สูตรชีต ANOVA ตัวอักษรซุปและการถดถอยเท่าเทียมกัน

ฉันสามารถขอความช่วยเหลือในการพยายามรับตลับลูกปืนของฉันให้เทียบเท่ากับ ANOVA และ REGRESSION ได้หรือไม่? ฉันพยายามปรับความคิดศัพท์ศัพท์และไวยากรณ์ของวิธีการทั้งสองนี้ มีโพสต์จำนวนมากในไซต์นี้เกี่ยวกับความเหมือนกันของพวกเขาเช่นนี้หรือนี่แต่ก็ยังดีที่มีแผนที่ "คุณอยู่ที่นี่" อย่างรวดเร็วเมื่อเริ่มต้น

ฉันวางแผนที่จะอัพเดทโพสต์นี้และหวังว่าจะได้รับความช่วยเหลือในการแก้ไขข้อผิดพลาด

ANOVA ทางเดียว:

Structure:   DV is continuous; IV is ONE FACTOR with different LEVELS.
Scenario:    miles-per-gal. vs cylinders
             Note that Income vs Gender (M, F) is a t-test.
Syntax:      fit <- aov(mpg ~ as.factor(cyl), data = mtcars); summary(fit); TukeyHSD(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl), mtcars) 
             # with F dummy coded;
             summary(fit); anova(fit)

ANOVA สองทาง

Structure:   DV is continuous; IV is > 1 FACTORS with different LEVELS.
Scenario:    mpg ~ cylinders & carburators
Syntax:      fit <- aov(mpg ~ as.factor(cyl) + as.factor(carb), mtcars); 
             summary(fit); TukeyHSD(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl) + as.factor(carb), mtcars) 
             # with F dummy coded; 
             summary(fit); anova(fit)

การวิเคราะห์ความแปรปรวนแบบสองทาง:

Structure:   All possible COMBINATIONS of LEVELS are considered.
Scenario:    mpg ~ cylinders + carburetors + (4cyl/1,...8cyl/4)
Syntax:      fit <- aov(mpg ~ as.factor(cyl) * as.factor(carb), mtcars); 
             summary(fit); TukeyHSD(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl) * as.factor(carb), mtcars) 
             # with F dummy coded; 
             summary(fit); anova(fit)

ANCOVA:

Structure:   DV continuous ~ Factor and continuous COVARIATE.
Scenario:    mpg ~ cylinders + weight
Syntax:      fit <- aov(mpg ~ as.factor(cyl) + wt, mtcars); summary(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl) + wt, mtcars) 
             # with F dummy coded; 
             summary(fit); anova(fit)

MANOVA:

Structure:   > 1 DVs continuous ~ 1 FACTOR ("One-way") or 2 FACTORS ("Two-way MANOVA").
Scenario:    mpg and wt ~ cylinders
Syntax:      fit <- manova(cbind(mpg,wt) ~ as.factor(cyl), mtcars); summary(fit)
Regression:  N/A

MANCOVA:

Structure:   > 1 DVs continuous ~ 1 FACTOR + 1 continuous (covariate) DV.
Scenario:    mpg and wt ~ cyl + displacement (cubic inches)
Syntax:      fit <- manova(cbind(mpg,wt) ~ as.factor(cyl) + disp, mtcars); summary(fit)
Regression:  N/A

ภายในปัจจัย (หรือ SUBJECT) ANOVA: ( รหัสที่นี่ )

Structure:   DV continuous ~ FACTOR with each level * with subject (repeated observations).
             Extension paired t-test. Each subject measured at each level multiple times. 
Scenario:    Memory rate ~ Emotional value of words for Subjects @ Times
Syntax:      fit <- aov(Recall_Rate ~ Emtl_Value * Time + Error(Subject/Time), data); 
             summary(fit); print(model.tables(fit, "means"), digits=3);
             boxplot(Recall_Rate ~ Emtl_Value, data=data)
             with(data, interaction.plot(Time, Emtl_Value, Recall_Rate))
             with(data, interaction.plot(Subject, Emtl_Value, Recall_Rate))
             NOTE: Data should be in the LONG FORMAT (same subject in multiple rows)
Regression:  Mixed Effects
             require(lme4); require(lmerTest)
             fit <- lmer(Recall_Rate ~ Emtl_Value * Time + (1|Subject/Time), data); 
             anova(fit); summary(fit); coefficients(fit); confint(fit) 
or
             require(nlme)
             fit <- lme(Recall_Rate ~ Emtl_Value * Time, random = ~1|Subject/Time, data)
             summary(fit); anova(fit); coefficients(fit); confint(fit)

แยก - จุด: ( รหัสที่นี่ )

Structure:   DV continuous ~ FACTOR/-S with RANDOM EFFECTS and pseudoreplication.
Scenario:    Harvest yield ~ Factors = Irrigation / Density of seeds / Fertilizer 
                 & RANDOM EFFECTS (Blocks and plots of land): 
Syntax:      fit <- aov(yield ~ irrigation * density * fertilizer + 
                 Error(block/irrigation/density), data); summary(fit)
Regression:  Mixed Effects
             require(lme4); require(lmerTest); 
             fit <- lmer(yield ~ irrigation * fertilizer + 
             (1|block/irrigation/density), data = splityield); 
             anova(fit); summary(fit); coefficients(fit); confint(fit)
or
             library(nlme)
             fit <- lme(yield ~ irrigation * variety, random=~1|field, irrigation)
             summary(fit); anova(fit)

NESTED DESIGN: ( รหัสที่นี่ )

