1) R의 꽃, R의 주목적이다보니 분량이 어마무시하게 길다. 네이버에서 글 분량갖고 자르진 않겠지만 그래서 상, 하편으로 나눠서 작성할 예정이다. (cookbook 소챕터 3:3으로 나눔)
2) 그리고 이새기들 자꾸 안 알려주고 뜬금없이 라이브러리 소환하세요 하는데 오늘도 깔아야 할 패키지가 있다. 하편에 나오는 것도 있고 상편에 나오는 것도 있는데 그냥 다 깔고 가자.
install.packages("car")
install.packages("ggplot2")
install.packages("exact2x2")
install.packages("irr")3) 처음 보는 분석들이 많아서 나도 이게 뭔지 모른다. 따라서 이론적인 설명은 패스.
참고로 여기서 만드는 데이터는 진짜 새발의 피수준... 나중 가면 라이브러리 깔아서 불러온다.
> set.seed(1)
> xvar=1:20+rnorm(20,sd=3)
> zvar=1:20/4+rnorm(20,sd=2)
> yvar=2*xvar+xvar*zvar/5+3+rnorm(20,sd=4)> dat=data.frame(x=xvar,y=yvar,z=zvar)
> dat
x y z
1 -0.8793614 0.2159694 2.0879547
2 2.5509300 8.1415762 2.0642726
3 0.4931142 6.8627566 0.8991300
4 8.7858424 17.5642539 -2.9787034
5 5.9885233 15.2038911 2.4896515
6 3.5385948 8.2293408 1.3877425
7 8.4622872 23.8173481 1.4384090
8 10.2149741 24.5805906 -0.9415048
9 10.7273441 26.7808960 1.2936999
10 9.0838348 30.7526228 3.3358831
11 15.5353435 52.6505709 5.4673591
12 13.1695297 34.2512053 2.7944245
13 11.1362783 35.6025037 4.0253432
14 7.3559003 18.1851647 3.3923899
15 18.3747928 49.1415013 0.9958809
16 15.8651992 52.7105687 3.1700109
17 16.9514292 47.1691760 3.4614201
18 20.8315086 58.7406015 4.3813732
19 21.4636636 78.0409159 6.9500507
20 21.7817040 74.4542008 6.5263515회귀분석은 이놈으로 해 보자.
> head(dat)
x y z
1 -0.8793614 0.2159694 2.087955
2 2.5509300 8.1415762 2.064273
3 0.4931142 6.8627566 0.899130
4 8.7858424 17.5642539 -2.978703
5 5.9885233 15.2038911 2.489651
6 3.5385948 8.2293408 1.387743> tail(dat)
x y z
15 18.37479 49.14150 0.9958809
16 15.86520 52.71057 3.1700109
17 16.95143 47.16918 3.4614201
18 20.83151 58.74060 4.3813732
19 21.46366 78.04092 6.9500507
20 21.78170 74.45420 6.5263515참고로 데이터 분량이 씁 아 이건 좀 그렇네 싶으면 head()나 tail()을 써 보자. pandas의 head(), tail()과 똑같이 데이터의 머리꼬리를 뽑아준다.
> head(dfa,5)
rater1 rater2
1 3 3
2 3 6
3 3 4
4 4 6
5 5 2숫자 지정은 이런 식으로 하면 된다. 아무튼 다시 분석하러 가 봅시다.
상관계수는 그냥 이걸로 분석하면 된다.
> cor(dat$x,dat$y)
[1] 0.9669456혹시 분석을 뭉텅이로 해야 해서 일일이 못 돌릴 것 같은가?
> cor(dat)
x y z
x 1.0000000 0.9669456 0.5479301
y 0.9669456 1.0000000 0.6893575
z 0.5479301 0.6893575 1.0000000아 그럼 행렬 만들면 된다.
> round(cor(dat),2)
x y z
x 1.00 0.97 0.55
y 0.97 1.00 0.69
z 0.55 0.69 1.00반올림도 해준다.
Bradford assay의 경우 무게를 알고 있는 단백질을 Bradford adday를 통해 분석한 다음 그걸로 standard curve를 그리게 되는데, 이 때 r^2를 계산하게 된다. 그리고 r^2가 1에 가까울 수록 잘 된거다. 그 알제곱이 저거다. 아마도?
> fit=lm(y~x,data=dat)
> fit
Call:
lm(formula = y ~ x, data = dat)
Coefficients:
(Intercept) x
-1.962 3.172> fit=lm(dat$y~dat$x)
> fit
Call:
lm(formula = dat$y ~ dat$x)
Coefficients:
(Intercept) dat$x
-1.962 3.172선형 회귀 분석은 이걸로 하면 된다. 둘 다 같은건데, 위 코드는 데이터프레임 컬럼 불러서 진행한거고 아래는 데이터프레임 컬럼 벡터로 픽해서 했다. Intercept는 절편(여기서는 y 절편).
> summary(fit)
Call:
lm(formula = dat$y ~ dat$x)
Residuals:
Min 1Q Median 3Q Max
-8.341 -5.304 -1.047 4.505 11.925
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.9619 2.5497 -0.769 0.452
dat$x 3.1718 0.1971 16.089 3.97e-12 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.894 on 18 degrees of freedom
Multiple R-squared: 0.935, Adjusted R-squared: 0.9314
F-statistic: 258.9 on 1 and 18 DF, p-value: 3.968e-12자세한 정보가 궁금하다면 summary()를 쓰면 된다.
네? 여러개요?
> fit2=lm(y~x+z,data=dat)
> fit2
Call:
lm(formula = y ~ x + z, data = dat)
Coefficients:
(Intercept) x z
-3.145 2.762 2.190> fit2=lm(dat$y~dat$x+dat$z)
> fit2
Call:
lm(formula = dat$y ~ dat$x + dat$z)
Coefficients:
(Intercept) dat$x dat$z
-3.145 2.762 2.190둘 중 하나 픽해서 하면 된다. (Intercept는 아까도 말했듯 절편)
> summary(fit2)
Call:
lm(formula = dat$y ~ dat$x + dat$z)
Residuals:
Min 1Q Median 3Q Max
-6.4155 -2.8132 0.0799 1.9206 6.6844
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -3.1445 1.7599 -1.787 0.091817 .
dat$x 2.7620 0.1610 17.160 3.6e-12 ***
dat$z 2.1896 0.4713 4.646 0.000231 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 4.025 on 17 degrees of freedom
Multiple R-squared: 0.9714, Adjusted R-squared: 0.968
F-statistic: 288.3 on 2 and 17 DF, p-value: 7.669e-14근데 summary는 요약 아님?
> fit3=lm(y~x*z,data=dat)
> fit3
Call:
lm(formula = y ~ x * z, data = dat)
Coefficients:
(Intercept) x z x:z
2.8057 2.1931 -0.4598 0.1950> fit3=lm(y~x+z+x:z,data=dat)
> fit3
Call:
lm(formula = y ~ x + z + x:z, data = dat)
Coefficients:
(Intercept) x z x:z
2.8057 2.1931 -0.4598 0.1950Interaction 껴서 분석하는 것도 된다. 근데 이게 뭐 하는건지는 나도 모른다.
> summary(fit3)
Call:
lm(formula = y ~ x + z + x:z, data = dat)
Residuals:
Min 1Q Median 3Q Max
-5.5313 -2.5372 0.1603 1.8645 6.7627
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.80570 2.41253 1.163 0.26189
x 2.19312 0.22715 9.655 4.47e-08 ***
z -0.45978 0.94445 -0.487 0.63299
x:z 0.19497 0.06346 3.072 0.00729 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.29 on 16 degrees of freedom
Multiple R-squared: 0.982, Adjusted R-squared: 0.9786
F-statistic: 290.7 on 3 and 16 DF, p-value: 3.673e-14물론 얘도 summary()로 자세히 볼 수 있다.
