คำถามติดแท็ก anova

มีจำนวนมากเกี่ยวกับ collinearity ที่เกี่ยวกับการทำนายแบบต่อเนื่อง แต่ไม่มากนักที่ฉันสามารถค้นหาในตัวทำนายแบบหมวดหมู่ ฉันมีข้อมูลประเภทนี้แสดงไว้ด้านล่าง ปัจจัยแรกคือตัวแปรทางพันธุกรรม (นับอัลลีล) ปัจจัยที่สองคือประเภทของโรค เห็นได้ชัดว่ายีนนำหน้าโรคและเป็นปัจจัยในการแสดงอาการที่นำไปสู่การวินิจฉัย อย่างไรก็ตามการวิเคราะห์อย่างสม่ำเสมอโดยใช้ผลบวกของสี่เหลี่ยมจัตุรัสที่มีประเภท II หรือ III ดังเช่นที่ใช้กันทั่วไปในทางจิตวิทยากับ SPSS คิดถึงผลกระทบที่เกิดขึ้น การวิเคราะห์สแควร์สจำนวนหนึ่งเป็นการวิเคราะห์แบบหยิบมันขึ้นมาเมื่อป้อนคำสั่งที่เหมาะสมเพราะมันขึ้นอยู่กับลำดับ นอกจากนี้มีแนวโน้มว่าจะมีส่วนประกอบเพิ่มเติมในกระบวนการของโรคซึ่งไม่เกี่ยวข้องกับยีนที่ไม่ได้ระบุอย่างดีกับประเภท II หรือ III ดูanova (lm1)ด้านล่าง vs lm2 หรือ Anova ข้อมูลตัวอย่าง: set.seed(69) iv1 <- sample(c(0,1,2), 150, replace=T) iv2 <- round(iv1 + rnorm(150, 0, 1), 0) iv2 <- ifelse(iv2<0, 0, iv2) iv2 <- ifelse(iv2>2, …

11 r  anova  categorical-data  multicollinearity  sums-of-squares 

ผู้ใช้ระดับเริ่มต้นของ R ที่นี่ต้องดิ้นรนกับมาตรการ ANOVA ซ้ำ ๆ ฉันมีชุดข้อมูลที่ประกอบด้วยหนึ่งระหว่างปัจจัยของกลุ่มวิชาที่มี 4 ระดับ (เขียนเป็นตัวแปรเดียวที่เรียกว่า 'กลุ่ม') และอีกหนึ่งรายการอยู่ในกลุ่มวิชาที่มี 4 ระดับ (เขียนเป็นตัวแปรแยกกันสี่ชุดคือ 'DV1', 'DV2', 'DV3 ',' DV4 ') ฉันมีวัตถุประสงค์ดังต่อไปนี้: ใช้มาตรการ ANOVA ซ้ำ ๆ โดยรวม เปรียบเทียบกลุ่มโดยใช้ความแตกต่างที่กำหนดเอง (เช่นในคำสั่ง LMATRIX ใน SPSS) เปรียบเทียบระดับต่างๆของ DV โดยใช้ความแตกต่างที่กำหนดเอง (เช่นในคำสั่ง MMATRIX ใน SPSS) ทำการรวมกันของ 2) และ 3) พร้อมกันดังนั้นฉันจึงเปรียบเทียบเฉพาะบางกลุ่มในระดับที่แน่นอนของปัจจัยภายในเรื่อง ใช้ชุดความแตกต่างที่ไม่รวมกับศูนย์ ฉันรู้ว่าฉันสามารถทำสิ่งนี้ใน SPSS ได้โดยไม่มีปัญหา แต่ฉันไม่สามารถเข้าใจวิธีการทำเช่นนี้ได้ใน R. …