Structure:   DV continuous ~ FACTOR/-S with pseudoreplication.
Scenario:    [Glycogen] ~ Factors = Treatment & RANDOM EFFECTS with Russian-doll effect: 
             Six rats (6 Livers)-> 3 Microscopic Slides/Liver-> 2 Readings/Slide). 
Syntax:      fit <- aov(Glycogen ~ Treatment + Error(Rat/Liver), data); summary(fit)
Regression:  Mixed Effects
             require(lme4); require(lmerTest)
             fit <- lmer(Glycogen ~ Treatment + (1|Rat/Liver), rats); 
             anova(fit); summary(fit); coefficients(fit); confint(fit)
or
             require(nlme)
             fit<-lme(Glycogen ~ Treatment, random=~1|Rat/Liver, rats)
             summary(fit); anova(fit); VarCorr(fit)

เว็บไซต์ที่มีประโยชน์:

1. RExRepos
2. โครงการบุคลิกภาพ
3. Quick-R
4. R-เขียนบล็อก
5. การวิเคราะห์เชิงซ้อนและการแยกส่วนข้อมูลโดย M. Crawley
6. โมเดลที่มีเอฟเฟกต์แบบสุ่มหลายรายการ
7. โมเดลแบบแยกส่วน
8. หนังสือ R โดย M. Crawley
9. ภายในกลุ่มและมาตรการซ้ำ
10. ทำซ้ำมาตรการใน R
11. คำถามที่พบบ่อย GLMM

รายการที่ดีอันโต นี่คือคำแนะนำเล็กน้อย:

การวิเคราะห์ความแปรปรวนแบบทางเดียว: IV เป็นปัจจัยที่มี 3 ระดับขึ้นไป คุณสามารถเพิ่มข้อมูลตัวอย่าง: mtcarsลงในรายการนี้ (ในทำนองเดียวกันคุณสามารถเพิ่มคำสั่ง * ตัวอย่างข้อมูล "ให้กับรายการทั้งหมดของคุณเพื่อให้ชัดเจนว่าชุดข้อมูลใดที่คุณใช้อยู่)

Anova สองทาง: ทำไมไม่ใช้ IV1 และ IV2 และระบุว่าตัวแปรอิสระสองตัวควรเป็นปัจจัยที่มีอย่างน้อยสองระดับในแต่ละระดับ วิธีที่คุณระบุไว้ในขณะนี้ชี้ให้เห็นว่า anova แบบสองทางสามารถรวมตัวแปรอิสระได้มากกว่า 2 ตัว (หรือปัจจัย) ซึ่งไม่ใช่ความรู้สึก

สำหรับ Anova สองทางฉันจะแยกความแตกต่างระหว่างสองกรณีย่อยนี้: 1. Anova สองทางที่มีเอฟเฟกต์หลักสำหรับ IV1 และ IV2 และ 2 Anova สองทางที่มีปฏิสัมพันธ์ระหว่าง IV1 และ IV2 ไอเท็มที่สองนี้คือสิ่งที่คุณอ้างถึงสองว่าเป็นโนวาแบบสองทางแบบแฟคทอเรียล) วิธีที่ดีกว่าในการอธิบายกรณีย่อยทั้งสองนี้จะเป็น: 1. ผลของ IV1 บน DV นั้นขึ้นอยู่กับผลของ IV2 และ 2 บน DV ขึ้นอยู่กับ IV2 คุณสามารถทำให้ชัดเจนยิ่งขึ้นว่ามันเป็นตัวแปรอิสระ IV1 และ IV2 ซึ่งเป็นรหัสจำลองในการตั้งค่าการถดถอย

สำหรับ ANCOVA คุณสามารถอธิบายได้ว่าคุณกำลังพิจารณา ANCOVA ทางเดียวในตัวอย่างปัจจุบันของคุณ เพื่อความสมบูรณ์คุณสามารถเพิ่มตัวอย่าง ANCOVA แบบสองทิศทางโดยไม่มีการโต้ตอบระหว่าง IV1 และ IV2 และอีกอันหนึ่งที่มีปฏิสัมพันธ์ระหว่างตัวแปรทั้งสองนี้

สำหรับข้างต้นทั้งหมดคุณสามารถเพิ่มรายการที่เรียกว่าวัตถุประสงค์ซึ่งอธิบายเมื่อการวิเคราะห์เหล่านี้มีประโยชน์ ตัวอย่างเช่น:

วัตถุประสงค์ (ของ anova แบบทางเดียว): ตรวจสอบว่าค่าเฉลี่ยของ DV นั้นแตกต่างกันไปตามระดับของ IV หรือไม่

สำหรับ MANOVA คุณสามารถอธิบายได้หรือไม่ว่าจะต้องมี (ก) DV สองตัวหรือมากกว่าและ (2) IV อย่างน้อยหนึ่งตัวซึ่งเป็นปัจจัย ฉันเดาว่าคุณสามารถแยกแยะความแตกต่างระหว่าง MANOVA แบบทางเดียว (1 ปัจจัย) และแบบสองทางได้หรือไม่? สิ่งเดียวกันสำหรับ MANCOVA

ANOVA ภายในปัจจัยที่เรียกว่า ANOVA วัดซ้ำดังนั้นบางทีคุณสามารถเพิ่มคำศัพท์นี้ในรายการของคุณสำหรับผู้ที่คุ้นเคยกับมัน นอกจากนี้ยังจะเป็นประโยชน์ในการชี้แจงว่าการสร้างแบบจำลองเอฟเฟกต์ผสมเป็นวิธีทางเลือกในการสร้างแบบจำลองข้อมูลวัดซ้ำ มิฉะนั้นผู้อ่านอาจไม่ได้ชื่นชมความแตกต่างระหว่างสองแนวทาง