Dispersioonanalüüsi mudelid
Kuigi meetoditele nime andmine on tänapäeva tingimustes, kus statistikaprogrammide kättesaadavus on väga hea, tihti mittevajalik,nimetan siikohal mõned, mida tihedamini artiklites ette tuleb.
ANOVA (Analysis of Variance) puhul on tegemist keskväärtuste erinevuse leidmisega, seega sobivad joonised, mis on näidatud alalõigus keskmiste võrdlemine ka siia.
ANCOVA (Analysis of Covariance) jaoks sobivad lineaarse seose urimise joonised: seos erinevate pidevate tunnuste vahel ühel või teisel fikseeritud faktori tasemel ja ka keskmiste värdlemise joonised.
Uue osana toon siinjuures ühe võimaliku koosmõju illustreeriva joonise R abil.
MANOVA (Multiple Analysis of Variance). Kõigepealt arvutatakse uue lineaarkombinatsiooni väärtused välja ning joonisele kantakse see kui y-teljel asuv uuritav tunnus.
ANOVA (Analysis of Variance) puhul on tegemist keskväärtuste erinevuse leidmisega, seega sobivad joonised, mis on näidatud alalõigus keskmiste võrdlemine ka siia.
ANCOVA (Analysis of Covariance) jaoks sobivad lineaarse seose urimise joonised: seos erinevate pidevate tunnuste vahel ühel või teisel fikseeritud faktori tasemel ja ka keskmiste värdlemise joonised.
Uue osana toon siinjuures ühe võimaliku koosmõju illustreeriva joonise R abil.
MANOVA (Multiple Analysis of Variance). Kõigepealt arvutatakse uue lineaarkombinatsiooni väärtused välja ning joonisele kantakse see kui y-teljel asuv uuritav tunnus.
Aasta ja järveosa koosmõju läbipaistvusele
ANOVA näide. Kahe diskreetse, väheste väärtustega faktori koosmõju uurimiseks on hea järgnev moodus:
Andmed peipsi.csv
interaction.plot(Aasta,Järveosa,SECCHI)
Kui jooned ei ristu, pole koosmõju.
Joone kuju võimaldab avastada üldisi muutusi. Kuna hajuvuse näitaja joonisel puudub, siis ei ole seda tüüpi graafik just kõige parem artiklites esitamiseks.
Andmed peipsi.csv
interaction.plot(Aasta,Järveosa,SECCHI)
Kui jooned ei ristu, pole koosmõju.
Joone kuju võimaldab avastada üldisi muutusi. Kuna hajuvuse näitaja joonisel puudub, siis ei ole seda tüüpi graafik just kõige parem artiklites esitamiseks.
Järveosa ja klorofülli koosmõju läbipaistvusele
ANCOVA näide, teostatakse lm(lineaarne mudel) käsu abil
library(effects)
mudel2=lm(SECCHI~CHLAJH*osa);summary(mudel2)
plot(allEffects(mudel2),xlab="klorofüll a",ylab="Läbipaistvus")
Seos klorofülli ja läbipaistvuse vahel on oluline Peipsi suurjarves, teistes osades seos antud andmete põhjal puudub.
Eelmine Järgmine
library(effects)
mudel2=lm(SECCHI~CHLAJH*osa);summary(mudel2)
plot(allEffects(mudel2),xlab="klorofüll a",ylab="Läbipaistvus")
Seos klorofülli ja läbipaistvuse vahel on oluline Peipsi suurjarves, teistes osades seos antud andmete põhjal puudub.
Eelmine Järgmine