11 r  anova  repeated-measures  contrasts 

ฉันเป็นนักออกแบบซอฟต์แวร์โดยการแลกเปลี่ยนและฉันกำลังทำงานในโครงการสำหรับลูกค้าและฉันต้องการตรวจสอบให้แน่ใจว่าการวิเคราะห์ของฉันมีสถิติที่ดี พิจารณาสิ่งต่อไปนี้: เรามีโฆษณาn รายการ (n <10) และเราต้องการทราบว่าโฆษณาใดมีประสิทธิภาพดีที่สุด เซิร์ฟเวอร์โฆษณาของเราจะแสดงโฆษณาเหล่านี้แบบสุ่ม ความสำเร็จคือถ้าผู้ใช้คลิกที่โฆษณา - เซิร์ฟเวอร์ของเราคอยติดตามสิ่งนั้น ให้ไว้: ช่วงความเชื่อมั่น: 95% คำถาม: ขนาดตัวอย่างโดยประมาณคืออะไร? (เราต้องแสดงโฆษณาทั้งหมดกี่รายการ) ทำไม (จำได้ว่าฉันเป็นคนบ้า ๆ บอ ๆ ) ขอบคุณ

11 anova  sample-size  t-test  rule-of-thumb 

ฉันใช้การทดสอบของ Levene และ Bartlett ในกลุ่มข้อมูลจากการทดลองของฉันเพื่อยืนยันว่าฉันไม่ได้ละเมิดสมมติฐานของ ANOVA เกี่ยวกับความสม่ำเสมอของความแปรปรวน ฉันต้องการตรวจสอบกับพวกคุณว่าฉันไม่ได้ตั้งสมมติฐานผิดถ้าคุณไม่รังเกียจ: D ค่า p ที่ส่งคืนโดยการทดสอบทั้งสองอย่างนั้นคือความน่าจะเป็นที่ข้อมูลของฉันถ้ามันถูกสร้างขึ้นอีกครั้งโดยใช้ผลต่างที่เท่ากันก็จะเหมือนกัน ดังนั้นโดยใช้การทดสอบเหล่านั้นเพื่อที่จะสามารถพูดได้ว่าฉันไม่ได้ละเมิดข้อสันนิษฐานของ ANOVA เรื่องความเหมือนกันของความแปรปรวนฉันจะต้องใช้ค่า p ที่สูงกว่าระดับอัลฟ่าที่เลือก (พูด 0.05) เช่นด้วยข้อมูลที่ฉันใช้อยู่การทดสอบของ Bartlett จะส่งคืน p = 0.57 ในขณะที่การทดสอบของ Levene (พวกเขาเรียกมันว่าการทดสอบประเภท Brown-Forsythe Levene) ให้ ap = 0.95 นั่นหมายความว่าไม่ว่าฉันจะใช้การทดสอบแบบใดฉันสามารถพูดได้ว่าข้อมูลที่ฉันได้ตรงตามสมมติฐาน ฉันกำลังทำผิดพลาดหรือไม่? ขอบคุณ

11 anova  heteroscedasticity  levenes-test 

ดังนั้นสมมติว่ามีจุดหนึ่งในการทดสอบเกณฑ์ปกติของโนวา (ดู1และ2 ) มันสามารถทดสอบใน R ได้อย่างไร? ฉันคาดหวังว่าจะทำสิ่งที่ชอบ: ## From Venables and Ripley (2002) p.165. utils::data(npk, package="MASS") npk.aovE <- aov(yield ~ N*P*K + Error(block), npk) residuals(npk.aovE) qqnorm(residuals(npk.aov)) ซึ่งไม่ได้ผลเนื่องจาก "ส่วนที่เหลือ" ไม่มีวิธี (หรือคาดการณ์สำหรับเรื่องนั้น) สำหรับกรณีของมาตรการโนวาซ้ำ ๆ ดังนั้นสิ่งที่ควรทำในกรณีนี้? สามารถดึงสารตกค้างจากแบบจำลองแบบเดียวกันโดยไม่มีเงื่อนไขข้อผิดพลาดได้หรือไม่? ฉันไม่คุ้นเคยกับวรรณกรรมเพียงพอที่จะรู้ว่าสิ่งนี้ถูกต้องหรือไม่ขอบคุณล่วงหน้าสำหรับคำแนะนำใด ๆ

