2019独角兽企业重金招聘Python工程师标准>>>
在双因素方差分析中,受试者被分配到两因子的交叉类别组中,以ToothGrowth数据集为例,随机分配 60 只豚鼠,分别采用两种喂食方法(橙汁或维生素C),各喂食方法中抗坏血酸含量有三种水平(0.5mg,1mg或2mg),每种处理组合都被分配只豚鼠。牙齿长度为因变量,如下
> attach(ToothGrowth)
> table(supp,dose) #各设计单元中样本大小都相同,表明该设计是均衡设计dose
supp 0.5 1 2OJ 10 10 10VC 10 10 10
> aggregate(len, by=list(supp,dose), FUN=mean) #计算各单元的均值Group.1 Group.2 x
1 OJ 0.5 13.23
2 VC 0.5 7.98
3 OJ 1.0 22.70
4 VC 1.0 16.77
5 OJ 2.0 26.06
6 VC 2.0 26.14
> aggregate(len, by=list(supp,dose), FUN=sd) #计算各单元的方差Group.1 Group.2 x
1 OJ 0.5 4.459709
2 VC 0.5 2.746634
3 OJ 1.0 3.910953
4 VC 1.0 2.515309
5 OJ 2.0 2.655058
6 VC 2.0 4.797731> dose <- factor(dose) #将 does转化问因子,这样aov()函数就将它当作一个分组变量,而不是数值型协变量
> fit <- aov(len ~ supp*dose)
> summary(fit)Df Sum Sq Mean Sq F value Pr(>F)
supp 1 205.4 205.4 15.572 0.000231 ***
dose 2 2426.4 1213.2 92.000 < 2e-16 ***
supp:dose 2 108.3 54.2 4.107 0.021860 * #主效应(supp、dose)和交互效应都非常显著
Residuals 54 712.1 13.2
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
- 模型假设检验和均值比较与单因素方差分析一样
- 数据可视化
> library(HH)
> interaction2wt(len~supp*dose) #图形对任意顺序的因子设计的主效应和交互效应都会进行展示,也能展示任意复杂度设计(双因素方差分析、三因素方差分析等)