Это иллюстрирует, как получить сравнение для Set1_A и Set2_A. Чтобы определить, являются ли они одновременными «истинными», вам необходимо использовать многомерный анализ.
Set1 <- read.table(text="A B C
11.0 11.0 11.0
23.3 23.3 23.3
44.6 -1.3 -7.1
-1.9 -1.9 -1.9", header=TRUE)
Set2<- read.table(text="A B C
3.9 3.9 3.9
-6.1 -6.1 -6.1
-34.6 -95.7 -102.4
7.0 7.0 7.0", header=TRUE)
combset <- rbind(Set1, Set2)
combset$grp <- rep(c("Set1", "Set2"), times=c(nrow(Set1), nrow(Set2) ) )
combset
#----------------
A B C grp
1 11.0 11.0 11.0 Set1
2 23.3 23.3 23.3 Set1
3 44.6 -1.3 -7.1 Set1
4 -1.9 -1.9 -1.9 Set1
5 3.9 3.9 3.9 Set2
6 -6.1 -6.1 -6.1 Set2
7 -34.6 -95.7 -102.4 Set2
8 7.0 7.0 7.0 Set2
Теперь, когда у вас есть данные в так называемом длинном формате, вы можете использовать идентификатор группы в качестве фактора в вызове lm.formula
:
lm(A ~ grp, data=combset)
Call:
lm(formula = A ~ grp, data = combset)
Coefficients:
(Intercept) grpSet2
19.25 -26.70
Warning message:
In model.matrix.default(mt, mf, contrasts) :
variable 'grp' converted to a factor
> anova(lm(A ~ grp, data=combset))
Analysis of Variance Table
Response: A
Df Sum Sq Mean Sq F value Pr(>F)
grp 1 1425.8 1425.78 3.8004 0.09913 .
Residuals 6 2251.0 375.16
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Warning message:
In model.matrix.default(mt, mf, contrasts) :
variable 'grp' converted to a factor
Можно построить многомерную модель. НО... уверены ли вы, что можете правильно интерпретировать это и знаете о статистической проблеме, которая может возникнуть?
> lm( A + B + C ~ grp, combset)
Call:
lm(formula = A + B + C ~ grp, data = combset)
Coefficients:
(Intercept) grpSet2
33.35 -87.92
Warning message:
In model.matrix.default(mt, mf, contrasts) :
variable 'grp' converted to a factor
> anova(lm( A + B + C ~ grp, combset))
Analysis of Variance Table
Response: A + B + C
Df Sum Sq Mean Sq F value Pr(>F)
grp 1 15462 15461.6 2.016 0.2055
Residuals 6 46017 7669.6
Warning message:
In model.matrix.default(mt, mf, contrasts) :
variable 'grp' converted to a factor
Меня беспокоил этот ответ, потому что я думал, что нужно было оценивать больше коэффициентов. Я вспомнил статью Питера Далгаарда в RNews и просмотрел ее. . Это должно было быть то, что я предложил:
> lm( cbind(A, B, C) ~ grp, combset)
Call:
lm(formula = cbind(A, B, C) ~ grp, data = combset)
Coefficients:
A B C
(Intercept) 19.250 7.775 6.325
grpSet2 -26.700 -30.500 -30.725
Warning message:
In model.matrix.default(mt, mf, contrasts) :
variable 'grp' converted to a factor
> anova(lm( cbind(A, B, C) ~ grp, combset))
Analysis of Variance Table
Df Pillai approx F num Df den Df Pr(>F)
(Intercept) 1 0.51946 1.44130 3 4 0.3557
grp 1 0.42690 0.99318 3 4 0.4813
Residuals 6
Warning message:
In model.matrix.default(mt, mf, contrasts) :
variable 'grp' converted to a factor
> class(lm( cbind(A, B, C) ~ grp, combset))
[1] "mlm" "lm"
Warning message:
In model.matrix.default(mt, mf, contrasts) :
variable 'grp' converted to a factor
Обратите внимание, что представлена «настоящая» многомерная статистика вывода (например, кривая Пиллаи или кривая Уилкса или Хотеллинга) и представлены три отдельных коэффициента для A, B и C, а класс выходных данных — «mlm», а не просто «lm». . Вы также должны посмотреть на ?anova.mlm
.
person
IRTFM
schedule
05.03.2013