COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » factorial_anova
Trace: • group_08
factorial_anova

Differences

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

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
factorial_anova [2020/06/02 13:59] – [예] hkimscilfactorial_anova [2024/09/24 08:33] (current) – [예 1] hkimscil
Line 290: Line 290:
  
 <code> <code>
-de <- read.csv("http://commres.net/wiki/_media/detergent.csv", sep = "\t", header=T)+de <- read.csv("http://commres.net/wiki/_media/detergent.csv", sep = ",", header=T)
 de  de 
  
Line 309: Line 309:
 </code> </code>
  
-{{:pasted:20200529-165842.png}}+<code> 
 +> de <- read.csv("http://commres.net/wiki/_media/detergent.csv", sep = ",", header=T) 
 +> de  
 +   type w.temp cleanness 
 +1     1      1         4 
 +2     1      1         5 
 +3     1      1         6 
 +4     1      1         5 
 +5     2      1         6 
 +6     2      1         6 
 +7     2      1         4 
 +8     2      1         4 
 +9     1      2         7 
 +10    1      2         9 
 +11    1      2         8 
 +12    1      2        10 
 +13    2      2        13 
 +14    2      2        15 
 +15    2      2        12 
 +16    2      2        12 
 +17    1      3        10 
 +18    1      3        12 
 +19    1      3        11 
 +20    1      3         9 
 +21    2      3        12 
 +22    2      3        13 
 +23    2      3        10 
 +24    2      3        13 
 +> de$type <- factor(de$type, level=c(1,2), label=c("super", "best")) 
 +> de$w.temp <- factor(de$w.temp, level=c(1,2,3), label=c("cold", "warm", "hot")) 
 +> de 
 +    type w.temp cleanness 
 +1  super   cold         4 
 +2  super   cold         5 
 +3  super   cold         6 
 +4  super   cold         5 
 +5   best   cold         6 
 +6   best   cold         6 
 +7   best   cold         4 
 +8   best   cold         4 
 +9  super   warm         7 
 +10 super   warm         9 
 +11 super   warm         8 
 +12 super   warm        10 
 +13  best   warm        13 
 +14  best   warm        15 
 +15  best   warm        12 
 +16  best   warm        12 
 +17 super    hot        10 
 +18 super    hot        12 
 +19 super    hot        11 
 +20 super    hot         9 
 +21  best    hot        12 
 +22  best    hot        13 
 +23  best    hot        10 
 +24  best    hot        13 
 +> de.anova <- aov(cleanness ~ type * w.temp, data=de) 
 +> summary(de.anova) 
 +            Df Sum Sq Mean Sq F value   Pr(>F)     
 +type         1     24   24.00   15.43 0.000986 *** 
 +w.temp       2    193   96.50   62.04 8.41e-09 *** 
 +type:w.temp  2     21   10.50    6.75 0.006496 **  
 +Residuals   18     28    1.56                      
 +--- 
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
 +>  
 +> with(de, interaction.plot(x.factor=type,  
 ++                           trace.factor=w.temp, response=cleanness,  
 ++                           fun=mean, type="b", legend=T, 
 ++                           ylab="cleanness", main="Interaction Plot (type by temp)", 
 ++                           pch=c(1,19))) 
 +>  
 +>  
 +</code> 
 +{{:pasted:20240429-083635.png}} 
 + 
 +만약에 손으로 계산했다면 R에서  
 +<code> 
 +de <- read.csv("http://commres.net/wiki/_media/detergent.csv", sep = ",", header=T) 
 +de  
 + 
 +de$type <- factor(de$type, level=c(1,2), label=c("super", "best")) 
 +de$w.temp <- factor(de$w.temp, level=c(1,2,3), label=c("cold", "warm", "hot")) 
 +de 
 + 
