Kahefaktoriline%20dispersioonanal

1
Kahefaktoriline dispersioonanalüüs jaotus
korraga kahe kriteeriumi alusel ehk
uurime kahe faktori mõju korraga. Analüüsimiseks
kahefaktoriline dispersioonanalüüs
(two-way ANOVA)
2
Dependent Variable kaal
Sum of Source
DF Squares Mean Square F
Value Pr gt F Model
2 41.63200000 20.81600000 33.68
lt.0001 Error 17
10.50600000 0.61800000 Corrected Total
19 52.13800000    
R-Square Coeff Var Root MSE
kaal Mean   0.798496
13.12404 0.786130 5.990000    
Source DF Type III SS
Mean Square F Value Pr gt F   taim
1 20.00000000
20.00000000 32.36 lt.0001 sugu
1 21.63200000
21.63200000 35.00 lt.0001    
Tulemus on kombeks esitada ANOVA
tabelina _________________________________ efekt
df SS F p ___________________
_____________ taim 1 20,0 32,3 lt0.0001 sugu
1 21,6 35,0 lt0.0001 viga 17 10,5
3
_________________________________ efekt
df SS F p ____________________________
____ taim 1 20,0 32,3 lt0.0001 sugu 1 21,6
35,0 lt0.0001 viga 17 10,5 ______________________
___________ kuna MSSS/df, siis neid pole ehk
mõtet kirjutada. R2 SSeffect/SStotal iga
efekti kohta eraldi Või ka lausena the effect
of host plant on pupal weight was statistically
confirmed (F1,1732.3, plt0.0001 two-way ANOVA
with sex as an additional factor). ... ei ole
samad mis ühefaktorilise puhul.
4
interaktsioon ehk koosmõju - kas ühe faktori mõju
sõltub teise tasemest Sellistes andmetes on
koosmõju
joonte paralleelsus, suuna muutusega või
ilma, sümmeetriline
Source DF SS MS F P   taim
1 0.05 0.05 0.08 0.77 sugu
1 79.20 79.20 131.24 lt.0001 taimsugu 1
20.00 20.00 33.14 lt.0001
5
_________________________________________ efekt
df SS F p _________________________
________________ taim 1 0,05 0,08
0,8 sugu 1 79,2 131,2 lt0.0001 taimsugu
1 20,0 33,1 lt0.0001 viga 16
9,7 _____________________________________
____ Koosmõju pole, kui mõju aditiivne. Logaritm
teisendus muudab multiplikatiivseks! Koosmõju
korral võib peamõju olla või ka mitte olla,
koosmõju korral ole ettevaatlik peamõjude
tõlgendamisega.
6
Täida lünk nii, et koosmõju ei ole
isane kasel 50 mg emane kasel 80 mg isane lepal
70 mg emane lepal ..... mg
7
Täida lünk nii, et oleks suuna muutusega
koosmõju
ogalik meres 8 cm ogalik järves 6 cm lepamaim
meres 9 cm lepamaim järves ..... cm
8
Täida lünk nii, et koosmõju ei ole
isane kasel 50 mg emane kasel 80 mg isane lepal
70 mg emane lepal 100 mg isane pajul 100
mg emane pajul .... mg
9
Täida lünk nii, et koosmõju ei ole
isane kasel 50 mg emane kasel 80 mg isane lepal
70 mg emane lepal 80 mg isane pajul 100
mg emane pajul .... mg
10
Täida lünk nii, et peale logaritmimist koosmõju
ei ole
isane kasel 50 mg emane kasel 100 mg isane
lepal 80 mg emane lepal ..... mg
11
Täida lünk nii, et puu liigi peamõju ei ole
isane kasel 50 mg emane kasel 80 mg isane lepal
70 mg emane lepal ..... mg
12
Täida lüngad nii, et kummagi faktori peamõju ei
ole
isane kasel 50 mg emane kasel 80 mg isane lepal
.... mg emane lepal ..... mg
13
Source DF
Type III SS Mean Square F Value Pr gt
F   taim 1
5.0041161 5.0041161 4.83 0.0293
sugu 1 609.9239388
609.9239388 588.16 lt.0001
taimsugu 1 159.7450216
159.7450216 154.05 lt.0001 varv
1 6.6006350
6.6006350 6.37 0.0125 taimvarv
1 12.8614007 12.8614007
12.40 0.0005 suguvarv
1 0.1566191 0.1566191
0.15 0.6980 taimsuguvarv
1 0.0470915 0.0470915 0.05
0.8315 auk 1
0.3428916 0.3428916 0.33 0.5660
taimauk 1 0.5017713
0.5017713 0.48 0.4876
suguauk 1 2.2543296
2.2543296 2.17 0.1421
taimsuguauk 1 0.0663268
0.0663268 0.06 0.8006 varvauk
1 0.7646613
0.7646613 0.74 0.3916
taimvarvauk 1 3.4534288
3.4534288 3.33 0.0696
suguvarvauk 1 3.4380134
3.4380134 3.32 0.0703
taimsuguvarvauk 1 0.0000439
0.0000439 0.00 0.9948
Rohkem kui kahefaktoriline ANOVA on muidugi ka
väga võimalik, koosmõjudega läheb
keeruliseks Kolme faktori koosmõju - kahe
faktori koosmõju iseloom sõltub kolmanda faktori
tasemest.
14
Regressioonaanlüüsi põhimõte sarnane - saab
ühendada kovariaat, kovariatsioonanalüüs
(ANCOVA), pole suurt vahet, kas sõltumatu
muutuja on pidev või kategooriline! Esitame
samamoodi, kovariaadi df alati 1.
Sageli just segava mõju eemaldamiseks!
15
kontroll
tigudega
Kovariaadi kaasamisel p
0.0032 kovariaat ise p lt 0,0001
muna suurus
p 0,10
16
Miks aitab rühmade mõjusid paremini
leida? FMSmodel/MSerror - kovariaat vähendas
juhuviga! Kovariaate võib lisada mitmeid,
kuid - mudeli keerulisemaks ajamine vähendab
analüüsi võimsust - ei võta kui pole ise oluline
kovariaat - siiski siis, kui teame enne -
eetiline probleem - mudeliga mängides võib
juhuslikult saada mida tahetakse - kui sõltub
mittesign kovariaatidest - andmeid vähe! -
backward elimination model simplification
procedure Kovariaadi mõju eemaldatud LSMEANS.
17
_________________________________________ efekt
df SS F p _________________________
________________ treatment 2 0,05
0,08 0,8 kaal 1 79,2
131,2 lt0.0001 vanus 1 20,0
33,1 lt0.0001 pk vanus 1 0,3
1,3 0,45 mustikas 1 1,2
1,9 0,23 viga 16
9,7 _________________________________________
18
_________________________________________ efekt
df SS F p _________________________
________________ treatment 2 0,04
0,06 0,8 kaal 1 80,2
134,2 lt0.0001 vanus 1 17,9
37,1 lt0.0001 mustikas 1 1,2
2,9 0,17 viga 17
10,4 _________________________________________
19
_________________________________________ efekt
df SS F p _________________________
________________ treatment 2 0,06
0,09 0,7 kaal 1 84,2
131,2 lt0.0001 vanus 1 20,9
33,1 lt0.0001 viga 18
12,4 _________________________________________
20
Kodutöö vormistamisest - kirjelda olukorda -
liigne täpsus - kõik nähtav - liiga tihedalt
väärtusi - eemalda mittevajalik.