Cómo evaluar las diferencias en sus datos con dummies R

Para verificar el modelo de datos que creó con ANOVA (análisis de varianza), puede usar La función de resumen de R () en el modelo de objeto así: >> resumen (AOVModelo) Df Suma Sq Media Sq Valor F Pr (> F) pulverización 5 2669 533. 8 34. 7 <2e-16 *** Residuales 66 1015 15. 4 --- Signif. códigos: 0 '***' 0. 001 '**' 0. 01 '*' 0. 05 '. '0. 1' '1

R le imprime una tabla de análisis de varianza que, en esencia, le dice si los diferentes términos pueden explicar una porción significativa de la varianza en sus datos. Esta tabla solo le dice algo sobre el término, pero nada acerca de las diferencias entre los diferentes aerosoles. Para eso, necesita profundizar un poco más.

Cómo verificar las tablas del modelo de datos

Con las tablas del modelo.) función, puede ver los resultados para los niveles individuales de los factores. La función le permite crear dos tablas diferentes, ya sea que mire el resultado promedio estimado para cada grupo o mire la diferencia con el total significa

Para saber cuánto efecto tenía cada pulverización, utiliza el siguiente código: >> modelo. tablas (AOVModelo, tipo = "efectos") Tablas de efectos spray spray ABCDEF 5. 000 5. 833 -7 417 -4. 583 -6. 000 7. 167

Aquí puede ver que, por ejemplo, la pulverización E resultó, en promedio, en seis errores menos que el promedio en todos los campos. Por otro lado, en los campos donde se utilizó el aerosol A, los agricultores encontraron, en promedio, cinco errores más en comparación con la media general.

Para obtener los medios modelados por grupo y la media global, solo use el valor de argumento type = 'means' en lugar de type = 'effects'.

Cómo ver las diferencias individuales en los datos

Un agricultor probablemente no consideraría comprar un aerosol A, pero ¿qué pasa con el rociado D? Aunque los aerosoles E y C parecen ser mejores, también pueden ser mucho más costosos. Para probar si las diferencias por pares entre los aerosoles son significativas, utilice la prueba de diferencia significativa honesta (HSD) de Tukey. La función TukeyHSD () le permite hacer eso muy fácilmente, así:

>> Comparaciones <- tukeyHSD (Modelo)

El objeto Comparaciones ahora contiene una lista donde cada elemento lleva el nombre de un factor en el modelo. En el ejemplo, tiene solo un elemento, llamado spray. Este elemento contiene, para cada combinación de sprays, lo siguiente:

La diferencia entre los medios.

El nivel inferior y superior del intervalo de confianza del 95 por ciento en torno a esa diferencia de medias.

El valor p que le dice si esta diferencia es significativamente diferente de cero.Este valor p se ajusta usando el método de Tukey (de ahí el nombre de columna p adj).

• Puede extraer toda esa información usando los métodos clásicos de extracción. Por ejemplo, obtiene la información sobre la diferencia entre D y C de la siguiente manera: >> Comparaciones $ spray ['D-C',] diff lwr upr p adj 2. 8333333 -1. 8660752 7. 5327418 0. 4920707

• Esa diferencia no se ve impresionante, si le preguntas a Tukey.

• Cómo trazar las diferencias

El objeto TukeyHSD tiene otra buena característica: se puede trazar. No se moleste en buscar una página de Ayuda de la función de diagrama; todo lo que encuentra es una oración: "Hay un método de trazado. "¡Pero definitivamente funciona! Pruébelo así: gráfico >> (Comparaciones, las = 1)

Verá el resultado de esta línea simple. Cada línea representa la diferencia de medias entre ambos grupos con el intervalo de confianza correspondiente. Siempre que el intervalo de confianza no incluya cero (la línea vertical), la diferencia entre ambos grupos es significativa.

Puede usar algunos de los parámetros gráficos para hacer que la trama sea más legible. Específicamente, el parámetro de las es útil aquí. Al establecerlo en 1, se asegura de que todas las etiquetas de eje se impriman horizontalmente para que pueda leerlas.