R语言 完全随机设计
实验设计是统计学中方差分析的一部分。它们是预定义的算法,帮助我们分析实验单元中各组平均值之间的差异。 完全随机设计(CRD)是ANOVA类型的一部分。
完全随机化设计
设计实验的三个基本原则是复制、阻断和随机化。在这种类型的设计中,阻断并不是算法的一部分。实验的样本是随机的,复制被分配到不同的实验单位。 让我们考虑以下一些实验,并在R编程中实现实验。
实验1
在蛋糕中加入更多的泡打粉可以增加蛋糕的高度。让我们用CRD看看这个实验将如何分析。
如上图所示,发酵粉被分成4个不同的汤匙(tbsp),每个汤匙按随机顺序做了四个重复的蛋糕高度(分别为A、B、C、D)。然后比较各汤匙的结果,看看高度是否真的受到发酵粉的影响。复制只是分别对A、B、C、D的不同蛋糕高度进行的排列组合。每个蛋糕的高度都是随机的,每个汤匙的高度都是随机的。
tbsp 0.25 0.5 0.75 1
1.4 7.8 7.6 1.6
#(A,B,C,D)
2.0 9.2 7.0 3.4
#(A,B,D,C)
2.3 6.8 7.3 3.0
#(B,A,D,C)
2.5 6.0 5.5 3.9 #(B,A,C,D)
# the randomization is done directly by the program
蛋糕的复制是通过以下代码完成的。
treat <- rep(c("A", "B", "C", "D"), each = 4)
fac <- factor(rep(c(0.25, 0.5, 0.75, 1), each = 4))
treat
输出
[1] A A A A B B B B C C C C D D D D
Levels: A B C D
创建数据框架。
height <- c(1.4, 2.0, 2.3, 2.5,
7.8, 9.2, 6.8, 6.0,
7.6, 7.0, 7.3, 5.5,
1.6, 3.4, 3.0, 3.9)
exp <- data.frame(treat, treatment = fac, response = height)
mod <- aov(response ~ treatment, data = exp)
summary(mod)
输出
Df Sum Sq Mean Sq F value Pr(>F)
treatment 3 88.46 29.486 29.64 7.85e-06 ***
Residuals 12 11.94 0.995
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
解释 。
每个实验的显著性都是0.05或0.01,这是由参加实验的人给出的。对于这个例子,我们认为显著性是5%,即0.05。我们应该看到Pr(>F)的值是7.85e-06,即<0.05。因此,拒绝该假设。如果该值大于0.05,则接受假设。对于这个例子,由于Pr<0.05,所以拒绝假设。让我们再考虑一个例子。
实验2
在水中加入石头会增加容器中的水的高度。让我们在图中看到这个实验,如下图所示。
考虑到如果在500ml,600ml和700ml中分别加入4块石头,水的高度就会相应增加。例如:在500毫升的水中加入6块石头,有7毫秒的高度增加。
rocks four six eight
5 5.3 6.2 [500 600 700]
5.5 5 5.7 [600 500 700]
4.8 4.3 3.4 [700 600 500]
让我们的代码。
rocks<- rep(c("four", "six", "eight"), each = 3)
rocks
fac <- factor(rep(c(500, 600, 700), each = 3))
fac
输出
[1] "four" "four" "four" "six" "six" "six" "eight" "eight" "eight"
[1] 500 500 500 600 600 600 700 700 700
Levels: 500 600 700
创建数据框架。
height <- c(5, 5.5, 4.8,
5.3, 5, 4.3,
4.8, 4.3, 3.4)
exp1 <- data.frame(rocks, treatment = fac,
response = height)
mod <- aov(response ~ treatment, data = exp1)
summary(mod)
输出
Df Sum Sq Mean Sq F value Pr(>F)
treatment 2 1.416 0.7078 2.368 0.175
Residuals 6 1.793 0.2989
解释
这里0.175>>0.05,因此假设被接受。