COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » factorial_anova
Trace: • border_collie • schedule • 2022 • crate • weight_chart • eli • issues • jumping • drop • basics
factorial_anova

Differences

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

Link to this comparison view

Both sides previous revisionPrevious revision
factorial_anova [2025/09/25 01:36] – [e.g.,] hkimscilfactorial_anova [2026/04/19 11:10] (current) – hkimscil
Line 386: Line 386:
  
 만약에 손으로 계산했다면 R에서  만약에 손으로 계산했다면 R에서 
 +<tabbox rs.anova.detergent>
 <code> <code>
-de <- read.csv("http://commres.net/wiki/_media/detergent.csv", sep = ",", header=T)+de <- read.csv("http://commres.net/_media/detergent.csv", sep = ",", header=T)
 de  de 
  
Line 524: Line 525:
 summary(de.typenova) summary(de.typenova)
 </code> </code>
 +<tabbox ro.anova.detergent> 
 +<code> 
 +> de <- read.csv("http://commres.net/_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.typenova <- aov(cleanness ~ type * w.temp, data=de) 
 +> summary(de.typenova) 
 +            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))) 
 +>  
 +> attach(de) 
 +> table(type, w.temp) 
 +       w.temp 
 +type    cold warm hot 
 +  super    4    4   4 
 +  best     4    4   4 
 +> n.sub <- length(cleanness) 
 +> n.type.group <- 2 
 +> n.w.temp.group <- 3 
 +>  
 +> tapply(cleanness, list(type, w.temp), mean) # 각 셀에서의 평균 
 +      cold warm  hot 
 +super    5  8.5 10.5 
 +best     5 13.0 12.0 
 +> 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 
 +      cold warm hot 
 +super    2    5   5 
 +best     4    6   6 
 +> ss.within <- sum(ss.within.each) # ss.within 
 +> ss.within 
 +[1] 28 
 +>  
 +>  
 +> interaction.plot(type, w.temp, cleanness) 
 +>  
 +> mean.type <- tapply(cleanness, list(type), mean) 
 +> mean.w.temp <- tapply(cleanness, list(w.temp), mean) 
 +> mean.type 
 +super  best  
 +    8    10  
 +> mean.w.temp 
 + cold  warm   hot  
 + 5.00 10.75 11.25  
 +>  
 +> 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 
 +      cold warm  hot 
 +super    5  8.5 10.5 
 +best     5 13.0 12.0 
 +> mean.tot <- mean(cleanness) 
 +> mean.tot 
 +[1] 9 
 +> n.each <- tapply(cleanness, list(type, w.temp), length) 
 +> n.each 
 +      cold warm hot 
 +super    4    4   4 
 +best     4    4   4 
 +> 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 
 +[1] 238 
 +>  
 +> ss.tot 
 +[1] 266 
 +> ss.within 
 +[1] 28 
 +> ss.w.bet 
 +[1] 238 
 +> ss.w.bet + ss.within 
 +[1] 266 
 +>  
 +> 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 
 +[1] 24 
 +> ss.w.temp 
 +[1] 193 
 +> ss.type.w.temp <- ss.w.bet - (ss.type + ss.w.temp) 
 +> ss.type.w.temp 
 +[1] 21 
 +>  
 +> ss.tot 
 +[1] 266 
 +> ss.w.bet 
 +[1] 238 
 +> ss.within 
 +[1] 28 
 +> ss.type 
 +[1] 24 
 +> ss.w.temp 
 +[1] 193 
 +> ss.type.w.temp 
 +[1] 21 
 +>  
 +> 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 
 +[1] 23 
 +> df.w.bet 
 +[1] 5 
 +> df.type 
 +[1] 1 
 +> df.w.temp 
 +[1] 2 
 +> df.type.w.temp 
 +[1] 2 
 +> df.within 
 +[1] 18 
 +>  
 +> 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 
 +[1] 24 
 +> ms.w.temp 
 +[1] 96.5 
 +> ms.type.w.temp 
 +[1] 10.5 
 +> ms.within 
 +[1] 1.555556 
 +>  
 +>  
 +> 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 
 +[1] 15.42857 
 +> # 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) 
 +[1] 4.413873 
 +> # 혹은  
 +> # qf(alpha, df.type, df.within, lower.tail = F) 
 +> # 도 마찬가지 
 +> pf(f.type, df.type, df.within, lower.tail = F) 
 +[1] 0.0009861125 
 +>  
 +> f.w.temp 
 +[1] 62.03571 
 +> qf(ci, df.w.temp, df.within) 
 +[1] 3.554557 
 +> pf(f.w.temp, df.w.temp, df.within, lower.tail = F) 
 +[1] 8.411856e-09 
 +>  
 +> f.type.w.temp 
 +[1] 6.75 
 +> qf(ci, df.type.w.temp, df.within) 
 +[1] 3.554557 
 +> pf(f.type.w.temp, df.type.w.temp, df.within, lower.tail = F) 
 +[1] 0.006496173 
 +>  
 +> # aov result 
 +> summary(de.typenova) 
 +            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                      
 +--- 
 +S 
 +</code> 
 +</tabbox>
  
 ===== 예 2.  cookie experiment ===== ===== 예 2.  cookie experiment =====
factorial_anova.txt · Last modified: by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki