为什么R在一组1上为方差分析返回一个较低的p值?
我尝试使用重复的方差分析将一个大型数据集分类为不同的类别。对于数据集中的每个元素,我有12个数据点,分别代表四个条件中的三个副本,它们是两个变量1的两个组合。与控件相比,数据是一些相对表达式,这意味着对于控件本身,所有12个值都是1:为什么R在一组1上为方差分析返回一个较低的p值?,r,anova,p-value,R,Anova,P Value,我尝试使用重复的方差分析将一个大型数据集分类为不同的类别。对于数据集中的每个元素,我有12个数据点,分别代表四个条件中的三个副本,它们是两个变量1的两个组合。与控件相比,数据是一些相对表达式,这意味着对于控件本身,所有12个值都是1: >at v1 v2 values 1. a X 1 2. b X 1 3. a X 1 4. b X 1 5. a X 1 6. b X 1 7. a Y 1 8. b Y 1 9.
>at
v1 v2 values
1. a X 1
2. b X 1
3. a X 1
4. b X 1
5. a X 1
6. b X 1
7. a Y 1
8. b Y 1
9. a Y 1
10. b Y 1
11. a Y 1
12. b Y 1
我是这样分析的(Tukey包装器提供了关于它是向上还是向下的信息,以及它是否不同,这就是我使用它的原因):
aov
基于F检验生成一个p值,这对于“完美匹配”来说是不可靠的(没有预期的分布),例如当所有结果都相同时。对数据集进行方差分析似乎不是个好主意。。。也许可以提供一些样本数据和排序标准?谢谢Cole!知道这一点真的很好。我正在尝试将每个元素分为9个分类箱中的一个,这取决于它在a中是更高的,在a和b中是相等的,还是在b中更高,同时在X中是更高的,在X和Y中是相等的,还是在Y中更高。示例数据:我将提交三个示例元素starters@cole,我现在添加了示例数据-我想知道是否应该使用nls来对数据进行排序。
stats <- TukeyHSD(aov(values~v1+v2, data=at))
> stats
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = values ~ v1 + v2, data = at)
$v1
diff lwr upr p adj
a-b 4.440892e-16 -1.359166e-16 1.024095e-15 0.1173068
$v2
diff lwr upr p adj
X-Y -4.440892e-16 -1.024095e-15 1.359166e-16 0.1173068
aX1 bX1 aX2 bX2 aX3 bX3 aY1 bY1 aY2 bY2 aY3 bY3
element1 0.112 0 0.172 0.072 0.058 0.055 0 0 0.046 0 0.042 0
element2 0.859 0.294 0.565 0 0.669 0 0.11 0 1.707 0 1.324 0
element3 1.255 0.721 3.645 1.636 5.36 6.701 0 0.097 0.533 0.209 0.358 2.219