R语言中的t-test和ANOVA_13965参考资料.ppt

下面再用函数 interaction.plot( ) 作出交互 效应图 , 以考查因素之间交互作用是否存 在 , R 程序为 op-par(mfrow=c(1, 2)) plot(Time~Toxicant+Cure, data=rats) with(rats, interaction.plot(Toxicant, Cure, Time, trace.label=Cure)) with(rats,interaction.plot(Cure, Toxicant, Time, trace.label=Toxicant)) 输出结果如图 8.3(a) 和图 8.3(b). 两图中的曲线并没有明显的 相交情况出现 , 因此我们初步认为两个因素没有交互作用 . 尽管如此 , 由于实验误差的存在 , 我们用方差分析函数 aov( ) 对此进行确认 , 其中方差模型格式为 x~A*B , 或 A+B+A : B , 表 示不仅考虑因素 A 、 B 各自的效应 , 还考虑两者的交互效应 . 若仅考虑 A 与 B 的交互效应则方差模型格式为 A : B . 由 R 程序 rats.aov-aov(Time~Toxicant*Cure, data=rats) summary(rats.aov) 得到检验结果为 R 语言中的 t-test 和 ANOVA 组员： 程琪 张君颀 周 祎 炜 Index T-test ANOVA 单因子方差分析 同时置信区间 双因子方差分析 有交互作用的方差分析 多重 t-test 分析 Vasishths Height Example SAMP ={53.56797, 60.12001, 59.85700, 63.53580, 62.00390, 61.80454, 64.33530,61.38428, 60.05831, 65.93938, 57.21961} Shrinking drug (non-effect value=64) deviation standard mean score ? ? Z 大部分情况下我们并不知道 σ —— T 分布 pt(-3.02, df = 10) + (1 - pt(3.02, df = 10)) [1] 0Vasishths Height Example The p-value of this two-sided t-test is 0.012. samp - c(53.56797, 60.12001, 59.857, 63.5358, 62.0039, 61.80454, + 64.3353, 61.38428, 60.05831, 65.93938, 57.21961) t.test(samp, mu = 64) One Sample t-test data: samp t = -3.0237, df = 10, p-value = 0.01281 alternative hypothesis: true mean is not equal to 64 95 percent confidence interval: 58.60396 63.18260 sample estimates: mean of x 60.89328 source(file = shade.tails.R) shade.tails(3.02, tail = oth, df = 10) 曲线下小于 -3.02 只有 0.06% 通过 Keith Johnsons shade.tails 这个功能绘图 . t.test() 的调用格式 t.test(x, y = NULL, alternative = c( wo.sided, less, greater),mu = 0, paired = FALSE, var.equal = FALSE,conf.level = 0.95, ...) 若仅出现数据 x, 则进行单样本 t 检验 ; 若出现数据 x 和 y, 则进行二样本 的 t 检验 alternative=c( wo.sided, less, greater) 用于指定所求置信区间的 类型 ※污整湲瑡癩?瑜潷献摩摥 是缺省值 , 表示求置信区间 污整湲瑡癩?汜獥屳 表示求置信上限 ※污整湲瑡癩?杜敲瑡牥 表示求置信 下限 . mu 表示均值 , 它仅在假设检验中起作用 , 默认值为零 . 单正态总体参数检验 x-c(175 , 176 , 173 , 175 ,174 ,173 , 173, 176 , 173,179 ) t.test(x) One Sample t-test data: