Daftar Isi:
- Dengan tabel model ) Fungsi, Anda dapat melihat hasilnya untuk tingkat faktor individual. Fungsi ini memungkinkan Anda untuk membuat dua tabel yang berbeda, apakah Anda melihat perkiraan hasil rata-rata untuk setiap grup, atau Anda melihat perbedaannya dengan keseluruhan Untuk mengetahui berapa banyak efek semprotan, gunakan kode berikut: >> model tabel (AOVModel, type = "effects") Tabel efek spray spray ABCDEF 5. 000 5. 833 -7 7.17
- Objek perbandingan sekarang berisi daftar di mana setiap elemen diberi nama sesuai satu faktor dalam model. Sebagai contoh, Anda hanya memiliki satu elemen, yang disebut semprotan. Unsur ini berisi, untuk setiap kombinasi semprotan, berikut ini:
Video: The 7 Steps of Machine Learning (AI Adventures) 2024
Untuk memeriksa model data yang Anda buat dengan ANOVA (analisis varians), Anda dapat menggunakan R ringkasan () fungsi pada objek model seperti ini: >> summary (AOVModel) Df Sum Sq Mean Sq Nilai F Pr (> F) semprot 5 2669 533. 8 34. 7 <2e-16 *** Residu 66 1015 15. 4 --- Signif. kode: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1 "1
R membuat Anda menganalisis tabel varians yang, pada intinya, memberi tahu Anda apakah istilah yang berbeda dapat menjelaskan sebagian besar varians dalam data Anda. Tabel ini hanya memberi tahu Anda sesuatu tentang istilah tersebut, tapi apa-apa tentang perbedaan antara semprotan yang berbeda Untuk itu, Anda perlu menggali sedikit lebih dalam
Dengan tabel model) Fungsi, Anda dapat melihat hasilnya untuk tingkat faktor individual. Fungsi ini memungkinkan Anda untuk membuat dua tabel yang berbeda, apakah Anda melihat perkiraan hasil rata-rata untuk setiap grup, atau Anda melihat perbedaannya dengan keseluruhan Untuk mengetahui berapa banyak efek semprotan, gunakan kode berikut: >> model tabel (AOVModel, type = "effects") Tabel efek spray spray ABCDEF 5. 000 5. 833 -7 7.17
Di sini Anda melihat bahwa, misalnya, semprotan E menghasilkan rata-rata enam bug kurang dari rata-rata di semua bidang. Di sisi lain, di ladang dimana semprotan A digunakan, rata-rata, masing-masing lima serangga ditemukan lebih banyak dibandingkan dengan rata-rata keseluruhannya.
Untuk mendapatkan mean model per kelompok dan mean keseluruhannya, cukup gunakan tipe nilai argumen = 'means' dan bukan type = 'effects'.
Bagaimana melihat perbedaan data individu
Seorang petani mungkin tidak mempertimbangkan untuk membeli semprot A, tapi bagaimana dengan semprotan D? Meski semprotan E dan C nampaknya lebih baik, harganya juga bisa jauh lebih mahal. Untuk menguji apakah perbedaan antara semprotan antara semprotan itu signifikan, Anda menggunakan uji Tukri's Honest Significant Difference (HSD). Fungsi TukeyHSD () memungkinkan Anda melakukannya dengan sangat mudah, seperti ini:
Objek perbandingan sekarang berisi daftar di mana setiap elemen diberi nama sesuai satu faktor dalam model. Sebagai contoh, Anda hanya memiliki satu elemen, yang disebut semprotan. Unsur ini berisi, untuk setiap kombinasi semprotan, berikut ini:
Perbedaan antara mean.
Tingkat kepercayaan yang lebih rendah dan lebih tinggi dari interval kepercayaan 95 persen di sekitar perbedaan rata-rata itu.Nilai p yang memberi tahu Anda apakah perbedaan ini berbeda secara signifikan dari nol.Nilai p ini disesuaikan dengan menggunakan metode Tukey (dengan demikian, nama kolom p adj).
Anda dapat mengekstrak semua informasi itu dengan menggunakan metode klasik untuk ekstraksi. Misalnya, Anda mendapatkan informasi tentang perbedaan antara D dan C seperti ini: >> Perbandingan $ semprot ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707
-
Perbedaan itu tidak terlihat mengesankan, jika Anda bertanya kepada Tukey.
-
Bagaimana merencanakan perbedaan
-
Objek TukeyHSD memiliki fitur bagus lainnya: Ini bisa diplot. Jangan repot-repot mencari halaman Bantuan dari fungsi plot - semua yang Anda temukan adalah satu kalimat: "Ada metode plot. "Tapi pasti berhasil! Cobalah seperti ini: >> plot (Perbandingan, las = 1)
Anda melihat output dari baris sederhana ini. Setiap garis mewakili perbedaan rata-rata antara kedua kelompok dengan interval kepercayaan yang ditentukan. Kapan pun interval kepercayaan tidak termasuk nol (garis vertikal), perbedaan antara kedua kelompok itu signifikan.
Anda dapat menggunakan beberapa parameter grafis untuk membuat plot lebih mudah dibaca. Secara khusus, parameter las berguna disini. Dengan mengaturnya ke 1, Anda memastikan semua label sumbu dicetak secara horisontal sehingga Anda benar-benar bisa membacanya.