Differences

This shows you the differences between two versions of the page.

--- anova_note:code01 [2025/12/07 10:36] – hkimscil
+++ anova_note:code01 [2025/12/09 23:16] (current) – hkimscil
@@ Line 12: / Line 12: @@
 o <- rnorm(n.o, 100, 10)
 p <- rnorm(n.p, 104, 10)
-t.out <- t.test(o,p, var.equal=T)
-t.out
 # old way
@@ Line 22: / Line 19: @@
 df.p <- n.p - 1
 diff <- m.o - m.p
+m.o
+m.p
+diff
 pv <- (ss(o)+ss(p))/(df.o+df.p)
 se <- sqrt((pv/n.o) + (pv/n.p))
@@ Line 27: / Line 27: @@
 t.cal
 pt(t.cal, df.o+df.p) * 2
+t.out <- t.test(o, p, var.equal=T)
+t.out
 t.out$statistic
 t.out$p.value
@@ Line 32: / Line 35: @@
 #
 comb <- list(o = o, p = p)
+o
+p
+comb
 op <- stack(comb)
-head(op)
+op
 colnames(op)[1] <- "values"
 colnames(op)[2] <- "group"
 op$group <- factor(op$group)
 head(op)
+tail(op)
 boxplot(op$values~op$group)
+# plot(op$values~op$group)
-plot(op$values~op$group)
 boxplot(op$values~op$group, main="values by group",
         yaxt="n", xlab="value", horizontal=TRUE,
@@ Line 49: / Line 55: @@
        c("o","p"), fill=terrain.colors(2), horiz=TRUE)
-# o = IQ
-# p = IQ
-# 둘을 합하여 구한 집합 op 의 IQ 점수
-# 이 전체집합의 분산은?
 m.tot <- mean(op$values)
 m.o <- mean(o)
 m.p <- mean(p)
+m.tot
+m.o
+m.p
 min.x <- min(op$values)
@@ Line 65: / Line 70: @@
 abline(v=m.o, col="black", lwd=3)
 hist(p, add=T, breaks=br,
-     col=rgb(.5,1,1,.5))
-abline(v=m.p, col="blue", lwd=3)
-abline(v=m.tot, col='red', lwd=3)
-hist(o, breaks=br,
-     col=rgb(1,1,1,.5))
-abline(v=m.o, col="black", lwd=3)
-abline(v=m.tot, col='red', lwd=3)
-hist(p, breaks=br,
      col=rgb(.5,1,1,.5))
 abline(v=m.p, col="blue", lwd=3)
@@ Line 90: / Line 85: @@
 var(op$values)
 ss.tot
-ss.o <- ss(o)
-ss.p <- ss(p)
-df.o <- length(o)-1
-df.p <- length(p)-1
 m.tot
 m.o
 m.p
+ss.o <- ss(o)
+ss.p <- ss(p)
 ss.o
 ss.p
 hist(o, breaks=br,
-     col=rgb(1,1,1,.5))
+     col=rgb(1,1,1,.5),
+     main = paste0("o mean = ", round(m.o,2),
+                   "\n", "tot mean = ", round(m.tot,2),
+                   ""))
 abline(v=m.o, col="black", lwd=3)
-hist(p, add=T, breaks=br,
+abline(v=m.tot, col='red', lwd=3)
-     col=rgb(.5,1,1,.5))
+hist(p, breaks=br,
+     col=rgb(.5,1,1,.5),
+     main = paste0("p mean = ", round(m.p,2),
+                   "\n", "tot mean = ", round(m.tot,2),
+                   "")     )
 abline(v=m.p, col="blue", lwd=3)
 abline(v=m.tot, col='red', lwd=3)
-ss.bet <- n.o*(m.tot-m.o)^2 + n.p*(m.tot-m.p)^2
+n.o*(m.tot-m.o)^2   # m.tot 에서 o그룹공통 까지의 거리를 제곱해서 모두 더한 값
-ss.bet
+                    # 위 그림에서 빨간색 선에서 검은색 선까지의 거리를
+                    # 제곱해서 모두 더한 값
+n.p*(m.tot-m.p)^2   # m.tot 에서 p그룹공통 까지의 거리를 제곱해서 모두 더한 값
+                    # 위 그림에서 빨간색 선에서 파란색 선까지의
+                    # 거리를 제곱해서 모두 더한 값
+> ss.bet <- n.o*(m.tot-m.o)^2 +   # 이것은 그룹 (IV, 독립변인) 때문에
+            n.p*(m.tot-m.p)^2     # 생긴 그룹 간 차이이다
+> ss.bet            # 따라서 이것을 SS between group이라고 부른다
+# ss within group
 hist(o, breaks=br,
      col=rgb(1,1,1,.5))
 abline(v=m.o, col="black", lwd=3)
-ss.o
+ss.o <- ss(o)   # o집단의 평균인 검은색 선에서 개인 점수까지의
+                # 거리는 (오차는) 독립변인과 상관없이 랜덤하게
+                # 나타나는 것
+ss.o            # o집단의 것을 ss.o라고 부른다
 hist(p, breaks=br,
      col=rgb(.5,1,1,.5))
 abline(v=m.p, col="blue", lwd=3)
-ss.p
+ss.p <- ss(p)   # p집단도 마찬가지이다. 이 집단 내의 sum of square값은
+                # p 집단의 공통특징인 평균에서 개인점수가 랜덤하게
+ss.p            # 나타나는 것이고, 이것을 sum of square p라고 부른다
-ss.wit <- ss.o+ss.p
+ss.wit <- ss.o + ss.p # 위 각 집단 내부의 ss값을 합한 값을 ss within group
-ss.wit
+                      # 이라고 부른다
-ss.between
+# 이 둘은 각 그룹의 평균을 중심으로
+# random 하게 나타나는 평균에서의 거리이다 (에러).
+# 이것을 sum of square within group 이라고 부른다
+# 이것을 우리는 random difference라고 불러도 되겠다
 ss.wit
-ss.bet+ss.wit
+# 반면에 ss between group은 IV의 효과 때문에 나타나는
+# 것이다. 우리는 이것을 group difference라고 부른다.
+ss.bet
+ss.bet + ss.wit
 ss.tot
+# degrees of freedom
 df.tot <- length(op$values)-1
 df.bet <- nlevels(op$group) - 1
-df.wit <- (n.o-1)+(n.p-1)
+df.wit <- (n.o-1) + (n.p-1)
 df.tot
 df.bet
 df.wit
+# variance of total, between group, and within group
 ms.tot <- ss.tot / df.tot
 ms.bet <- ss.bet / df.bet
@@ Line 148: / Line 170: @@
 p.val
 summary(aov(op$values~op$group))
-t.test(o,p, var.equal = T)
-diff <- m.o - m.p
+# t.cal 값을 확인해보면
-ssp <- (ss.o + ss.p) / (df.o + df.p)
+t.test(o,p, var.equal = T) # 혹은
-se <- sqrt(ssp/n.o+ssp/n.p)
+t.cal <- diff/se
-t.cal <- diff/se
-t.cal
 p.t.cal <- pt(abs(t.cal), df=df.o+df.p, lower.tail = F)*2
 p.t.cal
+# 하나는 sd 를 unit으로 계산한 값이고 (t.cal)
+# 다른 하나는 variance를 unit으로 계산한 값이지만
+# 원리는 같다.
 t.cal^2
 f.cal
-df.bet
-df.wit
-f.cal
 </code>