나의 주요 질문은 유형 I (순차) 분산 분석을 수행 할 때 출력 (계수, F, P)을 해석하는 방법입니다.
내 특정 연구 문제는 조금 더 복잡하므로 예제를 여러 부분으로 나눌 것입니다. 첫째, 식물 성장 (Y1)에 대한 거미 밀도 (X1)의 효과에 관심이 있고 인클로저에 묘목을 심고 거미 밀도를 조작하면 간단한 분산 분석 또는 선형 회귀로 데이터를 분석 할 수 있습니다. 그런 다음 분산 분석에 Type I, II 또는 III Sum of Squares (SS)를 사용하더라도 문제가되지 않습니다. 필자의 경우 밀도가 4 개인 반복 실험이 있으므로 밀도를 요인 또는 연속 변수로 사용할 수 있습니다. 이 경우 연속 독립 변수 (예측 변수)로 해석하는 것을 선호합니다. RI에서 다음을 실행할 수 있습니다.
lm1 <- lm(y1 ~ density, data = Ena)
summary(lm1)
anova(lm1)
anova 함수를 실행하면 나중에 비교하는 것이 합리적이므로 여기에서 그 이상을 무시하십시오. 출력은 다음과 같습니다.
Response: y1
Df Sum Sq Mean Sq F value Pr(>F)
density 1 0.48357 0.48357 3.4279 0.08058 .
Residuals 18 2.53920 0.14107
이제 제가 통제 할 수 없었던 토양의 무기 질소의 시작 수준이 식물의 생장에도 크게 영향을 미쳤다고 생각합니다. 이 효과에 특별히 관심이 없지만 그로 인한 변화를 잠재적으로 설명하고 싶습니다. 실제로, 나의 주요 관심사는 거미 밀도의 영향에 관한 것입니다 (가설 : 거미 밀도가 증가하면 초식성 곤충의 감소를 통해 아마도 식물의 성장이 증가하지만 메커니즘이 아닌 그 효과 만 테스트하고 있습니다). 무기 N의 영향을 분석에 추가 할 수 있습니다.
내 질문을 위해 상호 작용 밀도 * 무기 N을 테스트하고 중요하지 않은 것으로 가정하여 분석에서 제거하고 다음과 같은 주요 효과를 실행하십시오.
> lm2 <- lm(y1 ~ density + inorganicN, data = Ena)
> anova(lm2)
Analysis of Variance Table
Response: y1
Df Sum Sq Mean Sq F value Pr(>F)
density 1 0.48357 0.48357 3.4113 0.08223 .
inorganicN 1 0.12936 0.12936 0.9126 0.35282
Residuals 17 2.40983 0.14175
이제는 Type I 또는 Type II SS를 사용하는지 여부에 차이가 있습니다 (일부 사람들은 Type I & II 등의 용어에 반대하지만 SAS의 인기를 감안할 때 간단합니다). R anova {stats}는 기본적으로 유형 I을 사용합니다. 주요 효과의 순서를 반대로하여 밀도에 대한 유형 II SS, F 및 P를 계산하거나 John Fox 박사의 "car"패키지 (적용된 회귀에 대한 컴패니언)를 사용할 수 있습니다. 더 복잡한 문제가 더 쉽기 때문에 후자의 방법을 선호합니다.
library(car)
Anova(lm2)
Sum Sq Df F value Pr(>F)
density 0.58425 1 4.1216 0.05829 .
inorganicN 0.12936 1 0.9126 0.35282
Residuals 2.40983 17
제 II 형 가설은 "(상수를 유지 하는가?) x2의 효과가 주어지면 y1에 x1의 선형 효과가 없으며 x1이 주어진 x2에 대해서도 동일하다는 것입니다. 나는 이것이 내가 혼란스러워하는 곳이라고 생각한다. 유형 II 방법을 사용하는 가설과 비교하여 위의 유형 I (순차) 방법을 사용하여 ANOVA에 의해 테스트되는 가설은 무엇입니까?
실제로, 식물 역학 및 영양소 역학 및 쓰레기 분해의 수많은 메트릭스를 측정했기 때문에 데이터가 좀 더 복잡합니다. 내 실제 분석은 다음과 같습니다.
Y <- cbind(y1 + y2 + y3 + y4 + y5)
# Type II
mlm1 <- lm(Y ~ density + nitrate + Npred, data = Ena)
Manova(mlm1)
Type II MANOVA Tests: Pillai test statistic
Df test stat approx F num Df den Df Pr(>F)
density 1 0.34397 1 5 12 0.34269
nitrate 1 0.99994 40337 5 12 < 2e-16 ***
Npred 1 0.65582 5 5 12 0.01445 *
# Type I
maov1 <- manova(Y ~ density + nitrate + Npred, data = Ena)
summary(maov1)
Df Pillai approx F num Df den Df Pr(>F)
density 1 0.99950 4762 5 12 < 2e-16 ***
nitrate 1 0.99995 46248 5 12 < 2e-16 ***
Npred 1 0.65582 5 5 12 0.01445 *
Residuals 16