R 从aov中提取p值

我希望从R中的方差分析中提取p值

以下是我正在运行的内容：

test <- aov(asq[,9] ~ asq[,187])
summary(test)

当我观察结构时，这就是我所看到的。我通常可以通过列表来获得我需要的东西，但是我很难找到这个。谷歌搜索的结果似乎也显示了比我得到的要简单得多的结构

注意：ASQ是我的数据帧

str(test)

List of 13
 $ coefficients : Named num [1:2] 0.2862 0.0973
  ..- attr(*, "names")= chr [1:2] "(Intercept)" "asq[, 187]"
 $ residuals    : Named num [1:1337] 0.519 0.519 -0.481 -0.481 -0.481 ...
  ..- attr(*, "names")= chr [1:1337] "1" "2" "3" "4" ...
 $ effects      : Named num [1:1337] -16.19 -1.738 -0.505 -0.505 -0.505 ...
  ..- attr(*, "names")= chr [1:1337] "(Intercept)" "asq[, 187]" "" "" ...
 $ rank         : int 2
 $ fitted.values: Named num [1:1337] 0.481 0.481 0.481 0.481 0.481 ...
  ..- attr(*, "names")= chr [1:1337] "1" "2" "3" "4" ...
 $ assign       : int [1:2] 0 1
 $ qr           :List of 5
  ..$ qr   : num [1:1337, 1:2] -36.565 0.0273 0.0273 0.0273 0.0273 ...
  .. ..- attr(*, "dimnames")=List of 2
  .. .. ..$ : chr [1:1337] "1" "2" "3" "4" ...
  .. .. ..$ : chr [1:2] "(Intercept)" "asq[, 187]"
  .. ..- attr(*, "assign")= int [1:2] 0 1
  ..$ qraux: num [1:2] 1.03 1.02
  ..$ pivot: int [1:2] 1 2
  ..$ tol  : num 1e-07
  ..$ rank : int 2
  ..- attr(*, "class")= chr "qr"
 $ df.residual  : int 1335
 $ na.action    :Class 'omit'  Named int [1:12] 26 257 352 458 508 624 820 874 1046 1082 ...
  .. ..- attr(*, "names")= chr [1:12] "26" "257" "352" "458" ...
 $ xlevels      : list()
 $ call         : language aov(formula = asq[, 9] ~ asq[, 187])
 $ terms        :Classes 'terms', 'formula' length 3 asq[, 9] ~ asq[, 187]
  .. ..- attr(*, "variables")= language list(asq[, 9], asq[, 187])
  .. ..- attr(*, "factors")= int [1:2, 1] 0 1
  .. .. ..- attr(*, "dimnames")=List of 2
  .. .. .. ..$ : chr [1:2] "asq[, 9]" "asq[, 187]"
  .. .. .. ..$ : chr "asq[, 187]"
  .. ..- attr(*, "term.labels")= chr "asq[, 187]"
  .. ..- attr(*, "order")= int 1
  .. ..- attr(*, "intercept")= int 1
  .. ..- attr(*, "response")= int 1
  .. ..- attr(*, ".Environment")=<environment: R_GlobalEnv> 
  .. ..- attr(*, "predvars")= language list(asq[, 9], asq[, 187])
  .. ..- attr(*, "dataClasses")= Named chr [1:2] "numeric" "numeric"
  .. .. ..- attr(*, "names")= chr [1:2] "asq[, 9]" "asq[, 187]"
 $ model        :'data.frame':  1337 obs. of  2 variables:
  ..$ asq[, 9]  : int [1:1337] 1 1 0 0 0 1 1 1 0 0 ...
  ..$ asq[, 187]: int [1:1337] 2 2 2 2 2 2 2 2 2 2 ...
  ..- attr(*, "terms")=Classes 'terms', 'formula' length 3 asq[, 9] ~ asq[, 187]
  .. .. ..- attr(*, "variables")= language list(asq[, 9], asq[, 187])
  .. .. ..- attr(*, "factors")= int [1:2, 1] 0 1
  .. .. .. ..- attr(*, "dimnames")=List of 2
  .. .. .. .. ..$ : chr [1:2] "asq[, 9]" "asq[, 187]"
  .. .. .. .. ..$ : chr "asq[, 187]"
  .. .. ..- attr(*, "term.labels")= chr "asq[, 187]"
  .. .. ..- attr(*, "order")= int 1
  .. .. ..- attr(*, "intercept")= int 1
  .. .. ..- attr(*, "response")= int 1
  .. .. ..- attr(*, ".Environment")=<environment: R_GlobalEnv> 
  .. .. ..- attr(*, "predvars")= language list(asq[, 9], asq[, 187])
  .. .. ..- attr(*, "dataClasses")= Named chr [1:2] "numeric" "numeric"
  .. .. .. ..- attr(*, "names")= chr [1:2] "asq[, 9]" "asq[, 187]"
  ..- attr(*, "na.action")=Class 'omit'  Named int [1:12] 26 257 352 458 508 624 820 874 1046 1082 ...
  .. .. ..- attr(*, "names")= chr [1:12] "26" "257" "352" "458" ...
 - attr(*, "class")= chr [1:2] "aov" "lm"

str（测试）
13人名单
$coverties:Named num[1:2]0.2862 0.0973
..-attr（*，“name”）=chr[1:2]（截取）““asq[187]”
$residuals:Named num[1:1337]0.519 0.519-0.481-0.481-0.481。。。
..-attr（*，“name”）=chr[1:1337]“1”2“3”4”。。。
$effects:Named num[1:1337]-16.19-1.738-0.505-0.505-0.505。。。
..-attr（*，“name”）=chr[1:1337]“（截取）”“asq[，187]”。。。
$rank:int 2
$fitted.values:Named num[1:1337]0.481 0.481 0.481 0.481 0.481。。。
..-attr（*，“name”）=chr[1:1337]“1”2“3”4”。。。
$assign:int[1:2]0 1
$qr：5人名单
..$qr:num[1:1337，1:2]-36.5650.0273 0.0273 0.0273 0.0273 0.0273。。。
.. ..- 属性（*，“dimnames”）=2个列表
.. .. ..$ : chr[1:1337]“1”“2”“3”“4”。。。
.. .. ..$ : chr[1:2]“（截取）”“asq[187]”
.. ..- 属性（*，“赋值”）=int[1:2]01
..$qraux:num[1:2]1.03 1.02
..$pivot:int[1:2]12
..$tol:编号1e-07
..$rank:int 2
..-attr（*，“类”）=chr“qr”
$df.剩余：1335内特
$na.action:名为int[1:12]2625735245850862482087410461082的类“省略”。。。
.. ..- 属性（*，“名称”）=chr[1:12]“26”“257”“352”“458”。。。
$xlevels:list（）
$call:language aov（公式=asq[，9]~asq[，187]）
$terms:class'terms'，'formula'长度3 asq[，9]~asq[，187]
.. ..- attr（*，“变量”）=语言列表（asq[，9]，asq[，187]）
.. ..- 属性（*，“因子”）=int[1:2，1]01
.. .. ..- 属性（*，“dimnames”）=2个列表
.. .. .. ..$ : chr[1:2]“asq[，9]”“asq[，187]”
.. .. .. ..$ : chr“asq[187]”
.. ..- attr（*，“术语标签”）=chr“asq[，187]”
.. ..- 属性（*，“顺序”）=整数1
.. ..- 属性（*，“截距”）=整数1
.. ..- 属性（*，“响应”）=int 1
.. ..- 属性（*，“.Environment”）=
.. ..- attr（*，“predvars”）=语言列表（asq[，9]，asq[，187]）
.. ..- attr（*，“数据类”）=命名的chr[1:2]“数值”“数值”
.. .. ..- attr（*，“名称”）=chr[1:2]“asq[，9]”“asq[，187]”
$model:'data.frame'：1337 obs。共有2个变量：
..$asq[，9]：int[1:1337]10100。。。
..$asq[187]：int[1:1337]2。。。
..-attr（*，“术语”）=类“术语”，“公式”长度3 asq[，9]~asq[，187]
.. .. ..- attr（*，“变量”）=语言列表（asq[，9]，asq[，187]）
.. .. ..- 属性（*，“因子”）=int[1:2，1]01
.. .. .. ..- 属性（*，“dimnames”）=2个列表
.. .. .. .. ..$ : chr[1:2]“asq[，9]”“asq[，187]”
.. .. .. .. ..$ : chr“asq[187]”
.. .. ..- attr（*，“术语标签”）=chr“asq[，187]”
.. .. ..- 属性（*，“顺序”）=整数1
.. .. ..- 属性（*，“截距”）=整数1
.. .. ..- 属性（*，“响应”）=int 1
.. .. ..- 属性（*，“.Environment”）=
.. .. ..- attr（*，“predvars”）=语言列表（asq[，9]，asq[，187]）
.. .. ..- attr（*，“数据类”）=命名的chr[1:2]“数值”“数值”
.. .. .. ..- attr（*，“名称”）=chr[1:2]“asq[，9]”“asq[，187]”
..-attr（*，“na.action”）=名为int[1:12]26257352458508624820 874 10461082的类“省略”。。。
.. .. ..- 属性（*，“名称”）=chr[1:12]“26”“257”“352”“458”。。。
-属性（*，“类”）=chr[1:2]“aov”lm

查看

str（摘要（测试））

-这就是你看到p值的地方。

我知道这是一个很老的问题，但我在网上四处查看，没有找到解释或一般解决方案，这个线程是谷歌搜索中出现的第一个问题

summary(test)[[1]][["Pr(>F)"]]

Aniko是对的，最简单的方法是查看

摘要（测试）

在重复测量中，它是相似的，但您也可以使用命名项，如

myModelSummary$'Error: subject:A'[[1]]$'Pr(>F)'

---

注意，我仍然必须进行列表选择，因为重复测量模型中的每个列表项都是1的列表。

由于上面的建议对我不起作用，因此我设法解决了这个问题：

sum_test = unlist(summary(test))

然后用眼睛看着这些名字

names(sum_test)

我有“Pr（>F）1”和“Pr（>F）2”，当第一个值是请求的值时，所以

sum_test["Pr(>F)1"]

---

将给出比BurningLeo中要求的值略短的值：

---

2和9是myAOV模型中p值的位置

执行str（测试）时，它列出aov对象的结构。您需要查看的是print.aov（）的输出（请参阅方法（print））！Aniko的str（summary（test））就是这么做的。我需要另一个[[1]]]-但是，嘿，这很酷：）

summary（test）[[1][[Pr（>F）”]][[1]]]

如果没有BurninLeo的额外[[1]]，它会给出汇总表的最后一列，第二行是空的——我们只希望第一行得到p值，这就是额外的[[1]]是的。如果您不喜欢键入概率陈述，类似的选择是

summary（test）[[1]][1,5]

。但是你可能不想要p值，也想要F统计，所以这将是

summary（test）[[1]][1,4:5]

Hi，我使用了permuco软件包，它的输出与aov的输出类似。但是总结（测试）[[1]][[Pr（>F）]]返回NAWOW，太棒了！！！我已经能够从其他方法中获得p值，但我从未见过“unlist”命令，这将生成一个完整aov输出的优化列表

sum_test = unlist(summary(test))

names(sum_test)

sum_test["Pr(>F)1"]

summary(test)[[1]][[1,"Pr(>F)"]]

summary(aov(y~factor(x)))[[1]][[5]][1]

unlist(summary(myAOV)[[2]])[[9]]