Cheat Sheet ANOVA Sup Alfabet & Setara Regresi

Bisakah saya mendapatkan bantuan untuk menyelesaikan upaya sementara (sedang berlangsung) untuk mendapatkan posisi yang sesuai dengan ANOVA dan REGRESI? Saya telah berusaha mendamaikan konsep, nomenklatur dan sintaksis dari kedua metodologi ini. Ada banyak posting di situs ini tentang kesamaan mereka, misalnya ini atau ini , tetapi masih bagus untuk memiliki peta "Anda di sini" yang cepat ketika memulai.

Saya berencana memperbarui posting ini, dan berharap mendapatkan bantuan memperbaiki kesalahan.

ANOVA satu arah:

Structure:   DV is continuous; IV is ONE FACTOR with different LEVELS.
Scenario:    miles-per-gal. vs cylinders
             Note that Income vs Gender (M, F) is a t-test.
Syntax:      fit <- aov(mpg ~ as.factor(cyl), data = mtcars); summary(fit); TukeyHSD(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl), mtcars) 
             # with F dummy coded;
             summary(fit); anova(fit)

ANOVA dua arah:

Structure:   DV is continuous; IV is > 1 FACTORS with different LEVELS.
Scenario:    mpg ~ cylinders & carburators
Syntax:      fit <- aov(mpg ~ as.factor(cyl) + as.factor(carb), mtcars); 
             summary(fit); TukeyHSD(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl) + as.factor(carb), mtcars) 
             # with F dummy coded; 
             summary(fit); anova(fit)

ANOVA faktorial dua arah:

Structure:   All possible COMBINATIONS of LEVELS are considered.
Scenario:    mpg ~ cylinders + carburetors + (4cyl/1,...8cyl/4)
Syntax:      fit <- aov(mpg ~ as.factor(cyl) * as.factor(carb), mtcars); 
             summary(fit); TukeyHSD(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl) * as.factor(carb), mtcars) 
             # with F dummy coded; 
             summary(fit); anova(fit)

ANCOVA:

Structure:   DV continuous ~ Factor and continuous COVARIATE.
Scenario:    mpg ~ cylinders + weight
Syntax:      fit <- aov(mpg ~ as.factor(cyl) + wt, mtcars); summary(fit)
Regression:  fit <- lm(mpg ~ as.factor(cyl) + wt, mtcars) 
             # with F dummy coded; 
             summary(fit); anova(fit)

MANOVA:

Structure:   > 1 DVs continuous ~ 1 FACTOR ("One-way") or 2 FACTORS ("Two-way MANOVA").
Scenario:    mpg and wt ~ cylinders
Syntax:      fit <- manova(cbind(mpg,wt) ~ as.factor(cyl), mtcars); summary(fit)
Regression:  N/A

MANCOVA:

Structure:   > 1 DVs continuous ~ 1 FACTOR + 1 continuous (covariate) DV.
Scenario:    mpg and wt ~ cyl + displacement (cubic inches)
Syntax:      fit <- manova(cbind(mpg,wt) ~ as.factor(cyl) + disp, mtcars); summary(fit)
Regression:  N/A

DALAM FAKTOR DALAM (atau SUBYEK) ANOVA: ( kode di sini )

Structure:   DV continuous ~ FACTOR with each level * with subject (repeated observations).
             Extension paired t-test. Each subject measured at each level multiple times. 
Scenario:    Memory rate ~ Emotional value of words for Subjects @ Times
Syntax:      fit <- aov(Recall_Rate ~ Emtl_Value * Time + Error(Subject/Time), data); 
             summary(fit); print(model.tables(fit, "means"), digits=3);
             boxplot(Recall_Rate ~ Emtl_Value, data=data)
             with(data, interaction.plot(Time, Emtl_Value, Recall_Rate))
             with(data, interaction.plot(Subject, Emtl_Value, Recall_Rate))
             NOTE: Data should be in the LONG FORMAT (same subject in multiple rows)
Regression:  Mixed Effects
             require(lme4); require(lmerTest)
             fit <- lmer(Recall_Rate ~ Emtl_Value * Time + (1|Subject/Time), data); 
             anova(fit); summary(fit); coefficients(fit); confint(fit) 
or
             require(nlme)
             fit <- lme(Recall_Rate ~ Emtl_Value * Time, random = ~1|Subject/Time, data)
             summary(fit); anova(fit); coefficients(fit); confint(fit)

SPLIT-PLOT: ( kode di sini )

