我想问一下$coefficients
输出中$effects
和aov
之间的区别。
这里f1
因子和交互f1 * f2
都很重要。我想解释该因素对响应的影响,我认为$effects
是我所需要的。
让我们考虑以下简单的数据集。
f1 <- c(1,1,0,0,1,1,0,0)
f2 <- c(1,0,0,1,1,0,0,1)
r <- c(80, 50, 30, 10, 87,53,29,8)
av <- aov(r ~ f1 * f2)
summary(av)
av$coefficients
av$effects
plot(f1, r)
由于
f1
,响应似乎增加了48.25个单位mean(r[f1==1]) - mean(r[f1==0])
。但是我在
$effects
输出上看不到它。 $effects
输出真正告诉我什么? 最佳答案
根据设计矩阵的QR分解将效果旋转为响应值。查看:
all.equal(qr.qty(av$qr, r), unname(av$effects))
# [1] TRUE
效果对于从QR分解中找到回归系数很有用:
all.equal(backsolve(av$qr$qr, av$effects), unname(coef(av)))
# [1] TRUE
它们还可以用于查找拟合值和残差:
e1 <- e2 <- av$effects
e1[(av$rank+1):length(e1)] <- 0
e2[1:av$rank] <- 0
all.equal(unname(qr.qy(av$qr, e1)), unname(fitted(av)))
# [1] TRUE
all.equal(unname(qr.qy(av$qr, e2)), unname(residuals(av)))
# [1] TRUE
因此,总而言之,效果是旋转域中数据的表示,并且所有最小二乘回归都在附近。
关于r - "effects"和 `aov`返回的 `lm`是什么?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/40228117/