 +de.typenova <- aov(cleanness ~ type * w.temp, data=de) 
 +summary(de.typenova) 
 + 
 +with(de, interaction.plot(x.factor=type,  
 +                          trace.factor=w.temp, response=cleanness,  
 +                          fun=mean, type="b", legend=T, 
 +                          ylab="cleanness", main="Interaction Plot (type by temp)", 
 +                          pch=c(1,19))) 
 + 
 +attach(de) 
 +table(type, w.temp) 
 +n.sub <- length(cleanness) 
 +n.type.group <- 2 
 +n.w.temp.group <- 3 
 + 
 +tapply(cleanness, list(type, w.temp), mean) # 각 셀에서의 평균 
 +df.within.each <- tapply(cleanness, list(type, w.temp), length) -1  # 각 셀에서의 샘플숫자 
 +n.within.each <- df.within.each + 1 
 +df.within <- sum(df.within.each) # df within 
 + 
 +var.within <- tapply(cleanness, list(type, w.temp), var) # var.within 
 +ss.within.each <- tapply(cleanness, list(type, w.temp), var) * df.within.each 
 +ss.within.each 
 +ss.within <- sum(ss.within.each) # ss.within 
 +ss.within 
 + 
 + 
 +interaction.plot(type, w.temp, cleanness) 
 + 
 +mean.type <- tapply(cleanness, list(type), mean) 
 +mean.w.temp <- tapply(cleanness, list(w.temp), mean) 
 +mean.type 
 +mean.w.temp 
 + 
 +var.type <- tapply(cleanness, list(type), var) 
 +var.w.temp <- tapply(cleanness, list(w.temp), var) 
 + 
 + 
 +mean.tot <- mean(cleanness) 
 +var.tot <- var(cleanness) 
 +n.sub <- length(cleanness) 
 +df.tot <- n.sub - 1  
 +ss.tot <- var.tot * df.tot 
 + 
 +## between 
 +mean.each <- tapply(cleanness, list(type, w.temp), mean) 
 +mean.each 
 +mean.tot <- mean(cleanness) 
 +mean.tot 
 +n.each <- tapply(cleanness, list(type, w.temp), length) 
 +n.each 
 +n.type.each <- tapply(cleanness, list(type), length) 
 +n.w.temp.each <- tapply(cleanness, list(w.temp), length) 
 + 
 +ss.w.bet <- sum(n.each*(mean.each-mean.tot)^2) 
 +ss.w.bet 
 + 
 +ss.tot 
 +ss.within 
 +ss.w.bet 
 +ss.w.bet + ss.within 
 + 
 +ss.type <- sum(n.type.each * ((mean.tot - mean.type)^2)) 
 +ss.w.temp <- sum(n.w.temp.each * ((mean.tot - mean.w.temp)^2)) 
 +ss.type 
 +ss.w.temp 
 +ss.type.w.temp <- ss.w.bet - (ss.type + ss.w.temp) 
 +ss.type.w.temp 
 + 
 +ss.tot 
 +ss.w.bet 
 +ss.within 
 +ss.type 
 +ss.w.temp 
 +ss.type.w.temp 
 + 
 +df.tot <- n.sub - 1 
 +df.w.bet <- (n.type.group * n.w.temp.group) - 1 
 +df.type <- n.type.group - 1 
 +df.w.temp <- n.w.temp.group - 1 
 +df.type.w.temp <- df.w.bet - (df.type + df.w.temp) 
 +df.within <- sum(df.within.each) 
 + 
 +df.tot 
 +df.w.bet 
 +df.type 
 +df.w.temp 
 +df.type.w.temp 
 +df.within 
 + 
 +ms.type <- ss.type / df.type 
 +ms.w.temp <- ss.w.temp / df.w.temp 
 +ms.type.w.temp <- ss.type.w.temp / df.type.w.temp 
 +ms.within <- ss.within / df.within 
 + 
 +ms.type 
 +ms.w.temp 
 +ms.type.w.temp 
 +ms.within 
 + 
 + 
 +f.type <- ms.type / ms.within 
 +f.w.temp <- ms.w.temp / ms.within 
 +f.type.w.temp <- ms.type.w.temp / ms.within 
 + 
 +alpha <- .05 
 +# confidence interval 
 +ci <- 1 - alpha 
 + 
 +f.type 
 +# 봐야할 F분포표에서의 F-value 
 +# qt 처럼 qf 사용 
 +# qf(alpha, df.w.between, df.within, lower.tail=F) 처럼 사용 
 +qf(ci, df.type, df.within) 
 +# 혹은  
 +# qf(alpha, df.type, df.within, lower.tail = F) 
 +# 도 마찬가지 
 +pf(f.type, df.type, df.within, lower.tail = F) 
 + 
 +f.w.temp 
 +qf(ci, df.w.temp, df.within) 
 +pf(f.w.temp, df.w.temp, df.within, lower.tail = F) 
 + 
 +f.type.w.temp 
 +qf(ci, df.type.w.temp, df.within) 
 +pf(f.type.w.temp, df.type.w.temp, df.within, lower.tail = F) 
 + 
 +# aov result 
 +summary(de.typenova) 
 +</code> 
  