Structure:   DV continuous ~ FACTOR/-S with RANDOM EFFECTS and pseudoreplication.
Scenario:    Harvest yield ~ Factors = Irrigation / Density of seeds / Fertilizer 
                 & RANDOM EFFECTS (Blocks and plots of land): 
Syntax:      fit <- aov(yield ~ irrigation * density * fertilizer + 
                 Error(block/irrigation/density), data); summary(fit)
Regression:  Mixed Effects
             require(lme4); require(lmerTest); 
             fit <- lmer(yield ~ irrigation * fertilizer + 
             (1|block/irrigation/density), data = splityield); 
             anova(fit); summary(fit); coefficients(fit); confint(fit)
or
             library(nlme)
             fit <- lme(yield ~ irrigation * variety, random=~1|field, irrigation)
             summary(fit); anova(fit)

DESAIN NESTED: ( kode di sini )

Structure:   DV continuous ~ FACTOR/-S with pseudoreplication.
Scenario:    [Glycogen] ~ Factors = Treatment & RANDOM EFFECTS with Russian-doll effect: 
             Six rats (6 Livers)-> 3 Microscopic Slides/Liver-> 2 Readings/Slide). 
Syntax:      fit <- aov(Glycogen ~ Treatment + Error(Rat/Liver), data); summary(fit)
Regression:  Mixed Effects
             require(lme4); require(lmerTest)
             fit <- lmer(Glycogen ~ Treatment + (1|Rat/Liver), rats); 
             anova(fit); summary(fit); coefficients(fit); confint(fit)
or
             require(nlme)
             fit<-lme(Glycogen ~ Treatment, random=~1|Rat/Liver, rats)
             summary(fit); anova(fit); VarCorr(fit)

SITUS BERMANFAAT:

1. RExRepos
2. Proyek Kepribadian
3. Quick-R
4. R-Blogger
5. Nested Analysis and Split-Plot oleh M. Crawley
6. Model dengan Berbagai Efek Acak
7. Model Plot Terpisah
8. The R Book oleh M. Crawley
9. Dalam Grup & Tindakan Berulang
10. Ulangi Pengukuran di R
11. FAQ GLMM

Daftar yang bagus, Antoni. Berikut adalah beberapa saran kecil:

One-Way ANOVA: IV adalah FAKTOR dengan 3 level atau lebih. Anda juga bisa menambahkan Contoh Data: mtcars ke entri ini. (Demikian pula, Anda dapat menambahkan pernyataan * Contoh Data "ke semua entri Anda, untuk membuatnya lebih jelas set data apa yang Anda gunakan.)

Two-Way Anova: Mengapa tidak menggunakan IV1 dan IV2 dan menyatakan bahwa dua variabel independen harus menjadi faktor dengan setidaknya masing-masing dua level? Cara Anda menyatakan hal ini saat ini menunjukkan anova dua arah dapat mencakup lebih dari 2 variabel independen (atau faktor), yang tidak masuk akal.

Untuk Anova Dua Arah, saya akan membedakan antara dua sub-kasus ini: 1. Anova Dua Arah dengan Efek Utama untuk IV1 dan IV2 dan 2. Anova Dua Arah dengan Interaksi antara IV1 dan IV2. Item kedua ini adalah apa yang Anda sebut dua sebagai anova dua arah faktorial.) Cara yang lebih baik untuk menggambarkan dua sub-kasus ini adalah: 1. Pengaruh IV1 pada DV tidak tergantung pada efek IV2 dan 2. Pengaruh IV1 pada DV tergantung pada IV2. Anda juga bisa membuatnya lebih jelas bahwa itu adalah variabel independen IV1 dan IV2 yang diberi kode boneka dalam pengaturan regresi.

Untuk ANCOVA, Anda dapat mengklarifikasi bahwa Anda hanya mempertimbangkan ANCOVA satu arah dalam contoh Anda saat ini. Untuk kelengkapan, Anda bisa menambahkan contoh ANCOVA dua arah tanpa interaksi antara IV1 dan IV2, dan satu dengan interaksi antara dua variabel ini.

Untuk semua hal di atas, Anda juga bisa menambahkan item yang disebut Purpose , yang menjelaskan kapan analisis ini berguna. Sebagai contoh:

Tujuan (dari anova satu arah): Selidiki apakah nilai rata-rata dari DV berbeda di semua tingkat IV.

Untuk MANOVA, dapatkah Anda mengklarifikasi bahwa seseorang akan membutuhkan (a) dua atau lebih VD dan (2) satu atau lebih IV yang merupakan faktor? Saya kira Anda dapat membedakan antara MANOVA satu arah (dengan 1 faktor) dan MANOVA dua arah? Hal yang sama untuk MANCOVA.

WITHIN-FACTOR ANOVA juga dikenal sebagai ANOVA UKURAN berulang, jadi mungkin Anda bisa menambahkan terminologi ini ke daftar Anda untuk mereka yang akrab dengannya. Akan sangat membantu untuk menjelaskan bahwa pemodelan efek campuran menyediakan cara alternatif untuk memodelkan data tindakan berulang. Kalau tidak, pembaca mungkin tidak menghargai perbedaan antara dua pendekatan.