Здравствуйте!
Нужна Ваша помощь. Анализируются данные по оборачиваемости. Для 15 аптек в течение 6 месяцев (с мая по октябрь) были получены данные по оборачиваемости (приведены в прикрепленном файле). В части аптек (аптеки 5,6,9,14) были проведены мероприятия по улучшению показателей оборачиваемости (в июне). Основная задача: анализ эффективности проведенных мероприятий (и интересно (?) вообще так ли нужны они были именно в этих аптеках). Я понимаю, что мне в данном случае может помочь дисперсионный анализ (я его задал через модуль GLM). Возникли вопросы по полученным результатам.
1) Для всей модели дисперсионного анализа получил таблицу (в прикрепленном файле). Можно ли как-нибудь оценить двухфакторное взаимодействие? Как получить значение ошибки (Error)?
2) Можно ли в моем случае вообще применять дисперсионный анализ? В прикрепленном файле находятся гистограммы распределения остатков (нормальность не видна) и результаты проверки однородности дисперсии (получил высоко статистически значимую неоднородность дисперсии в ячейках дисперсионного комплекса). На данном форуме прочитал про робастность дисперсионного анализа. Или все-таки необходимо проводить преобразование данных? Но если их провести, не потеряют ли они свой смысл (как интерпретировать изменение не оборачиваемости, а квадратного корня из значения оборачиваемости)?
3) Можно ли в данном случае и как грамотно провести Post hoc сравнения? В прикрепленном файле находятся данные, полученные при использовании теста Фишера и Тьюки для данных в моем примере ("значимых различий нет").
Может, еще что-нибудь посоветуете по анализу данных в моем примере. Заранее благодарен за ответы и помощь.
Полная версия этой страницы: Анализ данных по оборачиваемости
Вы не закодировали в таблицу описанное на словах воздействие. А сам дисперсионный анализ не является эксплораторным методом, он доказывает статгипотезы о эффектах заложенных в структуру выборочных данных.
Еще и месяц фактически не указан 
Теперь если всё таки появится вектор воздействий можно провести функциональный аналог anova.
Код
library(reshape2)
library(fda.usc)
read.csv2("dannye.csv")
аптека месяц оборач
1 1 105 62
2 2 105 37
3 3 105 32
4 4 105 54
5 5 105 86
6 6 105 58
7 7 105 43
8 8 105 32
9 9 105 70
10 10 105 50
11 11 105 47
12 12 105 27
13 13 105 26
14 14 105 68
15 15 105 35
16 1 106 57
17 2 106 36
18 3 106 29
19 4 106 57
20 5 106 87
21 6 106 56
22 7 106 37
23 8 106 30
24 9 106 70
25 10 106 52
26 11 106 43
27 12 106 25
28 13 106 25
29 14 106 61
30 15 106 35
31 1 107 47
32 2 107 37
33 3 107 33
34 4 107 56
35 5 107 79
36 6 107 63
37 7 107 43
38 8 107 30
39 9 107 59
40 10 107 55
41 11 107 46
42 12 107 25
43 13 107 30
44 14 107 59
45 15 107 39
46 1 108 54
47 2 108 39
48 3 108 34
49 4 108 57
50 5 108 78
51 6 108 60
52 7 108 40
53 8 108 30
54 9 108 54
55 10 108 51
56 11 108 44
57 12 108 32
58 13 108 31
59 14 108 55
60 15 108 38
61 1 109 34
62 2 109 31
63 3 109 26
64 4 109 43
65 5 109 60
66 6 109 40
67 7 109 30
68 8 109 26
69 9 109 37
70 10 109 34
71 11 109 32
72 12 109 23
73 13 109 23
74 14 109 39
75 15 109 29
76 1 110 39
77 2 110 31
78 3 110 31
79 4 110 42
80 5 110 65
81 6 110 41
82 7 110 30
83 8 110 26
84 9 110 40
85 10 110 40
86 11 110 45
87 12 110 24
88 13 110 24
89 14 110 41
90 15 110 31
data <- read.csv2("dannye.csv")
> dcast(data, аптека~месяц)
Using оборач as value column: use value.var to override.
аптека 105 106 107 108 109 110
1 1 62 57 47 54 34 39
2 2 37 36 37 39 31 31
3 3 32 29 33 34 26 31
4 4 54 57 56 57 43 42
5 5 86 87 79 78 60 65
6 6 58 56 63 60 40 41
7 7 43 37 43 40 30 30
8 8 32 30 30 30 26 26
9 9 70 70 59 54 37 40
10 10 50 52 55 51 34 40
11 11 47 43 46 44 32 45
12 12 27 25 25 32 23 24
13 13 26 25 30 31 23 24
14 14 68 61 59 55 39 41
15 15 35 35 39 38 29 31
plot.fdata(fdata(data.recast[,-1]))
t(scale(t(data.recast[,-1])))
105 106 107 108 109 110
[1,] 1.2153558 0.75382831 -0.1692268 0.47691179 -1.3691984 -0.90767082
[2,] 0.5437821 0.24717366 0.5437821 1.13699884 -1.2358683 -1.23586831
[3,] 0.3986033 -0.62637656 0.7402632 1.08192316 -1.6513564 0.05694332
[4,] 0.3539075 0.77859645 0.6370335 0.77859645 -1.2032854 -1.34484841
[5,] 0.9198187 1.01029264 0.2865009 0.19602693 -1.4325045 -0.98013465
[6,] 0.5020121 0.30120725 1.0040242 0.70281691 -1.3052314 -1.20482899
[7,] 0.9753883 -0.02786824 0.9753883 0.47376005 -1.1983342 -1.19833425
[8,] 1.2247449 0.40824829 0.4082483 0.40824829 -1.2247449 -1.22474487
[9,] 1.0522754 1.05227537 0.2806068 -0.07015169 -1.2627304 -1.05227537
[10,] 0.3681605 0.61360087 0.9817614 0.49088069 -1.5953623 -0.85904121
[11,] 0.7586214 0.03034486 0.5765523 0.21241400 -1.9724157 0.39448313
[12,] 0.3100868 -0.31008684 -0.3100868 1.86052102 -0.9302605 -0.62017367
[13,] -0.1528545 -0.45856338 1.0699812 1.37569014 -1.0699812 -0.76427230
[14,] 1.2285598 0.62150670 0.4480630 0.10117551 -1.2863743 -1.11293060
[15,] 0.1286713 0.12867125 1.1580413 0.90069877 -1.4153838 -0.90069877
plot.fdata(fdata(t(scale(t(data.recast[,-1])))))
> res.pca <- fdata2pc(fdata( t(scale(t(data.recast[,-1]))) ), ncomp=4, norm=TRUE)
> summary(res.pca)
- SUMMARY: fdata2pc object -
-With 4 components are explained 99.18 %
of the variability of explicative variables.
-Variability for each component (%):
PC1 PC2 PC3 PC4
51.51 23.20 18.20 6.27
library(fda.usc)
read.csv2("dannye.csv")
аптека месяц оборач
1 1 105 62
2 2 105 37
3 3 105 32
4 4 105 54
5 5 105 86
6 6 105 58
7 7 105 43
8 8 105 32
9 9 105 70
10 10 105 50
11 11 105 47
12 12 105 27
13 13 105 26
14 14 105 68
15 15 105 35
16 1 106 57
17 2 106 36
18 3 106 29
19 4 106 57
20 5 106 87
21 6 106 56
22 7 106 37
23 8 106 30
24 9 106 70
25 10 106 52
26 11 106 43
27 12 106 25
28 13 106 25
29 14 106 61
30 15 106 35
31 1 107 47
32 2 107 37
33 3 107 33
34 4 107 56
35 5 107 79
36 6 107 63
37 7 107 43
38 8 107 30
39 9 107 59
40 10 107 55
41 11 107 46
42 12 107 25
43 13 107 30
44 14 107 59
45 15 107 39
46 1 108 54
47 2 108 39
48 3 108 34
49 4 108 57
50 5 108 78
51 6 108 60
52 7 108 40
53 8 108 30
54 9 108 54
55 10 108 51
56 11 108 44
57 12 108 32
58 13 108 31
59 14 108 55
60 15 108 38
61 1 109 34
62 2 109 31
63 3 109 26
64 4 109 43
65 5 109 60
66 6 109 40
67 7 109 30
68 8 109 26
69 9 109 37
70 10 109 34
71 11 109 32
72 12 109 23
73 13 109 23
74 14 109 39
75 15 109 29
76 1 110 39
77 2 110 31
78 3 110 31
79 4 110 42
80 5 110 65
81 6 110 41
82 7 110 30
83 8 110 26
84 9 110 40
85 10 110 40
86 11 110 45
87 12 110 24
88 13 110 24
89 14 110 41
90 15 110 31
data <- read.csv2("dannye.csv")
> dcast(data, аптека~месяц)
Using оборач as value column: use value.var to override.
аптека 105 106 107 108 109 110
1 1 62 57 47 54 34 39
2 2 37 36 37 39 31 31
3 3 32 29 33 34 26 31
4 4 54 57 56 57 43 42
5 5 86 87 79 78 60 65
6 6 58 56 63 60 40 41
7 7 43 37 43 40 30 30
8 8 32 30 30 30 26 26
9 9 70 70 59 54 37 40
10 10 50 52 55 51 34 40
11 11 47 43 46 44 32 45
12 12 27 25 25 32 23 24
13 13 26 25 30 31 23 24
14 14 68 61 59 55 39 41
15 15 35 35 39 38 29 31
plot.fdata(fdata(data.recast[,-1]))
t(scale(t(data.recast[,-1])))
105 106 107 108 109 110
[1,] 1.2153558 0.75382831 -0.1692268 0.47691179 -1.3691984 -0.90767082
[2,] 0.5437821 0.24717366 0.5437821 1.13699884 -1.2358683 -1.23586831
[3,] 0.3986033 -0.62637656 0.7402632 1.08192316 -1.6513564 0.05694332
[4,] 0.3539075 0.77859645 0.6370335 0.77859645 -1.2032854 -1.34484841
[5,] 0.9198187 1.01029264 0.2865009 0.19602693 -1.4325045 -0.98013465
[6,] 0.5020121 0.30120725 1.0040242 0.70281691 -1.3052314 -1.20482899
[7,] 0.9753883 -0.02786824 0.9753883 0.47376005 -1.1983342 -1.19833425
[8,] 1.2247449 0.40824829 0.4082483 0.40824829 -1.2247449 -1.22474487
[9,] 1.0522754 1.05227537 0.2806068 -0.07015169 -1.2627304 -1.05227537
[10,] 0.3681605 0.61360087 0.9817614 0.49088069 -1.5953623 -0.85904121
[11,] 0.7586214 0.03034486 0.5765523 0.21241400 -1.9724157 0.39448313
[12,] 0.3100868 -0.31008684 -0.3100868 1.86052102 -0.9302605 -0.62017367
[13,] -0.1528545 -0.45856338 1.0699812 1.37569014 -1.0699812 -0.76427230
[14,] 1.2285598 0.62150670 0.4480630 0.10117551 -1.2863743 -1.11293060
[15,] 0.1286713 0.12867125 1.1580413 0.90069877 -1.4153838 -0.90069877
plot.fdata(fdata(t(scale(t(data.recast[,-1])))))
> res.pca <- fdata2pc(fdata( t(scale(t(data.recast[,-1]))) ), ncomp=4, norm=TRUE)
> summary(res.pca)
- SUMMARY: fdata2pc object -
-With 4 components are explained 99.18 %
of the variability of explicative variables.
-Variability for each component (%):
PC1 PC2 PC3 PC4
51.51 23.20 18.20 6.27
Теперь если всё таки появится вектор воздействий можно провести функциональный аналог anova.
p2004r, спасибо за Ваш ответ и помощь!
Точно. Извиняюсь. Не обратил внимание. Уточню (так как анализ не совсем мне нужен). Но по приведенным данным мы ведь имеем право проверить эффекты различий для оборачиваемости на разных сроках и для разных аптек (по приведенному примеру, в предположении, что никаких воздействий не было)? Тогда поставленные вопросы остаются открытыми.
Что Вы имеете в виду? Мы не имеем права для месяца присвоить значения 1-12 (для мая-5, не совсем ясно почему в прикрепленном файле 105)?
Да. И где можно почитать про эксплораторные методы анализа?
Цитата(p2004r @ 17.06.2015 - 15:11) 
Вы не закодировали в таблицу описанное на словах воздействие. А сам дисперсионный анализ не является эксплораторным методом, он доказывает статгипотезы о эффектах заложенных в структуру выборочных данных.
Точно. Извиняюсь. Не обратил внимание. Уточню (так как анализ не совсем мне нужен). Но по приведенным данным мы ведь имеем право проверить эффекты различий для оборачиваемости на разных сроках и для разных аптек (по приведенному примеру, в предположении, что никаких воздействий не было)? Тогда поставленные вопросы остаются открытыми.
Цитата(p2004r @ 17.06.2015 - 16:32)
Еще и месяц фактически не указан
Что Вы имеете в виду? Мы не имеем права для месяца присвоить значения 1-12 (для мая-5, не совсем ясно почему в прикрепленном файле 105)?
Да. И где можно почитать про эксплораторные методы анализа?
Цитата(maxandron @ 17.06.2015 - 18:00)
p2004r, спасибо за Ваш ответ и помощь!
Точно. Извиняюсь. Не обратил внимание. Уточню (так как анализ не совсем мне нужен). Но по приведенным данным мы ведь имеем право проверить эффекты различий для оборачиваемости на разных сроках и для разных аптек (по приведенному примеру, в предположении, что никаких воздействий не было)? Тогда поставленные вопросы остаются открытыми.
Что Вы имеете в виду? Мы не имеем права для месяца присвоить значения 1-12 (для мая-5, не совсем ясно почему в прикрепленном файле 105)?
Да. И где можно почитать про эксплораторные методы анализа?
Точно. Извиняюсь. Не обратил внимание. Уточню (так как анализ не совсем мне нужен). Но по приведенным данным мы ведь имеем право проверить эффекты различий для оборачиваемости на разных сроках и для разных аптек (по приведенному примеру, в предположении, что никаких воздействий не было)? Тогда поставленные вопросы остаются открытыми.
Что Вы имеете в виду? Мы не имеем права для месяца присвоить значения 1-12 (для мая-5, не совсем ясно почему в прикрепленном файле 105)?
Да. И где можно почитать про эксплораторные методы анализа?
1. "Право" Вы конечно имеете вводить любые названия уровням факторов. Но тогда у Вас ещё появляется "обязанность" использовать эти же названия при описании данных.
2. А так кроме 6й аптеки все выбранные "стагнирующие" (ещё точно такие 1я и 8я)
Код
> kmeans.fd(fdata( t(scale(t(data.recast[,-1])))), ncl=2)
$cluster
[1] 1 2 2 1 1 2 2 1 1 1 1 2 2 1 2
$centers
$data
105 106 107 108 109 110
center 1 0.9667909 0.6414424 0.4017865 0.2593579 -1.449047 -0.8203306
center 2 0.3865271 -0.1065490 0.7401991 1.0760584 -1.258059 -0.8381761
$argvals
[1] 1 2 3 4 5 6
$rangeval
[1] 1 6
$names
$names$main
[1] "fdataobj"
$names$xlab
[1] "t"
$names$ylab
[1] "X(t)"
attr(,"class")
[1] "fdata"
> table(c(1, 2, 2, 1, 1, 2, 2, 1, 1, 1, 1, 2, 2, 1, 2), 1:15)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1 0 0 1 1 0 0 1 1 1 1 0 0 1 0
2 0 1 1 0 0 1 1 0 0 0 0 1 1 0 1
$cluster
[1] 1 2 2 1 1 2 2 1 1 1 1 2 2 1 2
$centers
$data
105 106 107 108 109 110
center 1 0.9667909 0.6414424 0.4017865 0.2593579 -1.449047 -0.8203306
center 2 0.3865271 -0.1065490 0.7401991 1.0760584 -1.258059 -0.8381761
$argvals
[1] 1 2 3 4 5 6
$rangeval
[1] 1 6
$names
$names$main
[1] "fdataobj"
$names$xlab
[1] "t"
$names$ylab
[1] "X(t)"
attr(,"class")
[1] "fdata"
> table(c(1, 2, 2, 1, 1, 2, 2, 1, 1, 1, 1, 2, 2, 1, 2), 1:15)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1 0 0 1 1 0 0 1 1 1 1 0 0 1 0
2 0 1 1 0 0 1 1 0 0 0 0 1 1 0 1
Вот если увеличить число кластеров группа экспериментальных еще больше выделилась ?3
Код
> table(c(3, 1, 4, 1, 3, 1, 1, 3, 3, 1, 4, 2, 2, 3, 1), 1:15)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0 1 0 1 0 1 1 0 0 1 0 0 0 0 1
2 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0
3 1 0 0 0 1 0 0 1 1 0 0 0 0 1 0
4 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0 1 0 1 0 1 1 0 0 1 0 0 0 0 1
2 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0
3 1 0 0 0 1 0 0 1 1 0 0 0 0 1 0
4 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0
Цитата(maxandron @ 17.06.2015 - 13:30)
Здравствуйте!
Нужна Ваша помощь. Анализируются данные по оборачиваемости. Для 15 аптек в течение 6 месяцев (с мая по октябрь) были получены данные по оборачиваемости (приведены в прикрепленном файле). В части аптек (аптеки 5,6,9,14) были проведены мероприятия по улучшению показателей оборачиваемости (в июне). Основная задача: анализ эффективности проведенных мероприятий (и интересно (?) вообще так ли нужны они были именно в этих аптеках). Я понимаю, что мне в данном случае может помочь дисперсионный анализ (я его задал через модуль GLM). Возникли вопросы по полученным результатам.
1) Для всей модели дисперсионного анализа получил таблицу (в прикрепленном файле). Можно ли как-нибудь оценить двухфакторное взаимодействие? Как получить значение ошибки (Error)?
2) Можно ли в моем случае вообще применять дисперсионный анализ? В прикрепленном файле находятся гистограммы распределения остатков (нормальность не видна) и результаты проверки однородности дисперсии (получил высоко статистически значимую неоднородность дисперсии в ячейках дисперсионного комплекса). На данном форуме прочитал про робастность дисперсионного анализа. Или все-таки необходимо проводить преобразование данных? Но если их провести, не потеряют ли они свой смысл (как интерпретировать изменение не оборачиваемости, а квадратного корня из значения оборачиваемости)?
3) Можно ли в данном случае и как грамотно провести Post hoc сравнения? В прикрепленном файле находятся данные, полученные при использовании теста Фишера и Тьюки для данных в моем примере (?значимых различий нет?).
Может, еще что-нибудь посоветуете по анализу данных в моем примере. Заранее благодарен за ответы и помощь.
Нужна Ваша помощь. Анализируются данные по оборачиваемости. Для 15 аптек в течение 6 месяцев (с мая по октябрь) были получены данные по оборачиваемости (приведены в прикрепленном файле). В части аптек (аптеки 5,6,9,14) были проведены мероприятия по улучшению показателей оборачиваемости (в июне). Основная задача: анализ эффективности проведенных мероприятий (и интересно (?) вообще так ли нужны они были именно в этих аптеках). Я понимаю, что мне в данном случае может помочь дисперсионный анализ (я его задал через модуль GLM). Возникли вопросы по полученным результатам.
1) Для всей модели дисперсионного анализа получил таблицу (в прикрепленном файле). Можно ли как-нибудь оценить двухфакторное взаимодействие? Как получить значение ошибки (Error)?
2) Можно ли в моем случае вообще применять дисперсионный анализ? В прикрепленном файле находятся гистограммы распределения остатков (нормальность не видна) и результаты проверки однородности дисперсии (получил высоко статистически значимую неоднородность дисперсии в ячейках дисперсионного комплекса). На данном форуме прочитал про робастность дисперсионного анализа. Или все-таки необходимо проводить преобразование данных? Но если их провести, не потеряют ли они свой смысл (как интерпретировать изменение не оборачиваемости, а квадратного корня из значения оборачиваемости)?
3) Можно ли в данном случае и как грамотно провести Post hoc сравнения? В прикрепленном файле находятся данные, полученные при использовании теста Фишера и Тьюки для данных в моем примере (?значимых различий нет?).
Может, еще что-нибудь посоветуете по анализу данных в моем примере. Заранее благодарен за ответы и помощь.
Поясните, пожалуйста, что значит оборачиваемость. Это важно для интерпретации результатов. Чем она выше тем лучше или наборот?
Цитата(nokh @ 18.06.2015 - 21:33)
Поясните, пожалуйста, что значит оборачиваемость. Это важно для интерпретации результатов. Чем она выше тем лучше или наборот?
Оборачиваемость-это количество дней в течение которых вложенные деньги в товар возвращаются организации. Поэтому, чем она ниже, тем лучше.
Цитата(maxandron @ 19.06.2015 - 02:09)
Оборачиваемость-это количество дней в течение которых вложенные деньги в товар возвращаются организации. Поэтому, чем она ниже, тем лучше.
Ну тогда всё логично получается...
Под давлением нехватки времени и прочего я близок с тому чтобы поменять своё мнение относительно выбора способа задания дисперсионного комплекса: если можно обойтись более быстрым и простым - его и использовать. Поэтому и ваш случай обсчитал не через модуль общих линейных моделей, а через модуль повторных измерений в ANOVA (хотя по объёму информации он и уступает). Для этого нужна другая организация данных: рис. прикрепил ниже. Если работать в Statistica, то в Within effects нужно проставить 6 уровней: пакет автоматически сформирует фактор повторных измерений R1, который в нашем случае означает временной фактор с 6 градациями (месяцами).
По результатам этого анализа высоко статистически значимо взаимодействие "Мероприятия х R1", что означает различие временных динамик для аптек с мероприятиями и без (контроль), т.е. различие профилей на графике. График прикрепил. Всё красиво. Видно, что это за различия в профиле: когда в контроле в период какой-то летней стагнации в контрольных аптеках всё держится на одном уровне, в аптеках с мероприятиями идёт снижение сроков оборачиваемости. В результате если до мероприятий аптеки-аутсайдеры отставали примерно (визуально) на 71-41=30, т.е. на месяц, то в октябре - уже где-то на 47-33=14 дней, т.е. на 2 недели. Я считаю, что сокращение времени оборота в 2 раза это очень хороший результат. Если нужны апостериорные сравнения - можно всё найти. В принципе, дисперсионный анализ можно было задать и как-то иначе, скажем ввести фактор "Срок" с 2 градациями: до и после мероприятий, но полагаю это только несколько усложнит анализ, а наглядности убавит.
Если чисто по сырым данным функциональным данным, то вот так anova выглядит
Код
> data.recast<- data.frame(v= c(1,1,1,1,2,2,1,1,2,1,1,1,1,2,1), data.recast)
> data.recast
v аптека X105 X106 X107 X108 X109 X110
1 1 1 62 57 47 54 34 39
2 1 2 37 36 37 39 31 31
3 1 3 32 29 33 34 26 31
4 1 4 54 57 56 57 43 42
5 2 5 86 87 79 78 60 65
6 2 6 58 56 63 60 40 41
7 1 7 43 37 43 40 30 30
8 1 8 32 30 30 30 26 26
9 2 9 70 70 59 54 37 40
10 1 10 50 52 55 51 34 40
11 1 11 47 43 46 44 32 45
12 1 12 27 25 25 32 23 24
13 1 13 26 25 30 31 23 24
14 2 14 68 61 59 55 39 41
15 1 15 35 35 39 38 29 31
> anova.onefactor(fdata(data.recast[,-c(1:2)]), data.recast[,1], plot=TRUE)
### что бы оценить pvalue понадобиться увеличить число перевыборок
> anova.onefactor(fdata(data.recast[,-c(1:2)]), data.recast[,1], nboot=10000)$pvalue
[1] 1e-04
> data.recast
v аптека X105 X106 X107 X108 X109 X110
1 1 1 62 57 47 54 34 39
2 1 2 37 36 37 39 31 31
3 1 3 32 29 33 34 26 31
4 1 4 54 57 56 57 43 42
5 2 5 86 87 79 78 60 65
6 2 6 58 56 63 60 40 41
7 1 7 43 37 43 40 30 30
8 1 8 32 30 30 30 26 26
9 2 9 70 70 59 54 37 40
10 1 10 50 52 55 51 34 40
11 1 11 47 43 46 44 32 45
12 1 12 27 25 25 32 23 24
13 1 13 26 25 30 31 23 24
14 2 14 68 61 59 55 39 41
15 1 15 35 35 39 38 29 31
> anova.onefactor(fdata(data.recast[,-c(1:2)]), data.recast[,1], plot=TRUE)
### что бы оценить pvalue понадобиться увеличить число перевыборок
> anova.onefactor(fdata(data.recast[,-c(1:2)]), data.recast[,1], nboot=10000)$pvalue
[1] 1e-04
Но почему то мне представляется более правильно считать по "нормализованному поведению", когда и матожидание и дисперсия нормированы и отличается только "форма кривой".
А что в месяце "109" случилось?
А что в месяце "109" случилось?
Код
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], plot=TRUE)
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=10000)$pvalue
[1] 0.0115
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=10000)$pvalue
[1] 0.0121
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=10000)$pvalue
[1] 0.0103
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=100000)$pvalue
[1] 0.01224
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=10000)$pvalue
[1] 0.0115
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=10000)$pvalue
[1] 0.0121
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=10000)$pvalue
[1] 0.0103
> anova.onefactor(fdata(t(scale(t(data.recast[,-c(1:2)])))), data.recast[,1], nboot=100000)$pvalue
[1] 0.01224
p2004r, nokh большое спасибо за Вашу помощь! Будем разбираться и если что, задавать вопросы.
Для просмотра полной версии этой страницы, пожалуйста, пройдите по ссылке.