代码之家 › 专栏 › 技术社区 › Tito Sanz

以整洁的方式通过TIBLE运行aov测试

dplyr r

1

Tito Sanz · 技术社区 · 7 年前

我想使用相同的因变量在数据帧上运行线性回归。类似的问题也得到了解决 here .问题是 aov 用于实现方差分析的函数不接受 x 和 y 作为论据(据我所知)。是否有一种方法可以整齐地执行分析?到目前为止,我已经尝试过以下方法:

library(tidyverse)

iris %>% 
  as_tibble() %>% 
  select(Sepal.Length, Species) %>% 
  mutate(foo_a = as_factor(sample(c("a", "b", "c"), nrow(.), replace = T)),
         foo_b = as_factor(sample(c("d", "e", "f"), nrow(.), replace = T))) %>% 
  map(~aov(Sepal.Length ~ .x, data = .))

^{于2019年2月12日由

reprex package

(v0.2.1)}

所需的输出是三种分析: Sepal.Length 和 Species , 萼片。长 和 foo_a 最后一个呢 萼片。长 和 foo_b .可能吗?还是我完全错了?

0 回复 | 直到 7 年前

1

2

camille 7 年前

一种方法是将其制成一个长形数据框架,由感兴趣的自变量分组,并使用 "many models" 方法我通常更喜欢这样的东西,而不是尝试在多个专栏中进行tidyeval。这只会让我更清楚地了解正在发生的事情。

为了节省空间,我正在与 iris_foo ,这是通过2条变异线创建的数据。将其转换为长格式将为您提供这三个列的名称键,这三个列将用作每个列中的独立变量 aov 电话。

library(tidyverse)

iris_foo %>%
  gather(key, value, -Sepal.Length)

#> # A tibble: 450 x 3
#>    Sepal.Length key     value 
#>           <dbl> <chr>   <chr> 
#>  1          5.1 Species setosa
#>  2          4.9 Species setosa
#>  3          4.7 Species setosa
#>  4          4.6 Species setosa
#>  5          5   Species setosa
#>  6          5.4 Species setosa
#>  7          4.6 Species setosa
#>  8          5   Species setosa
#>  9          4.4 Species setosa
#> 10          4.9 Species setosa
#> # â¦ with 440 more rows

从那里,筑巢 key 并创建ANOVA模型的新列表列。这将是一个列表 aov 物体。为了简化模型的恢复,您可以删除数据列。

aov_models <- iris_foo %>%
  gather(key, value, -Sepal.Length) %>%
  group_by(key) %>%
  nest() %>%
  mutate(model = map(data, ~aov(Sepal.Length ~ value, data = .))) %>%
  select(-data)

aov_models
#> # A tibble: 3 x 2
#>   key     model    
#>   <chr>   <list>   
#> 1 Species <S3: aov>
#> 2 foo_a   <S3: aov>
#> 3 foo_b   <S3: aov>

从那里,你可以随心所欲地使用模型。它们在列表中是可访问的 aov_models$model .打印出来的,看起来就像你期望的那样。例如,第一个模型:

aov_models$model[[1]]
#> Call:
#>    aov(formula = Sepal.Length ~ value, data = .)
#> 
#> Terms:
#>                    value Residuals
#> Sum of Squares  63.21213  38.95620
#> Deg. of Freedom        2       147
#> 
#> Residual standard error: 0.5147894
#> Estimated effects may be unbalanced

要查看所有模型,请致电 aov_models$model %>% map(print) 。您可能还想使用 broom 功能,例如 broom::tidy 或 broom::glance ,这取决于您需要如何展示模型。

aov_models$model %>%
  map(broom::tidy)
#> [[1]]
#> # A tibble: 2 x 6
#>   term         df sumsq meansq statistic   p.value
#>   <chr>     <dbl> <dbl>  <dbl>     <dbl>     <dbl>
#> 1 value         2  63.2 31.6        119.  1.67e-31
#> 2 Residuals   147  39.0  0.265       NA  NA       
#> 
#> [[2]]
#> # A tibble: 2 x 6
#>   term         df   sumsq meansq statistic p.value
#>   <chr>     <dbl>   <dbl>  <dbl>     <dbl>   <dbl>
#> 1 value         2   0.281  0.141     0.203   0.817
#> 2 Residuals   147 102.     0.693    NA      NA    
#> 
#> [[3]]
#> # A tibble: 2 x 6
#>   term         df   sumsq meansq statistic p.value
#>   <chr>     <dbl>   <dbl>  <dbl>     <dbl>   <dbl>
#> 1 value         2   0.756  0.378     0.548   0.579
#> 2 Residuals   147 101.     0.690    NA      NA

或者将所有模型整理成一个数据帧,这样可以保持 钥匙 列中,您可以执行以下操作:

aov_models %>%
  mutate(model_tidy = map(model, broom::tidy)) %>%
  unnest(model_tidy)