> x=floor(runif(25)*100)
> y=floor(runif(25)*105)
> x
[1] 99 49 48 17 75 45 51 20 22 59 57 7 3 64 92 59 56 52 98 50 68 60 23 25 72
> y
[1] 47 18 78 11 90 64 58 34 47 52 18 55 7 29 22 29 93 46 81 92 43 6 35 75 35데이터 가져오기 귀찮으면 만들면 된다.
> data=data.frame(x,y)
> head(data)
x y
1 99 47
2 49 18
3 48 78
4 17 11
5 75 90
6 45 64오케이 가즈아!
> t.test(x,y)
Welch Two Sample t-test
data: x and y
t = 0.56293, df = 47.977, p-value = 0.5761
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-10.90445 19.38445
sample estimates:
mean of x mean of y
50.84 46.60이거 치면 끝.
> t.test(data$x,data$y)이것도 먹힌다.
> t.test(x,y,var.equal=TRUE)
Two Sample t-test
data: x and y
t = 0.56293, df = 48, p-value = 0.5761
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-10.90427 19.38427
sample estimates:
mean of x mean of y
50.84 46.60var.equal=TRUE 옵션을 주면 스튜던트 T-test를 진행할 수 있다. default는 웰치스 T-test. 잠깐만 웰치스라고 했음? 아니 그 음료수 아니... 스펠이 왜 똑같지?
> t.test(x,y,paired=TRUE)
Paired t-test
data: x and y
t = 0.6259, df = 24, p-value = 0.5373
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-9.741436 18.221436
sample estimates:
mean of the differences
4.24paired=TRUE 옵션을 주면 paired T-test도 가능하다.
엥? 근데 저 데이터 하난데 어캄?
> t.test(x,mu=0)
One Sample t-test
data: x
t = 9.6518, df = 24, p-value = 9.776e-10
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
39.9686 61.7114
sample estimates:
mean of x
50.84> t.test(y,mu=0)
One Sample t-test
data: y
t = 8.6554, df = 24, p-value = 7.617e-09
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
35.48812 57.71188
sample estimates:
mean of x
46.6단식도 된다. mu=0은 모평균을 0으로 놓고 본다는 얘기. 모평균은 뮤, 모표준편차는 시그마 제곱이다.
> data <- read.table(header=TRUE, text='
+ condition result
+ control 0
+ control 0
+ control 0
+ control 0
+ treatment 1
+ control 0
+ control 0
+ treatment 0
+ treatment 1
+ control 1
+ treatment 1
+ treatment 1
+ treatment 1
+ treatment 1
+ treatment 0
+ control 0
+ control 1
+ control 0
+ control 1
+ treatment 0
+ treatment 1
+ treatment 0
+ treatment 0
+ control 0
+ treatment 1
+ control 0
+ control 0
+ treatment 1
+ treatment 0
+ treatment 1
+ ')
> head(data)
condition result
1 control 0
2 control 0
3 control 0
4 control 0
5 treatment 1
6 control 0데이터는 고마운데 분량 이거 ㄷㄷ
이럴 땐 이런 분석! 이라고 올려뒀더라고...
> ct=table(data$result)
> ct
0 1
17 13참고로 빈도 분석은 어떤 형태로든 contingency table을 먼저 만들고 시작한다. 여기서는 글 분량때문에 같은 종류의 테이블에 대해서는 코드 생략하고 뭘로 만들었는지만 기재한다.