11 r  anova  normality-assumption  repeated-measures 

ตัวแปรตามใน MANOVA ไม่ควร "มีความสัมพันธ์มากเกินไป" แต่ความสัมพันธ์มีความแข็งแกร่งแค่ไหน มันจะน่าสนใจที่จะได้รับความคิดเห็นของผู้คนในเรื่องนี้ ตัวอย่างเช่นคุณจะดำเนินการกับ MANOVA ในสถานการณ์ต่อไปนี้หรือไม่? Y1 และ Y2 มีความสัมพันธ์กับและr=0.3r=0.3r=0.3p&lt;0.005p&lt;0.005p<0.005 Y1 และ Y2 มีความสัมพันธ์กับและr=0.7r=0.7r=0.7p=0.049p=0.049p=0.049 ปรับปรุง ตัวแทนบางคนเสนอราคาเพื่อตอบสนองต่อ @onestop: "MANOVA ทำงานได้ดีในสถานการณ์ที่มีความสัมพันธ์ในระดับปานกลางระหว่าง DVs" (หมายเหตุหลักสูตรจาก San Francisco State Uni) "ตัวแปรตามมีความสัมพันธ์ซึ่งเหมาะสมกับ Manova" (ไพรเมอร์สหรัฐอเมริกา EPA Stats) "ตัวแปรตามควรเกี่ยวข้องกับแนวคิดและควรมีความสัมพันธ์กับตัวแปรอื่นในระดับต่ำถึงปานกลาง" (หมายเหตุหลักสูตรจากมหาวิทยาลัย Northern Arizona) "DVs มีความสัมพันธ์กันจากประมาณ. 3 ถึง. 0.7 มีสิทธิ์" (Maxwell 2001, วารสารจิตวิทยาผู้บริโภค) nb ฉันไม่ได้อ้างถึงข้อสันนิษฐานว่าสัมพันธภาพระหว่าง Y1 และ …

11 correlation  anova  multivariate-analysis  rule-of-thumb  manova 

หากคุณเลือกที่จะวิเคราะห์การออกแบบการควบคุมการรักษาก่อนโพสต์ด้วยตัวแปรตามอย่างต่อเนื่องโดยใช้ ANOVA แบบผสมมีวิธีต่าง ๆ ในการวัดผลกระทบของการอยู่ในกลุ่มการรักษา เอฟเฟกต์การโต้ตอบเป็นหนึ่งในตัวเลือกหลัก โดยทั่วไปแล้วฉันชอบการวัดแบบ d ของ Cohen มากกว่า (เช่น ) ฉันไม่ชอบความแปรปรวนที่อธิบายมาตรการเนื่องจากผลลัพธ์แตกต่างกันไปตามปัจจัยที่ไม่เกี่ยวข้องเช่นขนาดตัวอย่างที่สัมพันธ์กันของกลุ่มμ1- μ2σμ1-μ2σ{\frac{\mu_1 - \mu_2}{\sigma}} ดังนั้นฉันคิดว่าฉันสามารถหาปริมาณผลกระทบได้ดังนี้ Δ μค= μc 2- μc 1Δμค=μค2-μค1\Delta\mu_c = \mu_{c2} - \mu_{c1} Δ μเสื้อ= μt 2- μt 1Δμเสื้อ=μเสื้อ2-μเสื้อ1\Delta\mu_t = \mu_{t2} - \mu_{t1} ดังนั้นขนาดของผลกระทบที่อาจจะหมายถึงΔ μเสื้อ- Δ μคσΔμเสื้อ-Δμคσ\frac{\Delta\mu_t - \Delta\mu_c}{\sigma} โดยที่อ้างถึงการควบคุม, tถึงการรักษา, และ 1 และ 2 …

11 anova  mixed-model  effect-size  cohens-d 

ขออภัยสำหรับพื้นหลัง verbose สำหรับคำถามนี้: ในการตรวจสอบพฤติกรรมสัตว์เป็นครั้งคราวผู้ทดลองมีความสนใจในระยะเวลาที่ผู้ทดลองใช้ในโซนที่กำหนดไว้ล่วงหน้าที่แตกต่างกันในเครื่องทดสอบ ฉันมักจะเห็นข้อมูลประเภทนี้วิเคราะห์โดยใช้ ANOVA; อย่างไรก็ตามฉันไม่เคยเชื่อมั่นในความถูกต้องทั้งหมดของการวิเคราะห์ดังกล่าวเนื่องจาก ANOVA ถือว่าการสังเกตเป็นอิสระและพวกเขาไม่เคยมีความเป็นอิสระในการวิเคราะห์เหล่านี้ (เนื่องจากใช้เวลามากขึ้นในโซนหนึ่งหมายความว่าใช้เวลาน้อยลงในโซนอื่น ๆ ! ) ตัวอย่างเช่น, DR Smith, CD Striplin, AM Geller, RB Mailman, J. Drago, CP Lawler, M. Gallagher, การประเมินพฤติกรรมของหนูที่ขาดตัวรับโดปามีน D1A , ประสาทวิทยาศาสตร์, เล่มที่ 86, ฉบับที่ 1, 21 พฤษภาคม 1998, หน้า 135-146 ในบทความข้างต้นพวกเขาลดองศาอิสระโดย 1 เพื่อชดเชยความไม่อิสระ อย่างไรก็ตามฉันไม่แน่ใจว่าการจัดการดังกล่าวสามารถแก้ไขการละเมิดสมมติฐานของ ANOVA ได้อย่างไร บางทีขั้นตอนไคสแควร์อาจเหมาะสมกว่าหรือไม่ คุณจะทำอย่างไรในการวิเคราะห์ข้อมูลเช่นนี้ (ค่ากำหนดสำหรับโซนตามเวลาที่ใช้ในโซน) …

11 anova 

ฉันมีโมเดลการแข่งขันสี่แบบที่ฉันใช้ในการทำนายตัวแปรผลลัพธ์แบบไบนารี (เช่นสถานะการจ้างงานหลังจบการศึกษา 1 = มีงานทำ, 0 = ไม่มีงานทำ) สำหรับอาสาสมัคร n คน ตัวชี้วัดตามธรรมชาติของประสิทธิภาพของแบบจำลองคืออัตราการเข้าชมซึ่งเป็นอัตราร้อยละของการทำนายที่ถูกต้องสำหรับแต่ละแบบจำลอง สำหรับฉันดูเหมือนว่าฉันไม่สามารถใช้ ANOVA ในการตั้งค่านี้ได้เนื่องจากข้อมูลละเมิดสมมติฐานที่ ANOVA อ้างอิง มีขั้นตอนที่เทียบเท่ากันที่ฉันสามารถใช้แทน ANOVA ในการตั้งค่าด้านบนเพื่อทดสอบสมมติฐานที่ว่าทั้งสี่รุ่นมีประสิทธิภาพเท่าเทียมกันหรือไม่

11 anova  chi-squared  generalized-linear-model 

mgcvแพคเกจสำหรับการRมีสองฟังก์ชั่นสำหรับการปฏิสัมพันธ์กระชับเมตริกซ์ผลิตภัณฑ์: และte() ti()ฉันเข้าใจการแบ่งขั้นพื้นฐานของการใช้แรงงานระหว่างคนทั้งสอง (ปรับให้เหมาะสมกับการทำงานแบบไม่เป็นเชิงเส้นเปรียบเทียบกับการย่อยสลายการโต้ตอบนี้เป็นผลกระทบหลักและการโต้ตอบ) สิ่งที่ฉันไม่เข้าใจคือสาเหตุte(x1, x2)และti(x1) + ti(x2) + ti(x1, x2)อาจให้ผลลัพธ์ที่แตกต่าง (เล็กน้อย) MWE (ดัดแปลงมาจาก?ti): require(mgcv) test1 &lt;- function(x,z,sx=0.3,sz=0.4) { x &lt;- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n &lt;- 500 x &lt;- runif(n)/20;z &lt;- runif(n); xs &lt;- seq(0,1,length=30)/20;zs &lt;- seq(0,1,length=30) pr &lt;- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth &lt;- matrix(test1(pr$x,pr$z),30,30) f &lt;- test1(x,z) y &lt;- f …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

