Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Análise de Variâncias --> ANOVA (Analyses Of Variance) a <- c(5,6,7) b <- c(7,8,9) c <- c(9,10,11) A*B- B*C--> Teste "t" sequencial C*A- #Codificação ("R") Fator <- C("a","a","a","b","b","b","c","c",c") Resp <- c(5,6,7,7,8,9,9,10,11) # é o y S² --> aov --> Análise de variância aov(resp~fator) # resp "função" fator Hzero : a=b=c H1: Pelo menos 1 deles é diferente #Número em sequência --> resp #identificar números por fator --> Fator ("a","b","c") # NA anova, não usa-se"paired" # a anova é usada pra calcular três médias ou mais, que são calculadas independentemente #para calcular a anova, os vetores tem que ser homocedásticos se não for homocedástico, tem que transformar com raiz, raiz da raiz e log #>bartlett.test(sqrt(resp)~fator) #no bartlet, tem que aceitar Hzero (sqrt(sqrt(resp)) log10(resp)~fator # se não der Hzero, encerra a questão # o bartlet é para ver se é homocedástico # os três pressupostos da anova são: Homocedasticidade(verifica-se pelo bartlet), Normalidade(verifica-se por shapiro). >bartlett() # calcular resp em função do fator >shapiro() # fazer o mfrow(1,2) para comparar os gráficos(histograma)/ calcular resp (tem que ser maior que 0,05 para ser normal, se não for, tem alguma coisa errada) é pré-requisito para aov qq é comose fosse o gráfico do shapiro qqnorm( é no que não é fator, no caso nos números) #faz primeiro o qq, depois o shapiro # da um nome de um objeto pra aov, e depois chama aov #pede o summary no summary da aov, tem que dar < que 0,05 #dai pede o tuckey, para saber quem é diferente #chama o summary de novo, que dá os três p valores ( o que der menos que 0,05 é que o diferente) #dai acaba a questão #Post - Hoc (a posterior) somente se Hzero fo rejeitado Posterior a anova caso Hzero for rejeitado # NA anova, não usa-se"paired" # a anova e usada pra calcular três médias ou mais, que são calculadas independentemente #para calcular a anova, os vetore tem que ser homocedásticos se não for homocedástico, tem que transformar com raiz, raiz da raiz e log # o bartlet é para ver se é homocedástico se der Hzero, todas as média são iguais se não der Hzero, alguém é diferente dai faz o post Hoc(tuckey) pra saber quem é diferente c <- c(7,8,12,5) #área de controle ge <- c(12,15,18,15) #gaiola de exclusão # com a gaiola de exclusão, imagina-se que vai aumentar a abundancia de predadores, então vai ser unicaudal. independente. mean(c) mean(ge) boxplot(c,ge) var.test(c,ge) # teste da variancia. Se for positivo, colocar equal=T. #p valo maior que 0,05, sempre aceita h zero. t.test(c,ge,paiked=F,var.equal=T,alternative="less") #quando estiver lendo o problema, identificar se é dependente ou não, bicaudal, homo ou heterocedástico. gp <- c(8,5,11,4) #gaiola parcialmente aberta independente #calculo da anova var.test(c,gp) 1- c-ge -> pvalor =0,005 2- c-gp -> independentes, unicaudal 3- ge-gp -> var.test(gp,ge) t.test(c,gp,paired=F,var.equal=T,alternative="less") boxplot(c,gp,ge) t.test(ge,gp, paired=F,var.equal=T,alternative="two.sided") c dofente ge c=gp ge diferente gp resp <- c(7,8,12,5,12,15,18,15,8,5,11,4) fatorF <- c("c","c","c","c","ge","ge","ge","ge","gp","gp","gp","gp") fatorf <- as.factor(fator) independencia não tem como verificar através de um test homocedasticidade sim bartlett.test(resp~fatorF) boxplot(resp,fator) qqnorm(resp) qqline(resp) hist(resp) obj.aov<-aov(resp~fatorF) aov #anova tukeyhsd(obj.aov)
Compartilhar