《R语言实战》自学笔记44-t检验
数据准备
t检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
t检验的适用条件为样本分布符合正态分布。
R中检验正态分布的函数：
shapiro.test()
结果p值要是小于0.05，样本分布是非正态分布，如果大于0.05，样本分布是正态分布。
t检验可分为单总体检验和双总体检验，以及配对样本检验。
单总体t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著。
个人理解的应用实例：已知一个玉米品种的产量是8000 kg/ha，在一个田间试验中测定这个玉米品种的产量，单样本t检验要做的就是检验田间试验测定的产量与已知产量是否相等。
单样本t检验的假设：
H0：样本均值与已知的总体均值相等。
H1：样本均值与已知的总体均值不相等。
t统计量的计算：
m：样本平均值；
：已知总体的均值；
S：样本标准差，自由度df=n-1。
n：样本量。
单样本t检验R调用函数：
t.test(x, mu, alternative = "two.sided")
x：数据向量；
mu：理论平均值。默认为0，可根据自己统计计算需求更改；
alternative：备择假设。允许值为“two.sided”（默认），也可以根据需要设置为“greater”或“less”之一。
结果解释：p值小于0.05，结论是v1的平均值与理论值1.5有显著差异。
检验两个样本平均数与其各自所代表的总体的差异是否显著。
个人理解的应用实例：检验两个玉米品种产量是否存在差异。
t.test(y ~ x, data)
其中的y是一个数值型变量，x是一个二分变量。
t.test(y1, y2)
其中的y1和y2为数值型向量（即各组的结果变量）。可选参数data的取值为一个包含了这些变量的矩阵或数据框。
t检验默认假定方差不相等，并使用Welsh的修正自由度。你可以添加一个参数var.equal=TRUE以假定方差相等，并使用合并方差估计。默认的备择假设是双侧的（即均值不相等，但大小的方向不确定）。你可以添加一个参数alternative="less"或alternative="greater"来进行有方向的检验。
结果解读：得到结果中P值小于0.05，说明要拒绝原假设（两品种v1值无差异），接受备择假设，即两品种v1值差异显著。
非独立样本的t检验假定组间的差异呈正态分布。
个人理解的应用实例：一个玉米品种接受两个施氮处理，两个施氮处理下玉米的产量是否存在差异。
t.test(y1, y2, paired=TRUE)
其中的y1和y2为两个非独立组的数值向量。
结果解读：不同氮素水平的比较显示p值小于0.05，说明v1值在两个氮水平间差异显著；而两个年份下v1值无显著差异。
如果想在多于两个的组之间进行比较，应该怎么做？如果能够假设数据是从正态总体中独立抽样而得的，那么你可以使用方差分析（ANOVA）。ANOVA是一套覆盖了许多实验设计和准实验设计的综合方法。
参考资料：
绛旓細t妫楠岋紝浜︾Оstudent t妫楠岋紙Student's t test锛夛紝涓昏鐢ㄤ簬鏍锋湰鍚噺杈冨皬锛堜緥濡俷 < 30锛夛紝鎬讳綋鏍囧噯宸冩湭鐭ョ殑姝ｆ佸垎甯冦倀妫楠屾槸鐢╰鍒嗗竷鐞嗚鏉ユ帹璁哄樊寮傚彂鐢熺殑姒傜巼锛屼粠鑰屾瘮杈冧袱涓钩鍧囨暟鐨勫樊寮傛槸鍚︽樉钁椼 t妫楠岀殑閫傜敤鏉′欢涓烘牱鏈垎甯冪鍚堟鎬佸垎甯冦 R涓楠屾鎬佸垎甯冪殑鍑芥暟锛 shapiro.test() ...