ฉันพยายามสร้างการทดสอบการโต้ตอบหลายครั้งระหว่างมาตรการทั้งสองlmและlmerมาตรการซ้ำ (2x2x2) เหตุผลที่ฉันต้องการเปรียบเทียบทั้งสองวิธีนี้เป็นเพราะ GLM ของ SPSS สำหรับการวัดซ้ำ ๆ ทำให้ได้ผลลัพธ์ที่เหมือนกันกับlmวิธีที่นำเสนอที่นี่ดังนั้นในตอนท้ายฉันต้องการเปรียบเทียบ SPSS กับ R-lmer จนถึงตอนนี้ฉันทำได้แค่ทำซ้ำ (อย่างใกล้ชิด) ปฏิสัมพันธ์บางอย่าง คุณจะพบสคริปต์ด้านล่างเพื่อแสดงจุดของฉันให้ดีขึ้น: library(data.table) library(tidyr) library(lmerTest) library(MASS) set.seed(1) N &lt;- 100 # number of subjects sigma &lt;- 1 # popuplation sd rho &lt;- .6 # correlation between variables # X1: a a a a b b b …

10 anova  mixed-model  lme4-nlme  repeated-measures  lm 

ฉันมีชุดข้อมูลของการสังเกต 482 ชุด data=Populationfull ฉันจะทำการวิเคราะห์ความสัมพันธ์ของจีโนไทป์สำหรับ 3 SNP ฉันกำลังพยายามสร้างแบบจำลองสำหรับการวิเคราะห์ของฉันและฉันใช้ aov (y ~ x, data = ... ) สำหรับคุณลักษณะหนึ่งฉันมีเอฟเฟกต์คงที่และค่าแปรปรวนร่วมหลายอย่างที่ฉันได้รวมไว้ในโมเดลเช่น: Starts &lt;- aov(Starts~Sex+DMRT3+Birthyear+Country+Earnings+Voltsec+Autosec, data=Populationfull) summary(Starts) Df Sum Sq Mean Sq F value Pr(&gt;F) Sex 3 17.90 5.97 42.844 &lt; 2e-16 *** DMRT3 2 1.14 0.57 4.110 0.017 * Birthyear 9 5.59 0.62 4.461 …

10 r  anova 

ฉันใช้การถดถอย OLS แบบรวมกลุ่มโดยใช้แพ็คเกจ plm ใน R แม้ว่าคำถามของฉันจะเกี่ยวกับสถิติพื้นฐานมากขึ้นดังนั้นฉันจึงลองโพสต์ที่นี่ก่อน) เนื่องจากผลการถดถอยของฉันให้ผลตกค้างแบบ heteroskedastic ฉันต้องการลองใช้ข้อผิดพลาดมาตรฐานที่มีประสิทธิภาพแบบ เป็นผลมาจากcoeftest(mod, vcov.=vcovHC(mod, type="HC0"))ฉันได้รับตารางที่มีการประมาณการข้อผิดพลาดมาตรฐานค่า t และค่า p สำหรับตัวแปรอิสระแต่ละตัวซึ่งโดยทั่วไปแล้วเป็นผลการถดถอยที่ "แข็งแกร่ง" ของฉัน สำหรับการพูดคุยถึงความสำคัญของตัวแปรต่าง ๆ ฉันต้องการพล็อตการแบ่งปันความแปรปรวนที่อธิบายโดยตัวแปรอิสระแต่ละตัวดังนั้นฉันต้องการผลรวมกำลังสองตามลำดับ อย่างไรก็ตามการใช้ฟังก์ชั่นaov()ฉันไม่รู้ว่าจะบอกให้ R ใช้ข้อผิดพลาดมาตรฐานที่มีประสิทธิภาพได้อย่างไร ตอนนี้คำถามของฉันคือฉันจะรับตาราง ANOVA / ผลรวมของกำลังสองที่อ้างถึงข้อผิดพลาดมาตรฐานที่มีประสิทธิภาพได้อย่างไร เป็นไปได้หรือไม่ที่จะคำนวณตามตาราง ANOVA จากการถดถอยด้วยข้อผิดพลาดมาตรฐานปกติ แก้ไข: กล่าวอีกนัยหนึ่งและไม่สนใจปัญหา R- ของฉัน: หาก Rไม่ได้รับผลกระทบจากการใช้ข้อผิดพลาดมาตรฐานที่มีประสิทธิภาพการสนับสนุนที่เกี่ยวข้องเพื่ออธิบายความแปรปรวนโดยตัวแปรอธิบายที่แตกต่างกันจะไม่เปลี่ยนแปลงหรือไม่22^2 แก้ไข: ใน R aov(mod)ให้ตาราง ANOVA ที่ถูกต้องสำหรับ panelmodel (plm) จริงหรือไม่?

