加R项的双向方差分析不'；t出现在汇总表中

我处理的数据集涉及9种不同的基因型，分为3类。每个基因型大约有20个大小测量值被记录下来

我尝试进行双向方差分析（在单向方差分析确定基因型之间的大小存在显著差异后），以便分析3个类别以及不同基因型之间的差异

我使用了函数

aov（size~genetic*class，data=x）

我获得的汇总表中只有一行是关于

基因型的

，我没有看到

类

或

基因型：类

，正如我预期的那样。 我得到的表与我刚运行aov（size~generic，data=x）时得到的表相同。

我做错了什么？

---

即使

类

/

类：基因型

不会改变结果的显著性，它们仍应显示在方差分析汇总表中？

简言之，你无法拟合你试图拟合的模型。。。至少如果我正确理解你的数据。我的理解是，你有类似的东西：

dat dat dat dat 大小基因型类 1 1.44189249 1 1 2 1.05766532 1 1 3 0.08133568 1 1 4 0.36642288 2 1 5 0.93266571 2 1 6 -0.64031787 2 1 7 0.33361892 3 1 8 0.53315507 3 1 9 0.26851394 3 1 10 0.05062280 4 2 11 -0.30924511 4 2 12 -0.61460429 4 2 13 -0.18901238 5 2 14 0.58881858 5 2 15 0.58625502 5 2 16 0.52002793 6 2 17 1.23862937 6 2 18 -2.02333160 6 2 19 -0.09918607 7 3 20 0.65947932 7 3 21 -0.65440238 7 3 22 0.10923036 8 3 23 0.76845484 8 3 24 -0.24804574 8 3 25 -0.30890950 9 3 26 -2.82056870 9 3 27 0.56828147 9 3 （我关注的主要问题是基因型和类别之间的关系——而不是大小的实际值或每个基因型*类别组合的样本大小）

如果每个基因型都完全包含在一个类中，那么就不能将基因型效应与类效应分开。希望这对你来说是有意义的——如果不是的话，让我用一个小例子来说明。首先，由于每个基因型完全在一个类中，我们不能适应一个相互作用，这根本没有意义。如果基因型可以是至少两个类别的一部分，那么这种相互作用将是有用的，因为这将允许我们根据观察中的类别为基因型赋予不同的影响。但由于每种基因型都只属于一类。。。用交互来拟合模型是不可能的

---

现在我们来看看为什么我们不能拟合一个类效应，只要考虑包含基因型1-3的第1类。需要认识到的是，对于线性模型（ANOVA只是线性模型的一个特例），我们建模的是不同组中的条件平均值——如果可能，我们尝试将其划分为某些效果。因此，任何给我们相同的群平均值的模型本质上是等价的。假设第1类的效应为c，基因型1-3的效应分别为x、y和z。然后，基因型1/class1组的值=c+x，基因型2/class1组的值=c+y，基因型3/class1组的值=c+z。但请注意，我们可以很容易地说，1类效应为0，然后说基因型1-3的效应分别为c+x、c+y、c+z。所以在这种情况下，类是完全无用的。由于基因型完全嵌套在类内，因此无法分离类效应。因此，如果我们想拟合一个完全固定效应模型，我们只能拟合一个对基因型有单独效应的模型。

是的，他们通常应该；在

？aov

中运行该示例。这意味着，如果没有您生成一个示例数据集，我们将无法帮助您。很抱歉，我不理解您生成一个示例数据集是什么意思？我将能够运行并重现您的错误。要么给我你的原始数据，要么创建一些产生相同问题的虚假数据。当我对我的数据运行

aov（）

时，你看，我没有你的问题。我注意到每个基因型都与不同数量的测量相关（例如一些有13个，一些有26个）…这会导致问题吗？我应该用平均数来代替吗？不，你应该给我们提供示例数据。这非常有帮助！非常感谢。有没有一个模型，你可以建议，同时考虑到基因组和类？或者结果总是与我得到的结果相同吗？或者，更准确地说，有没有一种方法可以让我测试这些类别是如何不同的，以及每个类别的基因型是如何不同的？可能是某种随机效应模型，但这更多的是一个统计问题，而不是一个编程问题。你最好在晚上问这样的问题

> dat <- data.frame(size = rnorm(27), genotype = gl(9,3), class = gl(3, 9))
> dat
          size genotype class
1   1.44189249        1     1
2   1.05766532        1     1
3   0.08133568        1     1
4   0.36642288        2     1
5   0.93266571        2     1
6  -0.64031787        2     1
7   0.33361892        3     1
8   0.53315507        3     1
9   0.26851394        3     1
10  0.05062280        4     2
11 -0.30924511        4     2
12 -0.61460429        4     2
13 -0.18901238        5     2
14  0.58881858        5     2
15  0.58625502        5     2
16  0.52002793        6     2
17  1.23862937        6     2
18 -2.02333160        6     2
19 -0.09918607        7     3
20  0.65947932        7     3
21 -0.65440238        7     3
22  0.10923036        8     3
23  0.76845484        8     3
24 -0.24804574        8     3
25 -0.30890950        9     3
26 -2.82056870        9     3
27  0.56828147        9     3