ANOVA også kendt som Analysis of Variance er en kraftfuld statistisk metode til at teste en hypotese, der involverer mere end to grupper (også kendt som behandlinger). ANOVA er dog begrænset til at give en detaljeret indsigt mellem forskellige behandlinger eller grupper, og det er her, Tukey (T) test også kendt som t-test kommer ind for at spille. I denne tutorial vil jeg vise, hvordan man forbereder input filer og kører ANOVA og Tukey test i R Soft .are., For detaljerede oplysninger om ANOVA og R, læs venligst denne artikel på dette link.
trin 1.0 do .nload og installer R-Soft .are og R studio
- do .nload og installer den nyeste version af R-Soft .aren fra dette link
- do .nload og installer R studio fra dette link
- endelig skal du installere biblioteket librarytl i R
Trin 1.,2 – Opsætning arbejdsmappe at følge nedenstående trin:
Opret en input-fil, som vist i eksemplet nedenfor:
Trin 2: Køre ANOVA F
2.,1 Import R pakke
Installer r pakke agricolae og åbn biblioteket ved at skrive nedenstående kommandolinje:
library(agricolae)
Bemærk: Husk at installere den korrekte r-pakke til Anova!
2.2 Importer data
Importer dine data ved at skrive nedenstående kommandolinje:
data= read.table(file = "fileName.txt", header = T)2.3 Kontroller data
når dataene er importeret, skal du kontrollere dem ved at skrive nedenstående kommandolinje:
head(data_pressure)tail(data_pressure)2.,4 Udfør ANOVA
nu skal du blot køre ANOVA ved at skrive nedenstående kommandolinjer:
data.lm <- lm(data$Dependent_variable ~ data$Treatment, data = data)data.av <- aov(data.lm)summary(data.av)resultaterne skal se ens ud som det ses nedenfor:
fra resum outputudgangen kan man fortolke, at der er en betydelig forskel (dvs.6e90dc0874″>
0.001) mellemTreatments udfører vi imidlertid tukeys test for at undersøge forskellene mellem alle treaments ved hjælp af trin nedenfor.
3.,0 Udfør Tukey-test
skriv nedenstående kommandoer for at køre Tukey-test:
data.test <- TukeyHSD(data.av)data.testnedenfor er resum theet af Tukey-testen:
fra ovenstående T-test kan man konkludere, at der er en betydelig forskel i de fleste grupper, undtagen mellemgrupper E-D ved P <0.,001
Finally, one can plot the above results using the below command:
plot(data.test)Output:
