时间戳

首页 > 解决方案 > 以整洁的方式通过 tibble 运行 aov 测试

r - 以整洁的方式通过 tibble 运行 aov 测试

问题描述

我想使用相同的因变量对数据框进行线性回归。一个类似的问题在这里得到了解决。问题是aov实现方差分析的函数不接受x和y作为参数（据我所知）。有没有办法以整洁的方式实施分析？到目前为止，我已经尝试过类似的东西：

library(tidyverse)

iris %>% 
  as_tibble() %>% 
  select(Sepal.Length, Species) %>% 
  mutate(foo_a = as_factor(sample(c("a", "b", "c"), nrow(.), replace = T)),
         foo_b = as_factor(sample(c("d", "e", "f"), nrow(.), replace = T))) %>% 
  map(~aov(Sepal.Length ~ .x, data = .))

由reprex 包（v0.2.1）于 2019 年 2 月 12 日创建

所需的输出是三个分析：Sepal.Length和Species，Sepal.Length以及foo_a最后一个Sepal.Length和foo_b。有可能还是我完全错了？

标签： rdplyr

解决方案

一种方法是将其制成长形数据框，按感兴趣的自变量分组，并使用“多模型”方法。我通常更喜欢这样的事情，而不是尝试跨多个列进行 tidyeval ——它只是让我更清楚地了解正在发生的事情。

为了节省空间，我正在使用iris_foo，这是您通过 2 条 mutate 行创建的数据。aov将其转换为长格式会为您提供这三列名称的键，这些名称将在每次调用中用作自变量。

library(tidyverse)

iris_foo %>%
  gather(key, value, -Sepal.Length)

#> # A tibble: 450 x 3
#>    Sepal.Length key     value 
#>           <dbl> <chr>   <chr> 
#>  1          5.1 Species setosa
#>  2          4.9 Species setosa
#>  3          4.7 Species setosa
#>  4          4.6 Species setosa
#>  5          5   Species setosa
#>  6          5.4 Species setosa
#>  7          4.6 Species setosa
#>  8          5   Species setosa
#>  9          4.4 Species setosa
#> 10          4.9 Species setosa
#> # … with 440 more rows

从那里，嵌套key并创建一个新的 ANOVA 模型列表列。这将是一个aov对象列表。为简单起见，您可以删除数据列。

aov_models <- iris_foo %>%
  gather(key, value, -Sepal.Length) %>%
  group_by(key) %>%
  nest() %>%
  mutate(model = map(data, ~aov(Sepal.Length ~ value, data = .))) %>%
  select(-data)

aov_models
#> # A tibble: 3 x 2
#>   key     model    
#>   <chr>   <list>   
#> 1 Species <S3: aov>
#> 2 foo_a   <S3: aov>
#> 3 foo_b   <S3: aov>

从那里，您可以随心所欲地使用模型。它们可以在列表中访问aov_models$model。印刷后，它们看起来像您期望的那样。例如第一个模型：

aov_models$model[[1]]
#> Call:
#>    aov(formula = Sepal.Length ~ value, data = .)
#> 
#> Terms:
#>                    value Residuals
#> Sum of Squares  63.21213  38.95620
#> Deg. of Freedom        2       147
#> 
#> Residual standard error: 0.5147894
#> Estimated effects may be unbalanced

要查看所有模型，请调用aov_models$model %>% map(print)。您可能还想使用broom函数，例如broom::tidy或broom::glance，这取决于您需要如何呈现模型。

aov_models$model %>%
  map(broom::tidy)
#> [[1]]
#> # A tibble: 2 x 6
#>   term         df sumsq meansq statistic   p.value
#>   <chr>     <dbl> <dbl>  <dbl>     <dbl>     <dbl>
#> 1 value         2  63.2 31.6        119.  1.67e-31
#> 2 Residuals   147  39.0  0.265       NA  NA       
#> 
#> [[2]]
#> # A tibble: 2 x 6
#>   term         df   sumsq meansq statistic p.value
#>   <chr>     <dbl>   <dbl>  <dbl>     <dbl>   <dbl>
#> 1 value         2   0.281  0.141     0.203   0.817
#> 2 Residuals   147 102.     0.693    NA      NA    
#> 
#> [[3]]
#> # A tibble: 2 x 6
#>   term         df   sumsq meansq statistic p.value
#>   <chr>     <dbl>   <dbl>  <dbl>     <dbl>   <dbl>
#> 1 value         2   0.756  0.378     0.548   0.579
#> 2 Residuals   147 101.     0.690    NA      NA

或者将所有模型整理到一个数据框中，保留该key列，您可以这样做：

aov_models %>%
  mutate(model_tidy = map(model, broom::tidy)) %>%
  unnest(model_tidy)

推荐阅读