如何从R中的重复测量ANOVA模型中获得残差
通常从如何从R中的重复测量ANOVA模型中获得残差,r,anova,R,Anova,通常从aov()使用summary()函数后,可以获得残差 但是,当我使用重复测量方差分析和公式不同时,如何得到残差呢 ## as a test, not particularly sensible statistically npk.aovE <- aov(yield ~ N*P*K + Error(block), npk) npk.aovE summary(npk.aovE) Error: block Df Sum Sq Mean Sq F value Pr(&g
aov()
使用summary()
函数后,可以获得残差
但是,当我使用重复测量方差分析和公式不同时,如何得到残差呢
## as a test, not particularly sensible statistically
npk.aovE <- aov(yield ~ N*P*K + Error(block), npk)
npk.aovE
summary(npk.aovE)
Error: block
Df Sum Sq Mean Sq F value Pr(>F)
N:P:K 1 37.0 37.00 0.483 0.525
Residuals 4 306.3 76.57
Error: Within
Df Sum Sq Mean Sq F value Pr(>F)
N 1 189.28 189.28 12.259 0.00437 **
P 1 8.40 8.40 0.544 0.47490
K 1 95.20 95.20 6.166 0.02880 *
N:P 1 21.28 21.28 1.378 0.26317
N:K 1 33.14 33.14 2.146 0.16865
P:K 1 0.48 0.48 0.031 0.86275
Residuals 12 185.29 15.44
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
###作为一种测试,在统计上并不特别合理
npk.aovE(F)
N:P:K137.037.000.4830.525
残差4306.3 76.57
错误:在
Df和Sq平均Sq F值Pr(>F)
N 1 189.28 189.28 12.259 0.00437**
P 1 8.40 8.40 0.544 0.47490
K 1 95.20 95.20 6.166 0.02880*
N:P121.2821.281.3780.26317
N:K133.1433.142.146 0.16865
P:K10.480.480.0310.86275
残差12 185.29 15.44
---
签名。代码:0'***'0.001'***'0.01'*'0.05'.'0.1''1
直观的summary(npk.aovE)$residuals
返回NULL
。。
有人能帮我吗?看看
> names(npk.aovE)
试一试
> npk.aovE$residuals
编辑:很抱歉,我读你的例子太快了。我的建议不适用于带有aov()的多级模型。请尝试以下操作:
> npk.pr <- proj(npk.aovE)
> npk.pr[[3]][, "Residuals"]
>npk.pr npk.pr[[3]][,“残差”]
这里有一个简单的复制品,如果遇到同样的问题,任何人都可以乱来:
x1 <- gl(8, 4)
block <- gl(2, 16)
y <- as.numeric(x1) + rnorm(length(x1))
d <- data.frame(block, x1, y)
m <- aov(y ~ x1 + Error(block), d)
m.pr <- proj(m)
m.pr[[3]][, "Residuals"]
x1另一个选项是lme:
require(MASS) ## for oats data set
require(nlme) ## for lme()
require(multcomp) ## for multiple comparison stuff
Aov.mod <- aov(Y ~ N * V + Error(B/V), data = oats)
the_residuals <- aov.out.pr[[3]][, "Residuals"]
Lme.mod <- lme(Y ~ N * V, random = ~1 | B/V, data = oats)
the_residuals <- residuals(Lme.mod)
2-重复测量方差分析的Tukey测试(3小时寻找这个!!)。当存在交互时,它确实会发出警告(*
而不是+
),但这样做似乎是安全的。请注意,V
和N
是公式中的因子
summary(Lme.mod)
summary(glht(Lme.mod, linfct=mcp(V="Tukey")))
summary(glht(Lme.mod, linfct=mcp(N="Tukey")))
3-正态性和均方差图
par(mfrow=c(1,2)) #add room for the rotated labels
aov.out.pr <- proj(aov.mod)
#oats$resi <- aov.out.pr[[3]][, "Residuals"]
oats$resi <- residuals(Lme.mod)
qqnorm(oats$resi, main="Normal Q-Q") # A quantile normal plot - good for checking normality
qqline(oats$resi)
boxplot(resi ~ interaction(N,V), main="Homoscedasticity",
xlab = "Code Categories", ylab = "Residuals", border = "white",
data=oats)
points(resi ~ interaction(N,V), pch = 1,
main="Homoscedasticity", data=oats)
par(mfrow=c(1,2))#为旋转标签增加空间
aov.out.pr难道你不能从你的估计中减去你的观察值吗?对于地层模型,它不起作用,正如我上面所写的。谢谢!不知道proj()
函数。您可以使用m.pr[['in']][,'Residuals']]
(而不是索引[3]
),以获得更一般的方法。似乎索引可能会根据aov
中的模型而变化。
par(mfrow=c(1,2)) #add room for the rotated labels
aov.out.pr <- proj(aov.mod)
#oats$resi <- aov.out.pr[[3]][, "Residuals"]
oats$resi <- residuals(Lme.mod)
qqnorm(oats$resi, main="Normal Q-Q") # A quantile normal plot - good for checking normality
qqline(oats$resi)
boxplot(resi ~ interaction(N,V), main="Homoscedasticity",
xlab = "Code Categories", ylab = "Residuals", border = "white",
data=oats)
points(resi ~ interaction(N,V), pch = 1,
main="Homoscedasticity", data=oats)