ANOVA znana również jako Analysis of Variance jest potężną metodą statystyczną do testowania hipotezy obejmującej więcej niż dwie grupy (znane również jako zabiegi). Jednak ANOVA jest ograniczona w dostarczaniu szczegółowych informacji między różnymi metodami leczenia lub grupami, i to jest miejsce, w którym Tukey (T) test znany również jako t-test wchodzi do gry. W tym samouczku pokażę, jak przygotować pliki input I uruchomić test ANOVA i Tukey w oprogramowaniu R., Aby uzyskać szczegółowe informacje na temat ANOVA i R, przeczytaj ten artykuł pod tym linkiem.
krok 1.0 Pobierz i zainstaluj oprogramowanie R i R studio
- Pobierz i zainstaluj najnowszą wersję oprogramowania R z tego linku
- Pobierz i zainstaluj oprogramowanie R studio z tego linku
- na koniec zainstaluj bibliotekę qtl w R
Krok 1.,2 – Ustaw katalog roboczy wykonując poniższe kroki:
Utwórz plik wejściowy, jak pokazano w poniższym przykładzie:
Krok 2: Uruchom ANOVA w r
2.,1 Importuj Pakiet R
zainstaluj pakiet r agricolae I otwórz bibliotekę wpisując poniższy wiersz poleceń:
library(agricolae)
Uwaga: Pamiętaj, aby zainstalować poprawny pakiet R dla ANOVA!
2.2 Importuj dane
Importuj dane, wpisując poniższy wiersz poleceń:
data= read.table(file = "fileName.txt", header = T)2.3 Sprawdź dane
Po zaimportowaniu danych sprawdź je, wpisując poniższy wiersz poleceń:
head(data_pressure)tail(data_pressure)2.,4 przeprowadź ANOVA
teraz po prostu uruchom ANOVA, wpisując poniższe wiersze poleceń:
data.lm <- lm(data$Dependent_variable ~ data$Treatment, data = data)data.av <- aov(data.lm)summary(data.av)wyniki powinny wyglądać podobnie jak poniżej:
z podsumowania można zinterpretować, że istnieje znacząca różnica (np. tj. p < 0.001) pomiędzy Treatments, jednak my perfom Tukey ' s test zbadać różnice między wszystkimi treaments za pomocą kroków poniżej.
3.,0 przeprowadzenie testu Tukey
wpisz poniżej polecenia, aby uruchomić test Tukey:
data.test <- TukeyHSD(data.av)data.testponiżej znajduje się podsumowanie testu Tukey:
z powyższego testu T można wywnioskować, że istnieje znacząca różnica w większości grup, z wyjątkiem między grupami E-D przy P < 0.,001
Finally, one can plot the above results using the below command:
plot(data.test)Output:
