Questions tagged «manova»

变量的多元分析（MANOVA）是具有多个因变量的情况下ANOVA的概括。

2
R中的多元多元回归
我有2个因变量（DV），每个因变量的得分可能受7个独立变量（IV）的影响。DV是连续的，而IV则由连续变量和二进制编码变量组成。（在下面的代码中，连续变量用大写字母写，二进制变量用小写字母写。） 该研究的目的是揭示IV变量如何影响这些DV。我提出了以下多元多元回归（MMR）模型： my.model <- lm(cbind(A, B) ~ c + d + e + f + g + H + I) 为了解释结果，我调用两个语句： summary(manova(my.model)) Manova(my.model) 这两个调用的输出都粘贴在下面，并且有很大的不同。有人可以解释一下应该适当选择总结MMR结果的两种说法中的哪一种吗？为什么？任何建议将不胜感激。 使用using的输出summary(manova(my.model))： > summary(manova(my.model)) Df Pillai approx F num Df den Df Pr(>F) c 1 0.105295 5.8255 2 99 0.004057 ** d 1 0.085131 4.6061 2 99 …
1
如何解释I型，II型和III型ANOVA和MANOVA？
我的主要问题是进行I型（顺序）方差分析时如何解释输出（系数，F，P）？ 我的具体研究问题要复杂一些，因此我将把例子分成几部分。首先，如果我对蜘蛛密度（X1）对植物生长（Y1）的影响感兴趣，并且我在围墙内种植了幼苗并控制了蜘蛛密度，那么我可以使用简单的ANOVA或线性回归分析数据。然后，对于ANOVA使用I，II或III平方和（SS）都没关系。就我而言，我有5个密度级别的4个副本，因此可以将密度用作因子或连续变量。在这种情况下，我更喜欢将其解释为连续的独立（预测变量）变量。在RI中可以运行以下命令： lm1 <- lm(y1 ~ density, data = Ena) summary(lm1) anova(lm1) 运行方差分析功能对于以后的比较很有希望，因此请在这里忽略它的奇怪之处。输出为： Response: y1 Df Sum Sq Mean Sq F value Pr(>F) density 1 0.48357 0.48357 3.4279 0.08058 . Residuals 18 2.53920 0.14107 现在，让我怀疑我无法控制的土壤中无机氮的起始水平可能也显着影响了植物的生长。我对这种效果并不特别感兴趣，但是想潜在地解释它引起的变化。确实，我的主要兴趣在于蜘蛛密度的影响（假设：蜘蛛密度的增加会导致植物生长的增加-大概是通过减少草食性昆虫引起的，但我只测试这种作用而不是机理）。我可以将无机氮的影响添加到我的分析中。 出于我的问题，让我们假设我测试了交互作用密度* inorganicN，并且它并不重要，因此我将其从分析中删除并运行以下主要效果： > lm2 <- lm(y1 ~ density + inorganicN, data = Ena) > anova(lm2) …
3
MANOVA和重复测量方差分析之间的区别？
在某些因素（例如实验条件）下重复测量ANOVA与MANOVA有什么区别？ 尤其是我偶然发现的一个网站提出，MANOVA不能像重复测量ANOVA那样对球形度做出相同的假设，对吗？ 如果是这样，为什么不总是使用MANOVA？ 我试图对多个DV进行重复测量方差分析，什么是合适的方法？
1
MANOVA与LDA有何关系？
在几个地方，我看到一种说法，即MANOVA就像ANOVA加上线性判别分析（LDA）一样，但是它总是以挥舞自如的方式进行的。我想知道这到底是什么意思。 我找到了各种各样的教科书，描述了MANOVA计算的所有细节，但是似乎很难找到不是统计学家的人可以进行好的一般讨论（更不用说图片了）。
3
R？中的非参数重复测量多方方差分析
以下问题是一段时间以来对我而言最神圣的问题之一，我希望有人能够提供很好的建议。 我希望使用R执行非参数重复测量多方方差分析。 我已经在网上进行了一段时间的搜索和阅读，到目前为止，仅能找到以下几种情况的解决方案：Friedman测试单向非参数重复测量方差分析，有序回归与{car} Anova函数用于多路非参数方差分析等。部分解决方案不是我在此问题线程中寻找的。我在一段时间前发布的一篇文章中总结了到目前为止的发现（标题为：重复测量R的方差分析（函数和教程），以防万一。 如果我在网上阅读的内容是正确的，则可以使用混合序数回归模型（又称比例赔率模型）来完成此任务。 我发现了两个看似相关的软件包，但找不到关于该主题的任何插图： http://cran.r-project.org/web/packages/repolr/ http://cran.r-project.org/web/packages/ordinal/ 因此，对于这个主题来说，我是新手，我希望这里的人们能提供一些指导。 是否有关于该主题的任何教程/建议阅读的内容？甚至更好的是，有人可以建议一个简单的示例代码来说明如何在R中运行和分析此代码（例如：“非参数重复测量多方方差分析”）吗？
