Значение в R

Question

Хорошо, это довольно сложно объяснить, но я совершенно не понимаю, что делать.Я относительный новичок в R, и хотя я могу полностью восхищаться его мощью, я не слишком хорош в его использовании ....

В принципе, у меня есть некоторые очень надуманные данные, которые мне нужныпроанализировать (это был не я, кто выбрал это, я могу заверить вас!).У меня есть длина правой и левой руки большого количества людей, а также некоторые числовые данные, которые показывают их общительность.

Теперь я хотел бы знать, являются ли люди, которые имеют существенно различную длину руки, более или менее общительнымичем те, у кого то же самое (ведя исследование, что «симметричные» люди более общительны и интеллектуальны и т. д.)

Я дошел до загрузки данных в R, тогда я понятия не имею, куда идтиоттуда. Как, черт возьми, я начинаю отделять тех, кто близок к симметричному, от тех, кто не должен затем делать анализ?

---

Хорошо, используя великий совет Саши, я сделали получил следующее:

Pearson's product-moment correlation

data:  measurements$l.hand - measurements$r.hand and measurements$sociable 
t = 0.2148, df = 150, p-value = 0.8302
alternative hypothesis: true correlation is not equal to 0 
95 percent confidence interval:
 -0.1420623  0.1762437 
sample estimates:
       cor 
0.01753501

Я никогда не использовал этот тест раньше, поэтому не уверен, как его интерпретировать ... вы не думаете, что я получил четвертую ученую степень, не так ли?!: (

Answer 1

Похоже на проблему регрессии:

set.seed(1)
DF <- data.frame(lhand = rnorm(100, 15, sd = 2), rhand = rnorm(100, 15, sd = 2),
                 social = runif(100))
DF <- within(DF, handedness <- lhand - rhand)

mod <- lm(social ~ handedness, data = DF)
summary(mod)

Здесь это не отношения (не удивительно, поскольку это просто случайные данные):

> summary(mod)

Call:
lm(formula = social ~ handedness, data = DF)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.51113 -0.25170 -0.02336  0.26161  0.52042 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.507240   0.030700  16.522   <2e-16 ***
handedness  -0.007896   0.011670  -0.677      0.5    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.3051 on 98 degrees of freedom
Multiple R-squared: 0.00465,    Adjusted R-squared: -0.005506 
F-statistic: 0.4579 on 1 and 98 DF,  p-value: 0.5002

Для вашей реальной проблемы спросите себя, может ли быть уместным линейное приближение между социальностью и практичностью. Итак, нанесите данные:

plot(social ~ handedness, data = DF)

Выглядит ли это как двумерный гауссов?

Если линейная зависимость выглядит нормально, подгоните линейную модель и затем проверьте невязки на наличие проблем (изогнутые шаблоны, непостоянная дисперсия, сильное отклонение от нормы). Тогда идите оттуда. Если линейное приближение не кажется правильным, можете ли вы линеаризовать отношения с преобразованием? Если да, попробуйте, если нет, то как насчет GLM? и т.д. и т.п. ...

Answer 2

Используется критерий значимости, чтобы определить, может ли эффект пробы в пробе быть вызван случайной ошибкой. Это не очень удобно для индивидуальных результатов, но вы можете стандартизировать различия.

Если «dat» - это имя вашего фрейма данных, содержащее столбцы «hand.left», «hand.right» и «social», тогда вы можете стандартизировать различия следующим образом:

stand=scale(dat$hand.left-dat$hand.right)

Затем вы можете создать логический фиктивный вектор, указывающий, имеет ли человек вероятность этой разницы, учитывая образец:

dum=abs(stand)<1.96

Что вы можете затем использовать в t-тесте:

t.test(dat$social[dum],dat$social[!dum])

Однако проблема в том, что из-за характера стандартизации размера выборки в группе равных рук она будет примерно в 20 раз больше, чем в группе неравных рук, поэтому вам нужно много наблюдений. Альтернатива состоит в том, чтобы взглянуть на корреляцию между общительностью и абсолютной разницей рук:

cor.test(abs(dat$hand.left-dat$hand.right), dat$social)

Answer 3

Вы должны проверить свои данные ...

hist( measurements$social )

Как это выглядит? ... нормально?

Вы можете попробовать регрессию

stand = scale( measurements$l.hand - measurements$r.hand )
m <- lm( measurements$social ~ stand )
m
summary(m)
anova(m)

Вы также можете построить модель, и она даст вам диагностику

plot(m)

Пожалуйста, введите фразу? Command (например,? Lm) для всех команд, которые вы пытаетесь здесь. Это поможет вам понять, что происходит.