> chisq.test(ct)
Chi-squared test for given probabilities
data: ct
X-squared = 0.53333, df = 1, p-value = 0.4652평범한 카이스퀘어
> pt=c(.75,.25) # 확률값
> chisq.test(ct,p=pt)
Chi-squared test for given probabilities
data: ct
X-squared = 5.3778, df = 1, p-value = 0.02039기대 빈도수가 다르다고 전제하고 계산하는 카이스퀘어
> chi_res=chisq.test(ct,p=pt)
> str(chi_res)
List of 9
$ statistic: Named num 5.38
..- attr(*, "names")= chr "X-squared"
$ parameter: Named num 1
..- attr(*, "names")= chr "df"
$ p.value : num 0.0204
$ method : chr "Chi-squared test for given probabilities"
$ data.name: chr "ct"
$ observed : 'table' int [1:2(1d)] 17 13
..- attr(*, "dimnames")=List of 1
.. ..$ : chr [1:2] "0" "1"
$ expected : Named num [1:2] 22.5 7.5
..- attr(*, "names")= chr [1:2] "0" "1"
$ residuals: 'table' num [1:2(1d)] -1.16 2.01
..- attr(*, "dimnames")=List of 1
.. ..$ : chr [1:2] "0" "1"
$ stdres : 'table' num [1:2(1d)] -2.32 2.32
..- attr(*, "dimnames")=List of 1
.. ..$ : chr [1:2] "0" "1"
- attr(*, "class")= chr "htest"얘는 카이스퀘어 돌린 거 변수 지정하고 str()로 봐야 자세히 보인다.
> binom.test(ct,p=0.5)
Exact binomial test
data: ct
number of successes = 17, number of trials = 30, p-value = 0.5847
alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.3742735 0.7453925
sample estimates:
probability of success
0.5666667요거는 위에서 만든 contingency table을 바탕으로 Exact binomial test를 한 결과. 저거 근데 확률 안 써도 값 같더만... (심지어 확률을 바꿔도 값이 같음) 아, p-value는 좀 다르긴 함.
> binom.test(ct,p=0.25)
Exact binomial test
data: ct
number of successes = 17, number of trials = 30, p-value = 0.0002157
alternative hypothesis: true probability of success is not equal to 0.25
95 percent confidence interval:
0.3742735 0.7453925
sample estimates:
probability of success
0.5666667카이스퀘어와 달리 두 번째 컬럼값의 확률만 기재한다. 그러면 알아서 앞에껏도 계산해주는 듯.
> bin_res=binom.test(ct,p=0.5)
> str(bin_res)
List of 9
$ statistic : Named num 17
..- attr(*, "names")= chr "number of successes"
$ parameter : Named num 30
..- attr(*, "names")= chr "number of trials"
$ p.value : Named num 0.585
..- attr(*, "names")= chr "0"
$ conf.int : num [1:2] 0.374 0.745
..- attr(*, "conf.level")= num 0.95
$ estimate : Named num 0.567
..- attr(*, "names")= chr "probability of success"
$ null.value : Named num 0.5
..- attr(*, "names")= chr "probability of success"
$ alternative: chr "two.sided"
$ method : chr "Exact binomial test"
$ data.name : chr "ct"
- attr(*, "class")= chr "htest"얘도 자세히 보려면 카이스퀘어처럼 변수 지정해주고 str()로 봐야 한다.
> ct=table(data$condition,data$result)
> ct
0 1
control 11 3
treatment 6 10이번꺼는 그룹간의 독립성을 보는 거라 테이블이 조금 다르다. 위 테이블은 결과값만 가지고 만는거지만, 이 테이블은 결과값과 컨디션으로 들어간다.
> chisq.test(ct)
Pearson's Chi-squared test with Yates' continuity correction
data: ct
X-squared = 3.593, df = 1, p-value = 0.05802아이고 어슨이형 또뵙네
> chisq.test(ct,correct=FALSE)
Pearson's Chi-squared test
data: ct
X-squared = 5.1293, df = 1, p-value = 0.02353correct=FALSE 옵션을 주면 Yates's correction for continuity가 빠진다. ...근데 그거 막 그렇게 빼도 돼?