10 r  anova  multiple-regression  heteroscedasticity  robust-standard-error 

ทำไมการวัดซ้ำ ANOVA จึงถือว่าเป็นทรงกลม? โดยความกลมกลืนฉันหมายถึงการสันนิษฐานว่าความแปรปรวนของความแตกต่างของจำนวนคู่ระหว่างกลุ่มควรจะเท่ากัน โดยเฉพาะอย่างยิ่งฉันไม่เข้าใจว่าทำไมสิ่งนี้จึงควรเป็นข้อสันนิษฐานและไม่ใช่ว่าความแปรปรวนของกลุ่มที่สังเกตได้นั้นเหมือนกัน

10 anova  repeated-measures  assumptions  sphericity 

ฉันกำลังวิเคราะห์ผลลัพธ์ของการทดสอบเวลาตอบสนองใน R ฉันใช้มาตรการ ANOVA ซ้ำหลายครั้ง (1 ปัจจัยภายในเรื่องที่มี 2 ระดับและ 1 ระหว่างปัจจัยหัวเรื่องกับ 2 ระดับ) ฉันวิ่งคล้ายรูปแบบผสมเชิงเส้นและผมอยากจะสรุปผลการ lmer lmerTest::anovaในรูปแบบของตารางโดยใช้การวิเคราะห์ความแปรปรวน อย่าเข้าใจฉันผิด: ฉันไม่ได้คาดหวังผลลัพธ์ที่เหมือนกัน แต่ฉันไม่แน่ใจเกี่ยวกับระดับของเสรีภาพในlmerTest::anovaผลลัพธ์ สำหรับฉันแล้วมันค่อนข้างสะท้อนถึง ANOVA ที่ไม่มีการรวมกลุ่มวิชา ผมตระหนักถึงความจริงที่ว่าการคำนวณองศาอิสระในรูปแบบผสมผลเป็นเรื่องยุ่งยาก แต่lmerTest::anovaเป็นที่กล่าวถึงเป็นวิธีแก้ปัญหาที่เป็นไปได้ในการปรับปรุง?pvaluesหัวข้อ ( lme4แพคเกจ) การคำนวณนี้ถูกต้องหรือไม่ ผลลัพธ์ของการlmerTest::anovaสะท้อนรุ่นที่ระบุถูกต้องหรือไม่ ปรับปรุง:ฉันทำให้ความแตกต่างของแต่ละบุคคลมีขนาดใหญ่ขึ้น องศาความอิสระlmerTest::anovaนั้นแตกต่างจากโนวาแบบง่าย ๆ แต่ฉันก็ยังไม่แน่ใจว่าทำไมพวกเขาถึงมีขนาดใหญ่มากสำหรับปัจจัย / การโต้ตอบภายใน # mini example with ANT dataset from ez package library(ez); library(lme4); library(lmerTest) # repeated measures ANOVA …

10 anova  mixed-model  repeated-measures  lme4-nlme  degrees-of-freedom