-===== 예 =====+===== 예 2.  cookie experiment =====
   * {{:AnovaData.sav}} SPSS 데이터    * {{:AnovaData.sav}} SPSS 데이터 
  
Line 322: Line 537:
 $SS_{total}=\Sigma{X^2}-\frac{G^2}{N}$ $SS_{total}=\Sigma{X^2}-\frac{G^2}{N}$
 $SS_{\text{between}}=\Sigma{\frac{T^2}{n}}-\frac{G^2}{N}$ $SS_{\text{between}}=\Sigma{\frac{T^2}{n}}-\frac{G^2}{N}$
-$SS_{within} & = & \Sigma{SS_{each \; treatment}} $+$SS_{\text{within}} = \Sigma{SS_{\text{each treatment}}} $
  
-$df_{between} & = & k - 1$ +$df_{\text{between}} =  k - 1$ 
-$df_{within} & = & \Sigma{df_{each \; treatment}} $+$df_{\text{within}} = \Sigma{df_{each \; treatment}} $
  
 $SS_{total} = SS_{between} + SS_{within}$ $SS_{total} = SS_{between} + SS_{within}$
Line 366: Line 581:
  
   * $SS_{within}$   * $SS_{within}$
-    * $SS_{within} = \Sum{SS_{within}} = 1502 + 940 + 1062 + 1084 = 4588$+    * $SS_{within} = \Sigma{SS_{within}} = 1502 + 940 + 1062 + 1084 = 4588$
   * $SS_{between}$   * $SS_{between}$
     * $SS_{between} = 5108 - 4588 = 520 $     * $SS_{between} = 5108 - 4588 = 520 $
   * $SS_A$   * $SS_A$
   * $SS_B$   * $SS_B$
-  * $SS_{AxB}$+  * $SS_{\text{AxB}}$
 MS MS
   * $MS_{A}$   * $MS_{A}$
   * $MS_{B}$   * $MS_{B}$
-  * $MS_{AxB}$+  * $MS_{\text{AxB}}$
   * $MS_{Within}$   * $MS_{Within}$
 F-ratio F-ratio
   * $F_{A}$   * $F_{A}$
   * $F_{B}$   * $F_{B}$
-  * $F_{AxB}$+  * $F_{\text{AxB}}$
  
 Tests of Between-Subjects Effects  Tests of Between-Subjects Effects
Line 394: Line 609:
 | Corrected Total  | 5108.000  | 79  |   |   |   | | Corrected Total  | 5108.000  | 79  |   |   |   |
 | a R Squared = .102 (Adjusted R Squared = .066)  |||||| | a R Squared = .102 (Adjusted R Squared = .066)  ||||||
 +
 +데이터 파일
 +{{:r:cookies.csv}}
 +손으로 계산하기
 +{{:r:cookies.xlsx}}
  
 <code> <code>
Line 624: Line 844:
 </code> </code>
 ===== Interpreting interaction ===== ===== Interpreting interaction =====
 +위에서 두개 독립변인에 대한 주효과가 없었으므로 각 독립변인의 종류 (특성) 별로 어디에서 차이가 났는가를 살피는 것은 의미가 없음. 따라서 아래는 필요한 절차가 아님. 
 <code>> TukeyHSD(cookies.aov, which="weight") <code>> TukeyHSD(cookies.aov, which="weight")
   Tukey multiple comparisons of means   Tukey multiple comparisons of means
Line 661: Line 882:
 ====== Materials and links ====== ====== Materials and links ======
   * {{:AnovaData.sav}}   * {{:AnovaData.sav}}
-  * http://www.uwsp.edu/psych/stat/13/anova-2w.htm  
  
-  * http://faculty.vassar.edu/lowry/ch16pt1.html 
-  * http://faculty.vassar.edu/lowry/ch16pt2.html 
-  * http://faculty.vassar.edu/lowry/ch16pt3.html 
-  * http://faculty.vassar.edu/lowry/ch16pt4.html 
-  * http://faculty.vassar.edu/lowry/ch16pt5.html 
  
  
-{{tag>factorial anova, statistics, Two-Factor Analysis of Variance, 팩토리얼 아노바, 상호작용효과, 주효과}}+{{tag>factorial_anova statistics Two-Factor_Analysis_of_Variance, 팩토리얼 아노바, 상호작용효과, 주효과}}
factorial_anova.1591073992.txt.gz · Last modified: 2020/06/02 13:59 by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki