MANOVA с переменными из разных наборов данных - PullRequest
Новая
       98

MANOVA с переменными из разных наборов данных

0 голосов
/ 09 декабря 2018

Этот вопрос уже задавался на stats.stackexchange , но никто не ответил.Поскольку я не уверен, какой форум является подходящим, я публикую это здесь снова с некоторыми данными.

Я провел эксперименты по различным характеристикам коры дерева и теперь хочу сравнить, насколько далекопять исследованных видов деревьев различаются по оцениваемым параметрам.Поэтому было предложено использовать MANOVA для анализа моих данных, и это кажется мне разумным.Мой анализ проводится в R.

Однако, в отличие от большинства примеров, которые я нашел о том, как сделать MANOVA (то есть здесь , здесь, здесь ), мои данные получены из разных измерений и от разных людей.Теперь я нашел только этот поток, обсуждающий неравные размеры выборки, но он нацелен только на размеры выборки в пределах объясняющего фактора.

Чтобы проиллюстрировать это немного, представьте, что у меня есть виды деревьев ...

  • 9 измерений шероховатости коры.
  • 4 измерения толщины коры,
  • 3 измерения pH,
  • 5 измерений водоудерживающей способности,
  • 5 измерений водоудержания.

Конечно, я мог бы сделать отдельные ANOVA для каждой из этих переменных (и яуже сделал), но я думаю, что в MANOVA должны быть некоторые преимущества, верно?

Мой вопрос:

Подойдет ли MANOVA для такого рода данных?Могу ли я просто игнорировать мои различные размеры переменных?Есть ли альтернативный способ сделать это или скорее альтернативный статистический тест?Имеет ли значение мой маленький размер выборки?

Мои результаты пока:

В R, я просто поместил все переменные в один data.frame и заполнил пропущенные значения из-за неравного размера выборкина NA с (вот почему в моем data.frame столбце есть nums).Затем я запустил MANOVA следующим образом: pH + water content + thickness + roughness ~ tree species с функцией manova.

Пример данных: 

manova_df = structure(list(abbr = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L), .Label = c("AS", "BU", "CL", "MB", "PR"
), class = "factor"), nums = c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 
9L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 1L, 2L, 3L, 4L, 5L, 6L, 
7L, 8L, 9L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 1L, 2L, 3L, 4L, 
5L, 6L, 7L, 8L, 9L), comb_rugosity = c(3.44, 2.29, 5.21, 1.45, 
2.84, 4.25, 1.54, 2.97, 1.38, 2.45, 9.44, 0, 0.58, 7.71, 5.53, 
0.84, 1.22, 1, 10.83, 15.77, 5.5, 8.49, 10.46, 9.16, 5.52, 6.55, 
1.77, 10.68, 13.43, 20.8, 8.82, 18.09, 15.1, 15.41, 16.3, 13.2, 
2.67, 0.95, 1.49, 2.7, 0, 0.92, 0.83, 0, 1.89), bark_mm = c(9.59, 
4.17, 17.23, 8.49, 3.58, NA, NA, NA, NA, 8.06, 13.53, 6.33, 10.96, 
12.14, NA, NA, NA, NA, 17.94, 7.33, 10.54, 14.68, 16.66, NA, 
NA, NA, NA, 8.52, 8.72, 7.57, 11.89, 6.41, NA, NA, NA, NA, 2.59, 
9, 3.26, 5.81, NA, NA, NA, NA, NA), pH = c(6.5, 7.33, 8.17, NA, 
NA, NA, NA, NA, NA, 7.84, 3.71, 12.47, 4.39, NA, NA, NA, NA, 
NA, 11.04, 6.22, 5.41, 4.29, NA, NA, NA, NA, NA, 9.26, 11.18, 
6.3, NA, NA, NA, NA, NA, NA, 8.42, 7.75, 4.33, NA, NA, NA, NA, 
NA, NA), whc = c(192, 251, 166, 170, 466, NA, NA, NA, NA, 308, 
187, 595, 324, 364, NA, NA, NA, NA, 171, 406, 790, 292, 579, 
NA, NA, NA, NA, 672, 251, 700, 245, 260, 485, 383, NA, NA, 325, 
481, 338, 476, 968, NA, NA, NA, NA), ret = c(83, 90, 286, 309, 
374, NA, NA, NA, NA, 109, 159, 98, 164, 636, NA, NA, NA, NA, 
144, 234, 383, 178, 446, NA, NA, NA, NA, 275, 56, 178, 107, 125, 
367, 137, NA, NA, 132, 120, 142, 147, 330, NA, NA, NA, NA)), row.names = c(NA, 
-45L), class = c("tbl_df", "tbl", "data.frame"))

Что выглядит следующим образом (где abbr - вид дерева, nums - это число измерений для каждого вида деревьев, а остальные параметры дерева): 

> manova_df
# A tibble: 45 x 7
   abbr   nums comb_rugosity bark_mm    pH   whc   ret
   <fct> <int>         <dbl>   <dbl> <dbl> <dbl> <dbl>
 1 AS        1          3.44    9.59  6.5    192    83
 2 AS        2          2.29    4.17  7.33   251    90
 3 AS        3          5.21   17.2   8.17   166   286
 4 AS        4          1.45    8.49 NA      170   309
 5 AS        5          2.84    3.58 NA      466   374
 6 AS        6          4.25   NA    NA       NA    NA
 7 AS        7          1.54   NA    NA       NA    NA
 8 AS        8          2.97   NA    NA       NA    NA
 9 AS        9          1.38   NA    NA       NA    NA
10 BU        1          2.45    8.06  7.84   308   109
# ... with 35 more rows

Мой анализ довольно прост: 

mano_mod = manova(cbind(pH, bark_mm, comb_rugosity, whc, ret) ~ abbr, data = manova_df)
> summary(mano_mod)
          Df Pillai approx F num Df den Df Pr(>F)
abbr       4 1.5708   1.4226     20     44 0.1628
Residuals 12

Я не включалмои реальные данные здесь, но они следуют той же структуре.Приведенные данные далеко не значимы, в то время как мои фактические данные таковы!Мой вопрос касается только множества NA в моих данных и правильности теста.

(Если что-то неясно, спросите.)

...