1
在隐马尔可夫模型中选择“最佳”模型的标准
我有一个时间序列数据集，试图将其拟合隐马尔可夫模型（HMM），以便估计数据中的潜在状​​态数。我的伪代码是这样的： for( i in 2 : max_number_of_states ){ ... calculate HMM with i states ... optimal_number_of_states = "model with smallest BIC" ... } 现在，在通常的回归模型中，BIC倾向于支持最简约的模型，但对于HMM，我不确定这是在做什么。谁真的知道BIC标准倾向于哪种HMM？我也能够获得AIC和似然值。由于我试图推断出真实的州总数，因此其中一个标准是否比另一个标准“更好”？
2
MANOVA的原假设是什么？
背景 为了分析不同组之间某个连续变量之间的差异（由类别变量给出），可以执行单向方差分析。如果存在多个解释性（分类）变量，则可以执行阶乘方差分析。如果要分析几个连续变量（即几个响应变量）之间的差异，则必须执行多元ANOVA（MANOVA）。 题 我几乎不了解如何对多个响应变量执行类似于ANOVA的测试，更重要的是，我不了解原假设是什么。是原假设： “对于每个响应变量，所有组的均值均相等”， 还是 “对于至少一个响应变量，所有组的均值相等”， 还是还有其他东西？H0H0H_0
4
MANOVA与因变量之间的相关性：太强有多强？
MANOVA中的因变量不应“过强地相关”。但是相关性有多强呢？得到人们对此问题的看法将是很有趣的。例如，在以下情况下，您会继续使用MANOVA吗？ Y1和Y2与和p &lt; 0.005r = 0.3r=0.3r=0.3p &lt; 0.005p&lt;0.005p<0.005 Y1和Y2与和p = 0.049r = 0.7r=0.7r=0.7p = 0.049p=0.049p=0.049 更新资料 回应@onestop的一些代表性报价： “ MANOVA在DV之间存在适度相关性的情况下效果很好”（来自旧金山州立大学的课程注释） “相关变量适用于Manova”（美国EPA Stats Primer） “因变量应该在概念上相关，并且应该在低到中等水平上相互关联。” （北亚利桑那大学的课程笔记） “相关的DV从大约0.3到大约0.7是合格的”（Maxwell，2001年，消费者心理学杂志） nb我不是指这样的假设，即Y1和Y2之间的互相关在所有自变量级别上都应该相同，只是关于互相关的实际大小的这个明显的灰色区域。
1
如何在ARIMA模型的观察值48中加入创新的离群值？
我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE &lt;- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …
10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 
1
是否有Pillai迹线和Hotelling-Lawley迹线的推广？
在多元多元回归（向量回归和回归）的设置中，一般假设的四个主要检验（Wilk's Lambda，Pillai-Bartlett，Hotelling-Lawley和Roy's最大根）都取决于矩阵的特征值。，其中和是“解释”和“总计”变异矩阵。高EHË− 1HE−1H E^{-1}HHHËEE 我注意到Pillai和Hotelling-Lawley统计信息都可以表示为 分别表示。我正在寻找一个应用，其中情况下，对于和的总体类似物定义的该迹线的分布是有意义的。（我的工作中存在模错误。）我很好奇，如果通用的样本统计信息存在某种已知的统一性，或者捕获了四个经典测试中的两个或多个的其他通用性。我意识到不等于或κ = 1 ，0 ħ ë κ = 2 κ κ 0 1ψκ= Tr （高[ κ ħ+ E]− 1），ψκ=Tr(H[κH+E]−1),\psi_{\kappa} = \mbox{Tr}\left(H\left[\kappa H + E\right]^{-1}\right),κ = 1 ， 0κ=1,0\kappa = 1, 0HHHËEEκ = 2κ=2\kappa = 2κκ\kappaκκ\kappa0001个11，分子在零下不再看起来像卡方，因此中心F逼近似乎值得怀疑，所以也许这是一个死胡同。 我希望对零下（即回归系数的真矩阵全为零）下和替代下的的分布进行一些研究。我对情况特别感兴趣，但是，如果在一般κ情况下有工作，我当然可以使用。ψκψκ\psi_{\kappa}κ = 2κ=2\kappa = 2κκ\kappa
1
为什么在论文中很少报道Anova结果中使用哪种平方和？
根据我短暂的统计经验，似乎用于获得方差分析结果的平方和类型（I，II，III，IV等）可能会极大地影响测试结果（尤其是存在相互作用且缺失的模型）数据）。但是，我还没有看到一篇报告它的论文。为什么会这样？ 如果有人能提供一种示例文件以某种方式报告该报告（而不是统计信息本身），或者不常见的原因，我将不胜感激。
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.