> fisher.test(ct)
Fisher's Exact Test for Count Data
data: ct
p-value = 0.03293
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.966861 45.555016
sample estimates:
odds ratio
5.714369이건 피셔의 정확도 검정? 그건데 샘플 수가 작을 때 사용하는 분석법이라고 한다. 사실 통계가 데이터가 많을수록 좋은 것도 사실이지만, 그게 항상 그렇게 되리라는 법이 없다. 예를 들자면 희귀병 환자라던가...
fish <- read.table(header=TRUE, text='
Location Allele Habitat Count
tillamook 94 marine 56
tillamook 94 estuarine 69
tillamook non-94 marine 40
tillamook non-94 estuarine 77
yaquina 94 marine 61
yaquina 94 estuarine 257
yaquina non-94 marine 57
yaquina non-94 estuarine 301
alsea 94 marine 73
alsea 94 estuarine 65
alsea non-94 marine 71
alsea non-94 estuarine 79
umpqua 94 marine 71
umpqua 94 estuarine 48
umpqua non-94 marine 55
umpqua non-94 estuarine 48
')
> head(fish)
Location Allele Habitat Count
1 tillamook 94 marine 56
2 tillamook 94 estuarine 69
3 tillamook non-94 marine 40
4 tillamook non-94 estuarine 77
5 yaquina 94 marine 61
6 yaquina 94 estuarine 257코크란-만텔-헨젤 검정은 또 표가 다른 게 들어간다. 살려줘.
> ct=xtabs(Count~Allele+Habitat+Location,data=fish)
> ct
, , Location = alsea
Habitat
Allele estuarine marine
94 65 73
non-94 79 71
, , Location = tillamook
Habitat
Allele estuarine marine
94 69 56
non-94 77 40
, , Location = umpqua
Habitat
Allele estuarine marine
94 48 71
non-94 48 55
, , Location = yaquina
Habitat
Allele estuarine marine
94 257 61
non-94 301 57얘는 그냥 contengency table로 만들면 3차원이 된다. 지역별로 테이블이 다 나오기때문에
> ftable(ct)
Location alsea tillamook umpqua yaquina
Allele Habitat
94 estuarine 65 69 48 257
marine 73 56 71 61
non-94 estuarine 79 77 48 301
marine 71 40 55 57이걸 2차원으로 다시 합칠거다.
> mantelhaen.test(ct)
Mantel-Haenszel chi-squared test with continuity correction
data: ct
Mantel-Haenszel X-squared = 5.0497, df = 1, p-value = 0.02463
alternative hypothesis: true common odds ratio is not equal to 1
95 percent confidence interval:
0.6005522 0.9593077
sample estimates:
common odds ratio
0.759022그리고 분석하면 된다... 분석 개빡시네 이거.
> data <- read.table(header=TRUE, text='
+ subject time result
+ 1 pre 0
+ 1 post 1
+ 2 pre 1
+ 2 post 1
+ 3 pre 0
+ 3 post 1
+ 4 pre 1
+ 4 post 0
+ 5 pre 1
+ 5 post 1
+ 6 pre 0
+ 6 post 1
+ 7 pre 0
+ 7 post 1
+ 8 pre 0
+ 8 post 1
+ 9 pre 0
+ 9 post 1
+ 10 pre 1
+ 10 post 1
+ 11 pre 0
+ 11 post 0
+ 12 pre 1
+ 12 post 1
+ 13 pre 0
+ 13 post 1
+ 14 pre 0
+ 14 post 0
+ 15 pre 0
+ 15 post 1
+ ')
> head(data)
subject time result
1 1 pre 0
2 1 post 1
3 2 pre 1
4 2 post 1
5 3 pre 0
6 3 post 1Mcnemar's test는 또 다른 데이터로 진행한다. 살려줘요.
> library(tidyr)
> data_wide <- spread(data, time, result)
> head(data_wide)
subject post pre
1 1 1 0
2 2 1 1
3 3 1 0
4 4 0 1
5 5 1 1
6 6 1 0어? 이거 이렇게 처리하는 거 어디서 봤는데?
> ct=table(data_wide[,c("pre","post")])
> ct
post
pre 0 1
0 2 8
1 1 4아무튼 테이블을 만들어주고...
