Comment évaluer les différences dans vos données avec des R - variables

Pour vérifier le modèle de données que vous avez créé avec ANOVA (analyse de variance), vous pouvez utiliser R résumé () fonction sur l'objet modèle comme ceci: >> résumé (AOVModel) Df Somme Sq Moyenne Sq F valeur Pr (> F) pulvérisation 5 2669 533. 8 34. 7 <2e-16 *** Résidus 66 1015 15. 4 --- Signif. codes: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1 "1

R vous imprime le tableau d'analyse de la variance qui, en substance, vous indique si les différents termes peuvent expliquer une partie significative de la variance de vos données.Ce tableau vous dit seulement quelque chose sur le terme, mais rien sur les différences entre les différents sprays.Pour cela, vous devez creuser un peu plus loin

Comment vérifier les tables de modèles de données

Avec le modèle. La fonction vous permet de créer deux tables différentes: soit vous regardez le résultat moyen estimé pour chaque groupe, soit vous regardez la différence avec le niveau global.

Pour connaître l'effet de chaque pulvérisation, vous utilisez le code suivant: >> modèle (AOVModèle, type = "effets") Tableaux des effets spray ABCDEF 5. 000 5. 833 -7 417 -4 583 -6 000 7. 167

Ici, vous voyez que, par exemple, le spray E a abouti, en moyenne, à six punaises de moins que la moyenne sur tous les champs. D'autre part, dans les champs où le spray A a été utilisé, les agriculteurs ont trouvé, en moyenne, cinq bogues de plus par rapport à la moyenne globale.

Pour obtenir les moyennes modélisées par groupe et la moyenne globale, il suffit d'utiliser la valeur de l'argument type = 'means' au lieu de type = 'effects'.

Comment examiner les différences individuelles dans les données

Un agriculteur ne songerait probablement pas à acheter le spray A, mais qu'en est-il du spray D? Bien que les sprays E et C semblent être meilleurs, ils peuvent aussi être beaucoup plus chers. Pour tester si les différences par paire entre les sprays sont significatives, vous utilisez le test de différence significative de Honkey (HSD). La fonction TukeyHSD () vous permet de le faire très facilement, comme ceci:

>> Comparaisons <- tukeyHSD (Model)

L'objet Comparaisons contient maintenant une liste où chaque élément est nommé après un facteur dans le modèle. Dans l'exemple, vous n'avez qu'un seul élément, appelé spray. Cet élément contient, pour chaque combinaison de sprays, ce qui suit:

La différence entre les moyennes.

Niveau inférieur et supérieur de l'intervalle de confiance de 95% autour de cette différence moyenne.

La valeur p qui vous indique si cette différence est significativement différente de zéro.Cette valeur p est ajustée en utilisant la méthode de Tukey (d'où le nom de colonne p adj).

• Vous pouvez extraire toutes ces informations en utilisant les méthodes classiques d'extraction. Par exemple, vous obtenez l'information sur la différence entre D et C comme ceci: >> Comparaisons $ spray ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707

• Cette différence ne semble pas impressionnante, si vous demandez à Tukey.

• Comment tracer les différences

L'objet TukeyHSD a une autre caractéristique intéressante: il peut être tracé. Ne vous embêtez pas à chercher une page d'aide de la fonction de complot - tout ce que vous trouvez est une phrase: "Il y a une méthode d'intrigue. "Mais ça fonctionne vraiment! Essayez-le comme ceci:

plot (Comparaisons, las = 1)

Vous voyez la sortie de cette ligne simple. Chaque ligne représente la différence moyenne entre les deux groupes avec l'intervalle de confiance correspondant. Chaque fois que l'intervalle de confiance n'inclut pas zéro (la ligne verticale), la différence entre les deux groupes est significative.

Vous pouvez utiliser certains des paramètres graphiques pour rendre l'intrigue plus lisible. Plus précisément, le paramètre las est utile ici. En le mettant à 1, vous vous assurez que toutes les étiquettes d'axe sont imprimées horizontalement afin que vous puissiez réellement les lire.