绛旓細绠鍗曠嚎鎬у洖褰掔殑缃崲妫楠 R璇█瀹炴垬鐨勪緥瀛: 澶氶」寮忓洖褰掔殑缃崲妫楠 R璇█瀹炴垬鐨勪緥瀛: 鑷繁鏁版嵁闆嗙殑渚嬪瓙: R璇█瀹炴垬鐨勪緥瀛: 鑷繁鏁版嵁闆嗙殑渚嬪瓙: 褰撲袱绉嶆柟娉曟墍寰楃粨鏋滀笉涓鑷存椂,浣犻渶瑕佹洿鍔犺皑鎱庡湴瀹¤鏁版嵁,杩欏緢鍙兘鏄洜涓鸿繚鍙嶄簡姝ｆ佹у亣璁炬垨鑰呭瓨鍦ㄧ缇ょ偣銆 R璇█瀹炴垬鐨勪緥瀛: 鑷繁鏁版嵁闆嗙殑渚嬪瓙: R璇█瀹炴垬鐨勪緥瀛: 鑷繁...
绛旓細缁撴灉瑙ｈ:涓や釜鍥犲瓙鐨凱roportion Var鍒嗗埆涓0.46鍜0.14,涓や釜鍥犲瓙瑙ｉ噴浜嗗叚涓績鐞嗗娴嬭瘯60%鐨勬柟宸 缁撴灉瑙ｈ:闃呰鍜岃瘝姹囧湪绗竴鍥犲瓙涓婅浇鑽疯緝澶,鐢诲浘銆佺Н鏈ㄥ浘妗堝拰杩峰鍦ㄧ浜屽洜瀛愪笂杞借嵎杈冨ぇ,闈璇█鐨勬櫘閫氭櫤鍔涙祴閲忓湪涓や釜鍥犲瓙涓婅浇鑽疯緝涓哄钩鍧,杩欒〃鏄庡瓨鍦ㄤ竴涓瑷鏅哄姏鍥犲瓙鍜屼竴涓潪璇█鏅哄姏鍥犲瓙銆 姝ｄ氦鏃嬭浆鍜屾枩浜ゆ棆杞殑涓嶅悓涔...
绛旓細鏁版嵁鍑嗗 棰戞暟琛ㄦ槸鏁扮悊缁熻涓敱浜庢墍瑙傛祴鐨勬暟鎹緝澶氾紝涓虹畝鍖栬绠楋紝灏嗚繖浜涙暟鎹寜绛夐棿闅斿垎缁勶紝鐒跺悗鎸夐変妇鍞辩エ娉曟暟鍑鸿惤鍦ㄦ瘡涓粍鍐呰娴嬪肩殑涓暟锛岀О涓(缁)棰戞暟銆傝繖鏍峰緱鍒扮殑琛ㄧО鈥滈鏁拌〃鈥濇垨鈥滈鏁板垎甯冭〃鈥濄傚垪鑱旇〃锛坈ontingency table锛夋槸瑙傛祴鏁版嵁鎸変袱涓垨鏇村灞炴э紙瀹氭у彉閲忥級鍒嗙被鏃舵墍鍒楀嚭鐨勯鏁拌〃銆傚畠鏄敱...
绛旓細border锛氬綋fill = 鍙傛暟瀛樺湪鐨勬儏鍐典笅锛岀敤浜庢寚瀹氬～鍏呯殑杈规棰滆壊锛 lty, lwd锛氬浘渚嬩腑绾跨殑绫诲瀷涓庡搴︼紱 pch锛氱偣鐨勭被鍨嬶紱 angle锛氶槾褰辩殑瑙掑害锛 density锛氶槾褰辩嚎鐨勫瘑搴︼紱 cex锛氭寚瀹氬浘渚嬫樉绀哄ぇ灏忥紱 bg锛氭寚瀹氬浘渚嬬殑鑳屾櫙鑹诧紱 bty锛氭寚瀹氬浘渚嬫鏄惁鐢诲嚭锛岄粯璁涓虹敾鍑猴紝n涓轰笉鐢诲嚭锛 box...
