R 方差分析：自由度几乎都等于1

我有一个这样开始的数据集：

> d.weight
    R   N   P  C D.weight
1   1   0   0 GO     45.3
2   2   0   0 GO     34.0
3   3   0   0 GO     19.1
4   4   0   0 GO     26.6
5   5   0   0 GO     23.5
6   1  45   0 GO     22.1
7   2  45   0 GO     15.5
8   3  45   0 GO     23.4
9   4  45   0 GO     15.8
10  5  45   0 GO     42.9
...

等等

• R

  是复制的，其中有5个（1-5个）

• N

  是氮水平，也有5个（0,45,90,180,360）

• P

  是磷水平，也有5个（0,35,70,140,280）

• C

  是植物组合，有4种（GO、GB、LO、LB）

• D.重量

  是干重，单位为克

然而，当我做方差分析时，我得到了错误的自由度。我通常在这一整套数据的子集上运行ANOVAs，但让我们做一个分析，否则我不会做，这样你就可以看到几乎所有的Df（自由度）都是错误的

> example.aov=aov(D.weight ~ R+N+P+C, data=d.weight)
> summary(example.aov)
         Df Sum Sq Mean Sq F value  Pr(>F)    
R             1   1158    1158   9.484 0.00226 ** 
N             1    202     202   1.657 0.19900    
P             1  11040   11040  90.408 < 2e-16 ***
C             3  41032   13677 112.010 < 2e-16 ***
Residuals   313  38220     122

我用

C

因子试了试，只是想看看它是否弄糟了什么：

> example.aov3=aov(D.weight ~ C, data=d.weight)
> summary(example.aov3)
             Df Sum Sq Mean Sq F value Pr(>F)    
C             3  41032   13677   85.38 <2e-16 ***
Residuals   316  50620     160                   
> 
> example.aov4=aov(D.weight ~ interaction(C), data=d.weight)
> summary(example.aov4)
                Df Sum Sq Mean Sq F value Pr(>F)    
interaction(C)   3  41032   13677   85.38 <2e-16 ***
Residuals      316  50620     160

>example.aov3=aov（D.weight~C，data=D.weight）
>摘要（示例.aov3）
Df和Sq平均Sq F值Pr（>F）
C 3 41032 13677 85.38
>示例.aov4=aov（D.weight~interaction（C），data=D.weight）
>摘要（示例.aov4）
Df和Sq平均Sq F值Pr（>F）
交互作用（C）3 41032 13677 85.38R通过检查变量是否为
数值变量或
因子变量，确定是否应将变量视为分类变量（方差分析类型分析）或连续变量（回归类型分析）。最简单的是，您可以通过以下方式将预测（独立）变量转换为因子：

facs <- c("R","N","P")
d.weight[facs] <- lapply(d.weight[facs],factor) 

facs将数值变量转换为因子。。。e、 g.
facs哇。我疯狂了一个小时试图自己解决这个问题，而你在不到一分钟内就解决了。谢谢。好的，这已经解决了一个问题，但现在它导致了另一个问题。当我试着在x轴上画一个N或P的直线图时，因为N和P不再是连续变量，我得到的是一个条形图。。。毫不奇怪。我确实需要程序在某些情况下把N和P看作是连续的，所以。。。我该怎么办？这要看情况而定；您可以将原始数据保留为数字，并在统计模型语句中使用显式的
factor（）
语句（例如
D.weight~ factor（R）+factor（N）+factor（P）
），或者将新的因子变量作为辅助变量（例如
fR
，
fN
，
fP
）而不是覆盖旧的变量。。。如果你给出一个完全可复制的例子，说明你的目标是什么样的，你可能会得到更明确的帮助。@CarlWitthoft:我是一名农业专业的学生，只学过一个学期的统计数据。我的导师70岁，几乎失明，所以。。。我能说什么，我做我能做的。后续问题：你写“d_-weight[facs]”时是想创建一个新变量，还是想写“d.weight[facs]”？
facs <- c("R","N","P")
d.weight[facs] <- lapply(d.weight[facs],factor) 

for (varname in facs) {
   d.weight[[paste0("f",varname)]] <- factor(d.weight[[varname]])
}