当前位置：极客教程 > R语言 > R语言 教程 > R语言 完全随机设计

R语言 完全随机设计

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。

用R编程的完全随机设计

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
R

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
R

输出

[1] A A A A B B B B C C C C D D D D
Levels: A B C D
R

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)
R

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
R

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。

用R编程的完全随机设计

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]
R

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
R

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
R

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)
R

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
R

解释

这里0.175>>0.05，因此假设被接受。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

R语言 精品教程

登录

找回密码？

注册