ANOVA og Tukey test i R programvaren på bare noen skritt!

ANOVA også kjent som Analysis of Variance er en kraftig statistisk metode for å teste en hypotese som involverer mer enn to grupper (også kjent som behandlinger). Imidlertid, ANOVA er begrenset i å gi en detaljert innsikt mellom ulike behandlinger eller grupper, og dette er hvor Tukey (T) test også kjent som T-test kommer i å spille. I denne opplæringen vil jeg vise hvordan å forberede input filer og kjøre ANOVA og Tukey test i R programvare., For detaljert informasjon om ANOVA og R, kan du lese denne artikkelen på denne linken.

Trinn 1.0 Laste ned og installere R programvare og R-studio

1. Last ned og installer den nyeste versjonen av R-programvaren fra denne linken
2. Last ned og installer R-studio fra denne linken
3. til Slutt, installere biblioteket qtl i R

Trinn 1.,2 – Oppsett arbeidsmappe følgende trinnene nedenfor:

Opprette en input-fil som vist i eksemplet nedenfor:

2.,1 Import R pakken

Installer R pakken agricolae og åpne biblioteket for å skrive under kommando linje:

library(agricolae)

Merk: Husk å installere riktig R-pakken for ANOVA!

2.2 Import av data

Importere dine data ved å skrive under kommando linje:

data= read.table(file = "fileName.txt", header = T)

2.3 Kontrollere data

Når dataene er importert, sjekk det ved å skrive under kommando linje:

head(data_pressure)tail(data_pressure)

2.,4 Oppførsel ANOVA

Nå, Bare kjør ANOVA ved å skrive under kommando linjer:

data.lm <- lm(data$Dependent_variable ~ data$Treatment, data = data)data.av <- aov(data.lm)summary(data.av)

resultatene skal se ut som vist nedenfor:

Fra sammendraget utgang, man kan tolke at det er en signifikant forskjell (dvs. P < 0.001) mellom Treatments, men vi perfom Tukey ‘ s Test for å undersøke forskjeller mellom alle treaments ved hjelp av fremgangsmåten nedenfor.

3.,0 Gjennomføre Tukey test

Skriv inn kommandoene nedenfor for å kjøre Tukey test:

data.test <- TukeyHSD(data.av)data.test

Nedenfor er et sammendrag av Tukey test:

Fra over T-test, kan man konkludere med at det er en betydelig forskjell i de fleste grupper, bortsett fra mellom-gruppene E-D i P <0.,001

Finally, one can plot the above results using the below command:

plot(data.test)

Output: