ANOVA'nın ne olduğunu görsel olarak açıklamanın yolu nedir?
Herhangi bir referans, link (ler) (R paketleri?) Kabul edilecektir.
ANOVA'nın ne olduğunu görsel olarak açıklamanın yolu nedir?
Herhangi bir referans, link (ler) (R paketleri?) Kabul edilecektir.
Yanıtlar:
Şahsen, hepsinin aynı olduğunu ve lineer modellerin toplam varyansı bölmek için olduğunu göstererek lineer regresyon ve ANOVA'yı tanıtmayı seviyorum: Sonuçta, ilgi faktörleri ile açıklanamayan sonuçlarla açıklanabilecek bir çeşit sapma var. bölüm ('artık' olarak adlandırılır). Genel olarak aşağıdaki çizimi kullanıyorum (toplam değişkenlik için gri çizgi, grup için siyah çizgiler veya kişiye özel değişkenlik):
Ayrıca Michael Friendly ve John Fox'tan gelen heplots R paketini de sevdim , fakat aynı zamanda Çok Değişkenli Doğrusal Modellerde Görsel Hipotez Testlerine bakın : R için heplots Paketi .
ANOVA'nın gerçekte ne yaptığını açıklamanın standart yolları, özellikle Doğrusal Model çerçevesinde, gerçekten karmaşık soruların Plane cevaplarında , Christensen tarafından açıklanmaktadır , ancak çok az illüstrasyon vardır. Saville ve Wood'un İstatistiksel yöntemleri: Geometrik yaklaşımın bazı örnekleri vardır, ancak bunlar esas olarak regresyondur. Montgomery'nin çoğunlukla DoE'ye odaklanan Deneme Tasarım ve Analizinde, sevdiğim illüstrasyonlar var ama aşağıya bakınız
(bunlar benim :-)
Ancak, Vikipedi'de gösterildiği gibi, karelerin, hataların, vb. Toplamın bir vektör uzayına nasıl döndüğünü görmek istiyorsanız, Doğrusal Modellerde ders kitaplarına bakmanız gerektiğini düşünüyorum . Ekonometride Tahmini ve Çıkarım , Davidson ve MacKinnon tarafından güzel çizimlere sahip görünüyor (1. bölüm aslında OLS geometrisini kapsıyor) ama ben sadece Fransızca çeviriye göz atıyorum ( burada bulunur ). Doğrusal Regresyonun Geometrisi de bazı iyi örneklere sahiptir.
Düzenle :
Ah, ve ben sadece bu makaleyi hatırlıyorum Robert Pruzek, Tek yönlü ANOVA için yeni bir grafik .
Düzenle 2
Ve şimdi, granova paketi (@ gd047 ile belirtilen ve yukarıdaki kağıtla ilişkilendirildi) ggplot'a taşındı, aşağıdaki tek yönlü ANOVA için bir çizime sahip olan granovaGG'ye bakınız.
Şimdiye kadarki cevabınız için teşekkür ederim. Çok aydınlatıcı yerlerdeyken, onları şu anda öğrettiğim kurs için kullanmanın (iyi, TA'ing) öğrencilerim için çok fazla olacağını hissettim. (Tıp bilimlerinde ileri seviyelerdeki öğrenciler için Biyoistatistik dersini öğretmeye yardımcı olurum)
Bu nedenle, ANOVA'yı açıklamak için faydalı bir örnek olduğunu düşündüğüm (her ikisi de simülasyon temelli) iki resim oluşturdum.
Onları geliştirmek için yorum veya önerileri okumaktan mutluluk duyarım.
İlk görüntü, 3 çizime ayrılmış 30 veri noktasının simülasyonunu göstermektedir (MST = Var'ın MSB ve MSW'yi oluşturan verilere nasıl ayrıldığını gösterir:
İkinci resim, her biri gruplar için farklı bir varyans ve beklenti kombinasyonu için 4 grafik göstermektedir
Bu yazıda bazı güzel grafik türleri topladığımızdan, son zamanlarda bulduğum başka bir tane daha var ve ANOVA'nın nasıl çalıştığını ve F istatistiğinin nasıl üretildiğini anlamanıza yardımcı olabilir. Grafik, R'deki granova paketi kullanılarak oluşturuldu .
Hadley Wickham'ın ggplot'taki sunumuna ( pdf , mirror ) bakın. Bu belgenin 23-40. Sayfalarından başlayarak, ANOVA'ların görselleştirilmesine yönelik ilginç bir yaklaşımı anlatıyor.
* Bağlantı, http://had.co.nz/ggplot2/ adresinden alınmıştır.
Harika soru Biliyor musun, çok uzun zamandır başımı ANOVA'nın etrafına sarmakla kendimi zorladım. Kendimi daima “içler arası ile” sezgisine dönerken buluyorum ve kafamda bunun nasıl olacağını hayal etmeye çalıştım. Bu sorunun ortaya çıkmasına sevindim ve yukarıdaki cevaplarda bu konudaki çeşitli yaklaşımlara hayran kaldım.
Her neyse, uzun zamandır (yıllarca) Aynı anda birçok yönden aynı anda neler olduğunu görebildiğim bir yerde birkaç arsa toplamak istedim: 1) popülasyonların ne kadar uzakta olduğu, 2) nasıl uzaklarda veri 3) ne kadar büyük olduğunu, olup aralarında karşılaştırıldığında dahilinde ve 4) nasıl do merkezi karşı konsolide bütçe dışında kalan F dağılımları karşılaştırmak?
Gerçekten harika bir dünyada, örneklem boyutunun bazı şeyleri nasıl değiştirdiğini görmek için kaydırıcılarla bile oynayabilirim .
Bu yüzden RStudio'dakimanipulate
komutla oynuyordum ve kutsal inek işe yarıyor! İşte parsellerden biri, anlık görüntü, gerçekten:
RStudio'nız varsa yukarıdaki arsa (sürgü ve diğerleri) yapmak için kod alabilirsiniz! Burada Github .
Bir süre bununla oynadıktan sonra, F istatistiğinin grupları, hatta küçük örneklem büyüklükleri için ne kadar iyi ayırt ettiğine şaşırdım. Nüfuslara baktığım zaman, onlar gerçekten o kadar uzak değiller (gözlerime), ancak “içerideki” çubuk, “arada” çubuk tarafından sürekli olarak cüceler. Her gün bir şeyler öğren, sanırım.
Tek yönlü ANOVA ile neler olup bittiğini göstermek için, bazen öğrencilerin varyansların içinde ve arasında oynamalarını ve F istatistiği üzerindeki etkilerini gözlemlemelerini sağlayan “İstatistik Uygulamalarına Giriş” yazarları tarafından sunulan bir uygulamayı kullandım. . İşte link (uygulama sayfadaki sonuncudur). Örnek ekran görüntüsü:
Kullanıcı, üç veri grubunun dikey yayılımlarını değiştirerek üst kaydırıcıyı kontrol eder. Alttaki kırmızı nokta, p-değerleri grafiği boyunca hareket ederken, aşağıda gösterilen F istatistiği güncellenir.
Görünüşe göre gemi cevap olarak çoktan yelken açmış gibi görünüyor ama bence bu giriş niteliğindeki bir kurssa, burada sunulan göstergelerin birçoğunun tanıtım öğrencileri için kavraması çok zor olacak ... veya en azından bölümleme varyansının çok basitleştirilmiş bir açıklamasını sağlayan tanıtım ekranı olmadan kavranması zor. SST toplamının konu sayısı ile nasıl arttığını gösterin. Sonra birkaç konu için şişirildiğini gösterdikten sonra (belki de her gruba birkaç kez ekleyerek), SST = SSB + SSW'yi açıklayın (yine de ben SSE'yi başlangıçtan itibaren SSE olarak adlandırmayı tercih ederim, çünkü IMO sınavında konuya girerken kafa karışıklığını önlüyor ). Sonra onlara, varyasyon bölümlemesinin görsel bir sunumunu gösterin, örneğin SST'nin SSB ve SSW'den nasıl yapıldığını görebileceğiniz şekilde kodlanmış büyük kare bir renk. Sonra,