方差分析指的是不同变量之间互相影响从而导致结果的变化
1.单因素方差分析:
案例:50名患者接受降低胆固醇治疗的药物,其中三种治疗条件使用药物相同(20mg一天一次,10mg一天两次,5mg一天四次),剩下的两种方式是(drugE和drugD),代表候选药物
哪种药物治疗降低胆固醇的最多?
1 library(multcomp) 2 attach(cholesterol) 3 # 1.各组样本大小 4 table(trt) 5 # 2.各组均值 6 aggregate(response,by=list(trt),FUN=mean) 7 # 3.各组标准差 8 aggregate(response,by=list(trt),FUN=sd) 9 # 4.检验组间差异 10 fit <- aov(response ~ trt) 11 summary(fit) 12 library(gplots) 13 # 5.绘制各组均值和置信区间 14 plotmeans(response ~ trt,xlab = \'Treatment\',ylab = \'Response\',main=\'MeanPlot\nwith 95% CI\') 15 detach(cholesterol)
结论:
1.均值显示drugE降低胆固醇最多,1time降低胆固醇最少.
2.说明不同疗法之间的差异很大
多重比较药品和服药次数
1 library(multcomp) 2 par(mar=c(5,4,6,2)) 3 tuk <- glht(fit,linfct=mcp(trt=\'Tukey\')) 4 plot(cld(tuk,level=.05),col=\'lightgrey\')
结论:每天复用4次和使用drugE的时候治疗胆固醇效果最好
评估检验的假设条件
1 library(car) 2 qqPlot(lm(response ~ trt,data=cholesterol),simulate=T,main=\'Q-Q Plot\',labels=F) 3 bartlett.test(response ~ trt,data=cholesterol) 4 # 检测离群点 5 outlierTest(fit)
结论:数据落在95%置信区间的范围内,说明数据点满足正态性假设
2.单因素协方差分析
案例:怀孕的小鼠被分为4各小组,每个小组接受不同剂量的药物剂量(0.5,50,500)产下小鼠体重为因变量,怀孕时间为协变量
1 data(litter,package = \'multcomp\') 2 attach(litter) 3 table(dose) 4 aggregate(weight,by=list(dose),FUN=mean) 5 fit2 <- aov(weight ~ gesttime + dose) 6 summary(fit2) 7 library(effects) 8 # 取出协变量计算调整的均值 9 effect(\'dose\',fit2) 10 contrast <- rbind(\'no drug vs drug\' = c(3,-1,-1,-1)) 11 summary(glht(fit2,linfct=mcp(dose=contrast))) 12 library(HH) 13 ancovaplot(weight ~ gesttime + dose,data=litter)
结论:0剂量产仔20个,500剂量产仔17个
0剂量的体重在32左右,500剂量在30左右
怀孕时间和体重相关
用药剂量和体重相关
结论:小鼠的体重和怀孕时间成正比和剂量成反比
3.双因素方差分析
案例:随机分配60只豚鼠,分别采用两种喂食方法(橙汁或者维C),各种喂食方法中含有抗坏血酸3钟含量(0.5,1,2)
每种处理组合都分配10只豚鼠,牙齿长度为因变量
1 attach(ToothGrowth) 2 table(supp,dose) 3 aggregate(len,by=list(supp,dose),FUN=mean) 4 aggregate(len,by=list(supp,dose),FUN=sd) 5 # 将dose转换为因子变量,这样就不是一个协变量 6 dose <- factor(dose) 7 fit3 <- aov(len ~ supp*dose) 8 summary(fit3) 9 detach(ToothGrowth)
结论:主效应的对豚鼠牙齿影响很大
结论:在0.5~1mg的区间中维C的豚鼠的牙齿长度超过使用橙汁的小鼠,在1~2的区间内同理,当超过2mg时,两者对豚鼠牙齿的影响相同
4.重复测量方差
案例:在一定浓度的CO2的环境中比较寒带植物和非寒带植物的光合作用率进行比较
1 CO2$conc <- factor(CO2$conc) 2 w1b1 <- subset(CO2,Treatment == \'chilled\') 3 fit4 <- aov(uptake ~ conc*Type + Error(Plant/(conc)),w1b1) 4 summary(fit4) 5 par(las=2) 6 par(mar=c(10,4,4,2)) 7 with(w1b1,interaction.plot(conc,Type,uptake,type=\'b\',col=c(\'red\',\'blue\'),pch=c(16,18), 8 main=\'Interaction plot for plant type and concentration\')) 9 boxplot(uptake~Type*conc,data=w1b1,col=c(\'gold\',\'green\'), 10 main = \'Chilled Quebec and Mississippi Plants\', 11 ylab="Carbon dioxide uptake rate (umol/m^2 sec)")
结论:魁北克的植物比密西西比州的二氧化碳的吸收率高,随着CO2的浓度体高,效果越明显
5.多元方差分析
案例:研究美国食物中的卡路里,脂肪,糖分是否会因货架的不同而不同
1 library(MASS) 2 attach(UScereal) 3 shelf <- factor(shelf) 4 y <- cbind(calories,fat,sugars) 5 aggregate(y,by=list(shelf),FUN=mean) 6 cov(y) 7 fit5 <- manova(y ~ shelf) 8 summary(fit5) 9 summary.aov(fit5)
找出离群点
1 center <- colMeans(y) 2 n <- nrow(y) 3 p <- ncol(y) 4 cov <- cov(y) 5 d <- mahalanobis(y,center,cov) 6 coord <- qqplot(qchisq(ppoints(n),df=p),d, 7 main="QQ Plot Assessing Multivariate Normality", 8 ylab="Mahalanobis D2") 9 abline(a=0,b=1) 10 identify(coord$x,coord$y,labels = row.names(UScereal))
结论:在不同的货架上的谷物营养成分不同,有两个产品不符合多元正态分布
1 library(rrcov) 2 # 稳健多元方差分析 3 Wilks.test(y,shelf,method=\'mcd\')
结论:稳健检测对离群点和违反MANOVA不敏感,证明了在不同货架的谷物营养成分不同的结论
