双因素方差分析SPSS实现流程

2020/09/29 02:55
双因素方差分析SPSS实现流程

有一水稻施肥的盆栽试验,设置了5个处理:A1和A2分别施用两种不同工艺流程的氨水,A3施碳酸氢铵,A4施尿素,A5为对照。每个处理各4盆,随机置于同一试验大棚。水稻稻谷产量见下表。现分析不同施肥处理下,水稻稻谷产量之间是否有显著差异。

1.1.3 课程实习任务

①按课程设计题目要求设计脚本;
  ②脚本能够完成对水稻数据的单因素方差分析;
  ③编写代码;
  ④脚本分析与调试;
  ⑤撰写实验报告。

1.1.4 课程实习目标

①巩固并加深对R语言的理解和掌握;
  ②通过课外学习拓展课程知识面;
  ③提高运用R语言解决生活实际问题的能力;
  ④初步掌握开发简单脚本的基本方法;
  ⑤掌握书写程序设计与软件开发的阐述性、总结性文档。2. 程序设计层次及说明展示

由于采用代码注释的方法,形式上不太美观,且不容易直接看到结果,造成阅览不变,故笔者采用了将脚本文件分部分执行,截图进行说明的方法,让每部操作清晰明了,结果明显。再在本节末尾附上代码文件以供阅览。

2.1 数据录入


  此处是直接进行了程序录入,将数据录入参数shuidaodata中。其中,每行数据对应一个组别。
  而这里可以也可使用scan函数进行交互键入,又或者将数据保存为csv格式,再用read.csv函数根据途径录入也可以。

2.2 转化为数据框


  这里根据每行对应的类型不同分别命名。命名的列量名称为参数name,数据框名为参数shuidao。

2.3 数据融化和冗杂数据处理

由于水稻数据内容构成比较简单,因素单一,所以不需要再融化数据框操作了,因为在数据框形成时已经完成了融化处理的结果,再进行转化反而繁琐,故不需要使用melt函数。同理,此份水稻数据中不包含冗余成分,故也同样不需要冗杂数据处理。

2.4 数据分析


  此处直接使用aov函数进行单因素方差分析,得到结果参数result的F值为11.18,p值小于0.05,且各因子水平的均值之间存在十分显著差异。

2.5 初步结论

经过单因素方差分析可得知,肥料因素对产量的结果影响十分显著,也因此可以再做一些步骤来确认其真实性,以及深入了解其差异性的特质。

2.6 正态性检验2.6.1 Q-Q图


  这里先用lm函数进行线性回归模型拟合,将结果参数mo录入qqPlot函数中,得到下图:
 
  可见回归曲线在范围内,故数据符合正态性检验。

2.6.2 其他方法

检验正态性的方法不唯一,在网上资料查询中,还有如下方法:
1.ks.test函数,但是由于数据中包含重复数值,故前提假设不成立,不便使用。
2.W检验的shapiro.test函数,得出p值大于0.05时数据正态性得到检验。
 
  可见水稻数据正态性依旧得到检验。
3. fBasics包里的shapiroTest函数
 
  可见水稻数据正态性依旧得到检验。

2.7 方差齐性检验


  由于数据满足正态性,故使用bartlett.test函数进行方差齐性检验,得出结果p值远大于显著性水平0.05,因此不能拒绝原假设,认为不同水平下的水稻数据是等方差的。故等方差性得到检验。
  而当数据不满足正态性时,也可以使用leveneTest函数进行方差齐性检验。

2.8 各组均值差异2.8.1 TukeyHSD函数的杜奇检验

为更深一步探索每组之间的差异,采用TukeyHSD函数检验,如下:
 
  其中修改了par中的绘图参数,以便图形更加简洁清晰,绘图如下:
 
  在这里可以清晰的看出,与0坐标线是值信水平,与其相交的部分就是效果不显著的组别,反之则是效果显著的组别。也因此可以得出结论:A1-A5、A2-A4、A3-A5、A4-A5之间有显著的差异。

2.8.2 其他方法

同样的,在网络搜索中,还有其他的方法可以揭示组别之间的差异,此处我使用的是多重t检验法:
 
  在这里可以清晰的看出,p值小于0.05的就是差异较为显著的组别,和上一小节的结论一致。

2.9 结论

从水稻数据的单因素方差分析结果得知,肥料因素对产量的结果影响十分显著,且结果经检验符合正态性、等方差性,故结果较为可信。
  最后经过各组均值差异检测后得知,A1-A5、A2-A4、A3-A5、A4-A5四组之间差异较为显著,且由题干可知,A5为对照组,故可知A1、A3、A4三组肥料效果较好。

2.10 代码展示

#数据录入
 shuidaodata<-c(24,30,28,26,
       27,24,21,26,
       31,28,25,30,
       32,33,33,28,
       21,22,16,21)
#转化为数据框
 name<-rep(paste(“A”,1:5,sep=”“),each=4)
 shuidao<-data.frame(name,shuidaodata)
#单因素方差分析
 result<-aov(shuidaodata~name,data=shuidao)
 summary(result)

#正态性检验
#Q-Q图
 mo<-lm(shuidaodata~name,data=shuidao)
 library(car)
 qqPlot(mo,main=”Q-Qplot图”,las=T)
#W检验
 #shapiro.test(shuidaodata)
#fBasics包的shapiroTest
 #library(fBasics)
 #shapiroTest(shuidaodata)

#方差齐性检验
 bartlett.test(shuidaodata~name,data=shuidao)

#各组均值差异
#杜奇检验
 duqi<-TukeyHSD(result)
 par(lwd=2,cex.lab=1.5,cex.axis=1.5,col.axis=”blue”,las=1)
 plot(duqi,mgp=c(3,0.5,0))
#多重t检验法
 #pairwise.t.text(shuidaodata,name)

免费直播

    精选课程 更多

    注册电脑版

    版权所有 2003-2020 广州环球青藤科技发展有限公司