क्या मुझे ANOVA और REGRESSION समकक्ष पर अपने बीयरिंग प्राप्त करने के लिए इस अस्थायी (प्रगति में) प्रयास को पूरा करने में मदद मिल सकती है? मैं इन दोनों पद्धतियों की अवधारणाओं, नामकरण और वाक्य विन्यास को समेटने की कोशिश कर रहा हूं। इस साइट पर उनकी समानता के बारे में कई पोस्ट हैं, उदाहरण के लिए यह या यह , लेकिन यह अभी भी एक अच्छा है कि आप जल्दी "आप यहाँ हैं" नक्शा शुरू होने पर।
मैं इस पोस्ट को अपडेट करने की योजना बनाता हूं, और गलतियों को सुधारने में सहायता प्राप्त करने की आशा करता हूं।
वन-वे एनोवा:
Structure: DV is continuous; IV is ONE FACTOR with different LEVELS.
Scenario: miles-per-gal. vs cylinders
Note that Income vs Gender (M, F) is a t-test.
Syntax: fit <- aov(mpg ~ as.factor(cyl), data = mtcars); summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
दो तरफा एनोवा:
Structure: DV is continuous; IV is > 1 FACTORS with different LEVELS.
Scenario: mpg ~ cylinders & carburators
Syntax: fit <- aov(mpg ~ as.factor(cyl) + as.factor(carb), mtcars);
summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) + as.factor(carb), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
दो तरफा फैक्टोरियल एनोवा:
Structure: All possible COMBINATIONS of LEVELS are considered.
Scenario: mpg ~ cylinders + carburetors + (4cyl/1,...8cyl/4)
Syntax: fit <- aov(mpg ~ as.factor(cyl) * as.factor(carb), mtcars);
summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) * as.factor(carb), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
ANCOVA:
Structure: DV continuous ~ Factor and continuous COVARIATE.
Scenario: mpg ~ cylinders + weight
Syntax: fit <- aov(mpg ~ as.factor(cyl) + wt, mtcars); summary(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) + wt, mtcars)
# with F dummy coded;
summary(fit); anova(fit)
Manova:
Structure: > 1 DVs continuous ~ 1 FACTOR ("One-way") or 2 FACTORS ("Two-way MANOVA").
Scenario: mpg and wt ~ cylinders
Syntax: fit <- manova(cbind(mpg,wt) ~ as.factor(cyl), mtcars); summary(fit)
Regression: N/A
MANCOVA:
Structure: > 1 DVs continuous ~ 1 FACTOR + 1 continuous (covariate) DV.
Scenario: mpg and wt ~ cyl + displacement (cubic inches)
Syntax: fit <- manova(cbind(mpg,wt) ~ as.factor(cyl) + disp, mtcars); summary(fit)
Regression: N/A
फैक्टर (या SUBJECT) एनोवा: ( यहाँ कोड )
Structure: DV continuous ~ FACTOR with each level * with subject (repeated observations).
Extension paired t-test. Each subject measured at each level multiple times.
Scenario: Memory rate ~ Emotional value of words for Subjects @ Times
Syntax: fit <- aov(Recall_Rate ~ Emtl_Value * Time + Error(Subject/Time), data);
summary(fit); print(model.tables(fit, "means"), digits=3);
boxplot(Recall_Rate ~ Emtl_Value, data=data)
with(data, interaction.plot(Time, Emtl_Value, Recall_Rate))
with(data, interaction.plot(Subject, Emtl_Value, Recall_Rate))
NOTE: Data should be in the LONG FORMAT (same subject in multiple rows)
Regression: Mixed Effects
require(lme4); require(lmerTest)
fit <- lmer(Recall_Rate ~ Emtl_Value * Time + (1|Subject/Time), data);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
require(nlme)
fit <- lme(Recall_Rate ~ Emtl_Value * Time, random = ~1|Subject/Time, data)
summary(fit); anova(fit); coefficients(fit); confint(fit)
SPLIT-PLOT: ( यहाँ कोड )
Structure: DV continuous ~ FACTOR/-S with RANDOM EFFECTS and pseudoreplication.
Scenario: Harvest yield ~ Factors = Irrigation / Density of seeds / Fertilizer
& RANDOM EFFECTS (Blocks and plots of land):
Syntax: fit <- aov(yield ~ irrigation * density * fertilizer +
Error(block/irrigation/density), data); summary(fit)
Regression: Mixed Effects
require(lme4); require(lmerTest);
fit <- lmer(yield ~ irrigation * fertilizer +
(1|block/irrigation/density), data = splityield);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
library(nlme)
fit <- lme(yield ~ irrigation * variety, random=~1|field, irrigation)
summary(fit); anova(fit)
नेस्टड डिजाइन: ( यहाँ कोड )
Structure: DV continuous ~ FACTOR/-S with pseudoreplication.
Scenario: [Glycogen] ~ Factors = Treatment & RANDOM EFFECTS with Russian-doll effect:
Six rats (6 Livers)-> 3 Microscopic Slides/Liver-> 2 Readings/Slide).
Syntax: fit <- aov(Glycogen ~ Treatment + Error(Rat/Liver), data); summary(fit)
Regression: Mixed Effects
require(lme4); require(lmerTest)
fit <- lmer(Glycogen ~ Treatment + (1|Rat/Liver), rats);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
require(nlme)
fit<-lme(Glycogen ~ Treatment, random=~1|Rat/Liver, rats)
summary(fit); anova(fit); VarCorr(fit)
उपयोगी सामग्री:
धन्यवाद! लापरवाही भरी गलतियां। आपके नोट की बदौलत मैंने भी निरंतर के रूप में इलाज किए गए सिलेंडर का पता लगाया, इसलिए मैंने इसे बदलकर as.factor कर दिया। और, मैंने TukeyHSD को शामिल किया।
—
एंटोनी परेलाडा
मुझे लगता है कि आपको शीर्षक से ival सर्वाइवल ’को छोड़ देना चाहिए क्योंकि यह बहुत विशिष्ट क्षेत्र है कि आप क्या (बहुत अच्छी तरह से) संक्षेप में पूरी तरह से असंबंधित हैं।
—
ब्रायन हैनसन
अच्छा सारांश एंटोनी! हो सकता है कि आप बेन बोल्कर और शायद कुछ सरल द्विपद और पॉसन उदाहरण (GLM और GLMM) द्वारा glmmFAQs जोड़ सकते हैं । लेकिन मैं समझता हूं कि यह चीजों को बहुत जटिल कर सकता है और इस अच्छे और संक्षिप्त सारांश से दूर ले जाता है। वैकल्पिक रूप से आप इस साइट के उदाहरणों से जुड़ सकते हैं। एक पूर्ण सरल पॉसन
—
Stefan
cyl + hp। Horespower निरंतर है, इसलिए यहां काम नहीं करता है।carbकार्बोरेटर की संख्या एक बेहतर विकल्प होगा।