绛旓細ratio琛ㄧず娆¤鍒诲害绾跨浉瀵逛簬涓诲埢搴︾嚎鐨勫ぇ灏忔瘮渚嬨傚弬鑰冭祫鏂欙細 銆奟璇█瀹炴垬銆锛堜腑鏂囩増锛夛紝浜烘皯閭數鍑虹増绀撅紝2013. R璇█浣滃浘锛氬潗鏍囪酱璁剧疆锛 https://blog.csdn.net/weixin_40628687/article/details/79254791 R璇█浣庣骇缁樺浘鍑芥暟-axis锛 https://www.cnblogs.com/xudongliang/p/6762618.html ...
绛旓細鐧惧害瀛︿範浜嗕竴涓嬶紝 閲嶅娴嬮噺鏂瑰樊鍒嗘瀽鐨R鏍煎紡锛歮odel=aov(Y ~ B * W + Error(Subject/W))锛屽叾涓瑽鏄粍闂村洜瀛愶紝W鏄粍鍐呭洜瀛愶紝subject鏄疄楠屽璞＄殑ID銆備笅闈㈣嚜宸辨瀯寤轰竴涓暟鎹泦df7婕旂ず瀛︿範锛屾暟鎹寘鎷袱涓狽姘村钩(N200,N300)锛屾瘡涓爱姘村钩涓嬪垎鍒湪5涓椂鏈熸祴瀹氫袱涓搧绉5鏍殑biomass銆傝繖閲孨鏄粍闂村洜瀛愶紝T...
绛旓細澶氬厓鏂瑰樊鍒嗘瀽锛 multivariate analysis of variance 锛孧ANOVA锛夛紝浜︾О涓哄鍙橀噺鏂瑰樊鍒嗘瀽锛屽嵆琛ㄧず澶氬厓鏁版嵁鐨勬柟宸垎鏋愶紝鏄竴鍏冩柟宸垎鏋愮殑鎺ㄥ箍銆備綔涓轰竴涓鍙橀噺杩囩▼锛屽鍏冩柟宸垎鏋愬湪鏈変袱涓垨澶氫釜鍥犲彉閲忔椂浣跨敤锛屽苟涓旈氬父鍚庨潰鏄垎鍒秹鍙婂悇涓洜鍙橀噺鐨勬樉鐫鎬ф楠屻 褰撳洜鍙橀噺锛堢粨鏋滃彉閲忥級涓嶆涓涓椂锛屽彲鐢ㄥ鍏冩柟宸...
绛旓細1 鍥惧唴鏍囨敞 鍑芥暟text()鐢ㄤ簬缁樺浘鍖哄煙鍐呴儴娣诲姞鏂囨湰銆 鍑芥暟锛歵ext(x, y = NULL, labels = seq_along(x$x), adj = NULL, pos = NULL, offset = 0.5, vfont = NULL, cex = 1, col = NULL, font = NULL, ...)x鍜寉锛氱敤浜庢寚瀹氭坊鍔犳枃鏈殑浣嶇疆鍧愭爣锛屼负鏁板煎瀷鍚戦噺銆傚鏋滐紝x鍜寉鍚戦噺鐨...
绛旓細鍙﹀涔熷彲鐢 mosaic(formula, data=) 鍏朵腑formula鏄爣鍑嗙殑R琛ㄨ揪寮忥紝data璁惧畾涓涓暟鎹鎴栬呰〃鏍笺 shade=TRUE灏嗘牴鎹嫙鍚堟ā鍨嬬殑鐨皵閫婃畫宸煎鍥惧舰涓婅壊銆 legend=TRUE 灏嗗睍绀烘畫宸殑鍥句緥銆傚浘琛ㄨВ璇伙細鍥3鍙嶆槧鐨2021骞村搧绉峚鐩稿b鑰岃█锛屽搧绉峚鐨剉1鍊煎ぇ鐨勬瘮渚嬭緝b楂橈紝2020骞达紝涓ゅ搧绉峷1鍊煎ぇ灏忓潎琛...
