R “的区别是什么?”+&引用;对*&引用;在方差分析模型中?
对不起,如果这个问题太愚蠢,我还没有找到答案 在R中进行方差分析时,这两个模型的统计差异是什么:R “的区别是什么?”+&引用;对*&引用;在方差分析模型中?,r,statistics,anova,R,Statistics,Anova,对不起,如果这个问题太愚蠢,我还没有找到答案 在R中进行方差分析时,这两个模型的统计差异是什么: aov(ATF6.M~G+AMB+GGXAMB,数据) 自动视距(ATF6.M~G*AMB,数据) 我从结果中注意到,当使用“*”时,它会计算每个自变量以及交互作用(例如:GG:AMB)的方差分析。但是如果你看一下我的表格,GGXAMB变量正是这种交互作用,但是如果a将结果与方差分析摘要中GG:AMB的值与1的值进行比较。公式,它们很接近,但不一样。我的模型是正确的?使用您的数据: G
GG AMB GGXAMB ATF6.M
1 COBB CONFORTO CC 1.7391386
2 COBB CONFORTO CC 0.8269537
3 COBB CONFORTO CC 0.3464495
4 COBB CONFORTO CC 1.3126458
5 COBB CONFORTO CC 1.3938351
6 COBB CONFORTO CC 1.0969472
7 COBB STRESS CS 3.1431619
8 COBB STRESS CS 0.9023480
9 COBB STRESS CS 2.5106332
10 COBB STRESS CS 1.2833235
11 COBB STRESS CS 0.4485298
12 COBB STRESS CS 0.3553028
13 PELOCO CONFORTO PC 0.3481456
14 PELOCO CONFORTO PC 2.5095779
15 PELOCO CONFORTO PC 0.8871572
16 PELOCO CONFORTO PC 2.3148108
17 PELOCO CONFORTO PC 73.2463832
18 PELOCO CONFORTO PC 16.0056771
19 PELOCO STRESS PS 15.4836898
20 PELOCO STRESS PS 1.2041695
21 PELOCO STRESS PS 1.8424005
22 PELOCO STRESS PS 0.9193776
23 PELOCO STRESS PS 0.9451780
24 PELOCO STRESS PS 0.9715508
我们进行方差分析:
data = structure(list(GG = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L
), .Label = c("COBB", "PELOCO"), class = "factor"), AMB = structure(c(1L,
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L,
1L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("CONFORTO", "STRESS"), class = "factor"),
GGXAMB = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L,
2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L
), .Label = c("CC", "CS", "PC", "PS"), class = "factor"),
ATF6.M = c(1.7391386, 0.8269537, 0.3464495, 1.3126458, 1.3938351,
1.0969472, 3.1431619, 0.902348, 2.5106332, 1.2833235, 0.4485298,
0.3553028, 0.3481456, 2.5095779, 0.8871572, 2.3148108, 73.2463832,
16.0056771, 15.4836898, 1.2041695, 1.8424005, 0.9193776,
0.945178, 0.9715508)), class = "data.frame", row.names = c("1",
"2", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13",
"14", "15", "16", "17", "18", "19", "20", "21", "22", "23", "24"
))
可以解释的差异基本上是相同的:
f1 = aov(ATF6.M ~ GG + AMB + GGXAMB, data=data)
f2 = aov(ATF6.M ~ GG * AMB, data=data)
系数不同:
summary(f1)
Df Sum Sq Mean Sq F value Pr(>F)
GG 1 428 427.7 1.990 0.174
AMB 1 216 216.1 1.005 0.328
GGXAMB 1 240 239.9 1.116 0.303
Residuals 20 4299 214.9
summary(f2)
Df Sum Sq Mean Sq F value Pr(>F)
GG 1 428 427.7 1.990 0.174
AMB 1 216 216.1 1.005 0.328
GG:AMB 1 240 239.9 1.116 0.303
Residuals 20 4299 214.9
这是因为在第一次回归中,GGXAMB
的组合可以返回GG
的系数,例如CC+CS在GG
中为您提供COBB
,使您的系数中的3个冗余。这将导致在估计系数时出现问题。这种情况下的效果是AMBSTRESS
得到一个小值,其余为NA
你可以在和中读到一些关于它的内容,这个术语是全排名矩阵
要回答您的问题,您应该使用
aov(ATF6.M~GG*AMB,data)
或aov(ATF6.M~GG+AMB+GG:AMB,data)
,它来自于在全排序矩阵上拟合线性模型,并且所有系数都是可以估计的(如您从上面所看到的)。*做所有事情都包括交互。你能给我看看你模特的小结吗?你们太棒了。再次感谢你帮了一个家伙。
f1$coefficients
(Intercept) GGPELOCO AMBSTRESS GGXAMBCS GGXAMBPC GGXAMBPS
1.119328 14.765964 -12.324231 12.645452 NA NA
f2$coefficients
(Intercept) GGPELOCO AMBSTRESS GGPELOCO:AMBSTRESS
1.1193283 14.7659637 0.3212216 -12.6454525