure: > 1 DVs continuous ~ 1 FACTOR + 1 continuous (covariate) DV.
Scenario: mpg and wt ~ cyl + displacement (cubic inches)
Syntax: fit <- manova(cbind(mpg,wt) ~ as.factor(cyl) + disp, mtcars); summary(fit)
Regression: N/A
ININ FACTOR (hoặc CHỦ ĐỀ) ANOVA: ( mã ở đây )
Structure: DV continuous ~ FACTOR with each level * with subject (repeated observations).
Extension paired t-test. Each subject measured at each level multiple times.
Scenario: Memory rate ~ Emotional value of words for Subjects @ Times
Syntax: fit <- aov(Recall_Rate ~ Emtl_Value * Time + Error(Subject/Time), data);
summary(fit); print(model.tables(fit, "means"), digits=3);
boxplot(Recall_Rate ~ Emtl_Value, data=data)
with(data, interaction.plot(Time, Emtl_Value, Recall_Rate))
with(data, interaction.plot(Subject, Emtl_Value, Recall_Rate))
NOTE: Data should be in the LONG FORMAT (same subject in multiple rows)
Regression: Mixed Effects
require(lme4); require(lmerTest)
fit <- lmer(Recall_Rate ~ Emtl_Value * Time + (1|Subject/Time), data);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
require(nlme)
fit <- lme(Recall_Rate ~ Emtl_Value * Time, random = ~1|Subject/Time, data)
summary(fit); anova(fit); coefficients(fit); confint(fit)
SPLIT-PLOT: ( mã ở đây )
Structure: DV continuous ~ FACTOR/-S with RANDOM EFFECTS and pseudoreplication.
Scenario: Harvest yield ~ Factors = Irrigation / Density of seeds / Fertilizer
& RANDOM EFFECTS (Blocks and plots of land):
Syntax: fit <- aov(yield ~ irrigation * density * fertilizer +
Error(block/irrigation/density), data); summary(fit)
Regression: Mixed Effects
require(lme4); require(lmerTest);
fit <- lmer(yield ~ irrigation * fertilizer +
(1|block/irrigation/density), data = splityield);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
library(nlme)
fit <- lme(yield ~ irrigation * variety, random=~1|field, irrigation)
summary(fit); anova(fit)
THIẾT KẾ NESTED: ( mã ở đây )
Structure: DV continuous ~ FACTOR/-S with pseudoreplication.
Scenario: [Glycogen] ~ Factors = Treatment & RANDOM EFFECTS with Russian-doll effect:
Six rats (6 Livers)-> 3 Microscopic Slides/Liver-> 2 Readings/Slide).
Syntax: fit <- aov(Glycogen ~ Treatment + Error(Rat/Liver), data); summary(fit)
Regression: Mixed Effects
require(lme4); require(lmerTest)
fit <- lmer(Glycogen ~ Treatment + (1|Rat/Liver), rats);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
require(nlme)
fit<-lme(Glycogen ~ Treatment, random=~1|Rat/Liver, rats)
summary(fit); anova(fit); VarCorr(fit)
TRANG WEB HỮU ÍCH:
Cảm ơn bạn! Lỗi bất cẩn. Nhờ ghi chú của bạn, tôi cũng phát hiện ra hình trụ được xử lý liên tục, vì vậy tôi đã đổi nó thành as.factor. Và, tôi đã bao gồm TukeyHSD.
—
Antoni Parellada
Tôi nghĩ bạn nên bỏ 'Sống sót' khỏi tiêu đề vì đó là một lĩnh vực thống kê rất cụ thể hoàn toàn không liên quan đến những gì bạn đang (rất độc đáo) tóm tắt.
—
Bryan Hanson
Tóm tắt Antoni! Có lẽ bạn cũng có thể thêm các glmmFAQ của Ben Bolker và có lẽ một số ví dụ nhị thức và Poisson đơn giản (GLM và GLMM). Nhưng tôi hiểu rằng điều này có thể làm phức tạp mọi thứ quá nhiều và lấy đi từ bản tóm tắt hay và súc tích này. Ngoài ra, bạn có thể liên kết đến các ví dụ trên trang web này. Đối với một ví dụ nhị phân Poisson / âm hoàn toàn đơn giản, điều này có thể hoạt động: stats.stackexchange.com/questions/325334/,
—
Stefan
cyl + hp. Horespower là liên tục, vì vậy không làm việc ở đây.carb, số lượng bộ chế hòa khí sẽ là một lựa chọn tốt hơn.