Как я могу классифицировать результаты пост-hoc теста в R?

Я пытаюсь понять, как работать с ANOVA и специальными тестами в R. До сих пор я использовал aov() и TukeyHSD() для анализа своих данных. Пример:

uni2.anova <- aov(Sum_Uni ~ Micro, data= uni2)

uni2.anova

Call:
aov(formula = Sum_Uni ~ Micro, data = uni2)

Terms:
                    Micro  Residuals
Sum of Squares  0.04917262 0.00602925
Deg. of Freedom         15         48

Residual standard error: 0.01120756 
Estimated effects may be unbalanced

Моя проблема в том, что теперь у меня есть огромный список парных сравнений, но я ничего не могу с этим поделать:

 TukeyHSD(uni2.anova)
 Tukey multiple comparisons of means
   95% family-wise confidence level

Fit: aov(formula = Sum_Uni ~ Micro, data = uni2)

$Micro
                               diff          lwr           upr     p adj
Act_Glu2-Act_Ala2     -0.0180017863 -0.046632157  0.0106285840 0.6448524
Ana_Ala2-Act_Ala2     -0.0250134285 -0.053643799  0.0036169417 0.1493629
NegI_Ala2-Act_Ala2     0.0702274527  0.041597082  0.0988578230 0.0000000

Этот набор данных имеет 40 строк... В идеале, я хотел бы получить набор данных, который выглядит примерно так:

  • Act_Glu2: a
  • Act_Ala2: a
  • NegI_Ala2: b...

Я надеюсь, вы поняли суть. До сих пор я не нашел ничего похожего в Интернете... Я также пытался выбрать только значимые пары в файле, полученном в результате TukeyHSD, но файл не "признает", что он состоит из строк и столбцов, что делает выбор невозможным.,

Может быть, что-то в корне не так с моим подходом?

Источник

3 ответа

Решение

Я думаю, что ОП хочет, чтобы буквы получили представление о сравнениях.

library(multcompView)
multcompLetters(extract_p(TukeyHSD(uni2.anova)))

Это даст вам письма.

Вы также можете использовать пакет multcomp

library(multcomp)
cld(glht(uni2.anova, linct = mcp(Micro = "Tukey")))

Я надеюсь, что это то, что вам нужно.

Источник

Результаты TukeyHSD являются списком. использование str смотреть на структуру. В вашем случае вы увидите, что это список из одного элемента, и этот элемент в основном представляет собой матрицу. Итак, для извлечения первого столбца вы хотите сохранить результат TukeyHSD

hsd <- TukeyHSD(uni2.anova)

Если вы посмотрите на str(hsd) Вы можете, что вы можете получить в битах...

hsd$Micro[,1]

Это даст вам столбец ваших различий. Вы должны быть в состоянии извлечь то, что вы хотите сейчас.

Источник

Трудно сказать без примеров данных, но предполагая Micro это просто фактор с 4 уровнями и uni2 выглядит примерно так

n = 40
Micro = c('Act_Glu2', 'Act_Ala2', 'Ana_Ala2', 'NegI_Ala2')[sample(4, 40, rep=T)]
Sum_Uni = rnorm(n, 5, 0.5)
Sum_Uni[Micro=='Act_Glu2'] = Sum_Uni[Micro=='Act_Glu2'] + 0.5

uni2 = data.frame(Sum_Uni, Micro)

> uni2
   Sum_Uni     Micro
1 4.964061  Ana_Ala2
2 4.807680  Ana_Ala2
3 4.643279 NegI_Ala2
4 4.793383  Act_Ala2
5 5.307951 NegI_Ala2
6 5.171687  Act_Glu2
...

тогда я думаю, что вы на самом деле пытаетесь получить базовый результат множественной регрессии:

fit = lm(Sum_Uni ~ Micro, data = uni2)

summary(fit)
anova(fit)

> summary(fit)

Call:
lm(formula = Sum_Uni ~ Micro, data = uni2)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.26301 -0.35337 -0.04991  0.29544  1.07887 

Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
(Intercept)      4.8364     0.1659  29.157  < 2e-16 ***
MicroAct_Glu2    0.9542     0.2623   3.638 0.000854 ***
MicroAna_Ala2    0.1844     0.2194   0.841 0.406143    
MicroNegI_Ala2   0.1937     0.2158   0.898 0.375239    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.4976 on 36 degrees of freedom
Multiple R-squared: 0.2891, Adjusted R-squared: 0.2299 
F-statistic:  4.88 on 3 and 36 DF,  p-value: 0.005996 

> anova(fit)
Analysis of Variance Table

Response: Sum_Uni
          Df Sum Sq Mean Sq F value   Pr(>F)   
Micro      3 3.6254 1.20847  4.8801 0.005996 **
Residuals 36 8.9148 0.24763                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Вы можете получить доступ к номерам в любой из этих таблиц, как, например,

> summary(fit)$coef[2,4]
[1] 0.0008536287

Чтобы увидеть список того, что хранится в каждом объекте, используйте names():

> names(summary(fit))
 [1] "call"          "terms"         "residuals"     "coefficients" 
 [5] "aliased"       "sigma"         "df"            "r.squared"    
 [9] "adj.r.squared" "fstatistic"    "cov.unscaled"

В добавок к TukeyHSD() Функция, которую вы нашли, есть много других вариантов для дальнейшего изучения парных тестов и исправления p-значений, если это необходимо. Они включают pairwise.table(), estimable() в gmodels, resampling а также boot пакеты и другие...

Источник
Другие вопросы по тегам