> mcnemar.test(ct)
McNemar's Chi-squared test with continuity correction
data: ct
McNemar's chi-squared = 4, df = 1, p-value = 0.0455분⭐석
> library(exact2x2)
필요한 패키지를 로딩중입니다: exactci
필요한 패키지를 로딩중입니다: ssanv
필요한 패키지를 로딩중입니다: testthat
다음의 패키지를 부착합니다: ‘testthat’
The following object is masked from ‘package:tidyr’:
matches
> mcnemar.exact(ct)
Exact McNemar test (with central confidence intervals)
data: ct
b = 8, c = 1, p-value = 0.03906
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
1.072554 354.981246
sample estimates:
odds ratio
8excat버전을 쓰려면 exact2x2라는 패키지를 깔아야 한다. (위에 썼던 그거 맞다)
들어보긴 했는데 이거 뭐임? SW 이름 아니었어? 이사람
> data <- read.table(header=TRUE, text='
+ subject sex age before after
+ 1 F old 9.5 7.1
+ 2 M old 10.3 11.0
+ 3 M old 7.5 5.8
+ 4 F old 12.4 8.8
+ 5 M old 10.2 8.6
+ 6 M old 11.0 8.0
+ 7 M young 9.1 3.0
+ 8 F young 7.9 5.2
+ 9 F old 6.6 3.4
+ 10 M young 7.7 4.0
+ 11 M young 9.4 5.3
+ 12 M old 11.6 11.3
+ 13 M young 9.9 4.6
+ 14 F young 8.6 6.4
+ 15 F young 14.3 13.5
+ 16 F old 9.2 4.7
+ 17 M young 9.8 5.1
+ 18 F old 9.9 7.3
+ 19 F young 13.0 9.5
+ 20 M young 10.2 5.4
+ 21 M young 9.0 3.7
+ 22 F young 7.9 6.2
+ 23 M old 10.1 10.0
+ 24 M young 9.0 1.7
+ 25 M young 8.6 2.9
+ 26 M young 9.4 3.2
+ 27 M young 9.7 4.7
+ 28 M young 9.3 4.9
+ 29 F young 10.7 9.8
+ 30 M old 9.3 9.4
+ ')
> head(data)
subject sex age before after
1 1 F old 9.5 7.1
2 2 M old 10.3 11.0
3 3 M old 7.5 5.8
4 4 F old 12.4 8.8
5 5 M old 10.2 8.6
6 6 M old 11.0 8.0Age에 old랑 young은 뭔 기준인지 모르겠지만 일단 패스.
> data$subject=factor(data$subject)이 데이터는 ANOVA 들어가기 전에 저기 subject를 팩터화해줘서 연속적인 데이터 취급 받는 사태를 방지해야 한다. 참고로 ANOVA는 one-way랑 two-way가 있다.
> aov1=aov(before~sex,data=data)
> aov1
Call:
aov(formula = before ~ sex, data = data)
Terms:
sex Residuals
Sum of Squares 1.52861 74.70105
Deg. of Freedom 1 28
Residual standard error: 1.633369
Estimated effects may be unbalanced
> summary(aov1)
Df Sum Sq Mean Sq F value Pr(>F)
sex 1 1.53 1.529 0.573 0.455
Residuals 28 74.70 2.668
> model.tables(aov1,"means")
Tables of means
Grand mean
9.703333
sex
F M
10 9.532
rep 11 19.000
> aov3=aov(after~sex*age,data=data)
> aov3
Call:
aov(formula = after ~ sex * age, data = data)
Terms:
sex age sex:age Residuals
Sum of Squares 16.07755 38.96110 89.61138 103.51164
Deg. of Freedom 1 1 1 26
Residual standard error: 1.995299
Estimated effects may be unbalanced
> summary(aov3)
Df Sum Sq Mean Sq F value Pr(>F)
sex 1 16.08 16.08 4.038 0.0550 .
age 1 38.96 38.96 9.786 0.0043 **
sex:age 1 89.61 89.61 22.509 6.6e-05 ***
Residuals 26 103.51 3.98
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> model.tables(aov3,"means")
Tables of means
Grand mean
6.483333
sex
F M
7.445 5.926
rep 11.000 19.000
age
old young
7.874 5.556
rep 12.000 18.000
sex:age
age
sex old young
F 6.260 8.433
rep 5.000 6.000
M 9.157 4.042
rep 7.000 12.000> aov3=aov(after~sex+age+sex:age,data=data)
> summary(aov3)
Df Sum Sq Mean Sq F value Pr(>F)
sex 1 16.08 16.08 4.038 0.0550 .
age 1 38.96 38.96 9.786 0.0043 **
sex:age 1 89.61 89.61 22.509 6.6e-05 ***
Residuals 26 103.51 3.98
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1둘이 같은 코드.
> TukeyHSD(aov1)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = before ~ sex, data = data)
$sex
diff lwr upr p adj
M-F -0.4684211 -1.736038 0.7991961 0.4554053One-way
> TukeyHSD(aov3)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = after ~ sex + age + sex:age, data = data)
$sex
diff lwr upr p adj
M-F -1.519139 -3.073025 0.03474709 0.0549625
$age
diff lwr upr p adj
young-old -2.31785 -3.846349 -0.7893498 0.0044215
$`sex:age`
diff lwr upr p adj
M:old-F:old 2.8971429 -0.3079526 6.1022384 0.0869856
F:young-F:old 2.1733333 -1.1411824 5.4878491 0.2966111
M:young-F:old -2.2183333 -5.1319553 0.6952887 0.1832890
F:young-M:old -0.7238095 -3.7691188 2.3214997 0.9138789
M:young-M:old -5.1154762 -7.7187601 -2.5121923 0.0000676
M:young-F:young -4.3916667 -7.1285380 -1.6547953 0.0008841Two-way
ANOVA 데이터를 바탕으로 tukey HSD 분석을 할 수도 있다.
> data_long <- gather(data, time, value, before:after)
> head(data_long)
subject sex age time value
1 1 F old before 9.5
2 2 M old before 10.3
3 3 M old before 7.5
4 4 F old before 12.4
5 5 M old before 10.2
6 6 M old before 11.0
> data_long$subject <- factor(data_long$subject)subject variable를 끼고 하려고 표를 길게 만들었단다. (아까 팩터화한 그거 맞음)
> aov_time=aov(value~time+Error(subject/time),data=data_long)
> aov_time
Call:
aov(formula = value ~ time + Error(subject/time), data = data_long)
Grand Mean: 8.093333
Stratum 1: subject
Terms:
Residuals
Sum of Squares 261.2473
Deg. of Freedom 29
Residual standard error: 3.001421
Stratum 2: subject:time
Terms:
time Residuals
Sum of Squares 155.526 63.144
Deg. of Freedom 1 29
Residual standard error: 1.475595
Estimated effects are balancedone-way
> aov_age_time=aov(value~age*time+Error(subject/time),data=data_long)
> aov_age_time
Call:
aov(formula = value ~ age * time + Error(subject/time), data = data_long)
Grand Mean: 8.093333
Stratum 1: subject
Terms:
age Residuals
Sum of Squares 24.44011 236.80722
Deg. of Freedom 1 28
Residual standard error: 2.908161
1 out of 2 effects not estimable
Estimated effects are balanced
Stratum 2: subject:time
Terms:
time age:time Residuals
Sum of Squares 155.526 18.769 44.375
Deg. of Freedom 1 1 28
Residual standard error: 1.258897
Estimated effects may be unbalancedmixed design
| R 배워보기-8.1. ggplot2로 그래프 그리기 (상) (0) | 2022.08.22 |
|---|---|
| R 배워보기-7. Statistical analysis (하) (0) | 2022.08.21 |
| R 배워보기- 6.5. Manipulating data-Sequential data (0) | 2022.08.20 |
| R 배워보기- 6.4. Manipulating data-Restructing data (0) | 2022.08.20 |
| R 배워보기- 6.3. Manipulating data-Data Frames (0) | 2022.08.20 |
