создать таблицу с зацикленными результатами - PullRequest
Новая
       69

создать таблицу с зацикленными результатами

2 голосов
/ 16 марта 2020

пример фрейма данных:

> 

 df
    ID B C D
  1  A  1  1  3
  2  B  2  3  1
  3  C  1  1  1
  4  D  3  1  1
  5  E  1  0  0

Я зациклил anova на различных переменных на фрейме данных с помощью этого кода (найден онлайн)

data: df 

library(car)
LLA <- rep(NA, ncol (df))
sink("dfresults.doc")
for (i in 4:ncol(df)) {
  column <- names(df[i])
  contrasts(df$Group)<-contr.helmert(2) 
  contrasts(df$Gender)<-contr.helmert(2) 
  model= aov(df[,i] ~ Group + Gender, data= df)
  SBCna=Anova(model, type="III")
  tk=TukeyHSD(aov(df[,i] ~ Group + Gender, data= df))
  print(column)
  print(LLA)
  print(tk)
}
sink()

(и группа, и пол являются факториальными). В результате был создан файл .do c с результатами анализа (очень полезный), образец вывода: 

    [1] "variable"
Anova Table (Type III tests)

Response: df[, i]
              Sum Sq  Df   F value    Pr(>F)    
(Intercept) 14313489   1 6922.5653 < 2.2e-16 ***
Group            280   1    0.1354    0.7133    
Gender         40487   1   19.5809 1.635e-05 ***
Residuals     386652 187                        
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = df[, i] ~ Group + Gender, data =df)

$Group
                  diff       lwr      upr    p adj
Group1-Group2 0.09016515 -14.99211 15.17244 0.990603

$Gender
                diff      lwr      upr    p adj
Male-Female 32.62016 18.02386 47.21646 1.75e-05

Теперь я хотел бы создать data.frame (который позже смогу сохранить в файле .csv) с помощью Sum Sum f Square, f Value, P-values ​​(Pr (> F)) из созданных таблиц anova. на выходе.

1 Ответ

0 голосов
/ 20 марта 2020

Допустим, ваш фрейм данных выглядит следующим образом: 

df = data.frame(id=1:100,
Group=sample(letters[1:2],100,replace=TRUE),
Gender=sample(c("M","F"),100,replace=TRUE),
matrix(rnorm(7*100),ncol=7))
colnames(df)[4:10] = paste0("Var",1:7)
contrasts(df$Group)<-contr.helmert(2) 
contrasts(df$Gender)<-contr.helmert(2)

Тогда быстрый способ - сохранить результаты AOV в списке, и вы подгоните свою модель только один раз с помощью aov и снова будете использовать ее с Anova. 

Variables_to_regress = colnames(df)[4:ncol(df)]
anova_results = vector("list",length(Variables_to_regress))
names(anova_results) = Variables_to_regress

for (i in Variables_to_regress) {
  this_formula = as.formula(paste(i,"~ Group + Gender"))
  model = aov(formula=this_formula, data=df)
  anova_results[[i]] = Anova(model, data=df,type="III")
}

data.frame(anova_results[["Var1"]])
                  Sum.Sq Df     F.value    Pr..F.
(Intercept) 1.326132e-03  1 0.001214224 0.9722744
Group       2.818789e-01  1 0.258091920 0.6125874
Gender      7.351722e-01  1 0.673133183 0.4139730
Residuals   1.059400e+02 97          NA        NA

write.csv(data.frame(anova_results[["Var1"]]),....)

Если вам интересно, другой способ - использовать мурлыканье и метлу для сбора всех результатов регрессии: 

library(purrr)
library(broom)
library(tidyr)

res = pivot_longer(df[,-1],-c(Group,Gender)) %>%
nest(data=c(Group, Gender, value)) %>% 
mutate(
fit=map(data,~aov(value ~ Group+Gender,data=.x)),
typeIII = map(fit,Anova,type="III"),
tidied = map(typeIII,tidy)
)

Приведенный выше код в основном преобразует ваши данные в длинные. format, объединяет все значения в одну переменную вместе, выполняет aov, Anova и очищает таблицу, используя tidy из метлы. Вышеприведенное полезно для того, чтобы вы могли легко расширить это, чтобы выполнить больше тестов, или посмотреть на другие статистические данные в результате anova.

Чтобы посмотреть только результаты, выполните: 

res %>% unnest(tidied) %>% select(name,term,sumsq,df,statistic,p.value)
# A tibble: 28 x 6
   name  term            sumsq    df statistic p.value
   <chr> <chr>           <dbl> <dbl>     <dbl>   <dbl>
 1 Var1  (Intercept)   0.00133     1   0.00121   0.972
 2 Var1  Group         0.282       1   0.258     0.613
 3 Var1  Gender        0.735       1   0.673     0.414
 4 Var1  Residuals   106.         97  NA        NA    
 5 Var2  (Intercept)   1.32        1   1.04      0.311
 6 Var2  Group         0.102       1   0.0798    0.778
 7 Var2  Gender        1.63        1   1.28      0.261
 8 Var2  Residuals   124.         97  NA        NA    
 9 Var3  (Intercept)   0.0625      1   0.0649    0.799
10 Var3  Group         0.247       1   0.256     0.614
...