Манипуляции с таблицами и массивами.

Манипуляции с таблицами и массивами.

sort() – сортировка вектора,

rank() – определение рангов элементов вектора,

order() – определение порядковых номеров элементов вектора,

Индексы, выборка строк и столбцов. Выборка произвольной последовательности элементов. Логические индексы для матриц. Использование индексов в левой части присваивания.

match() – поиск соответствия

merge() – слияние таблиц

Предположения об исходных данных:

нормальность:

qqplot(),

qqnorm(),

hist()+plot(dnorm()),

однородность дисперсии:

boxplot()

var. test()

var. test(x, y, ratio = 1,

alternative = c(" two. sided", " less", " greater" ),

conf. level = 0. 95, ... )

Модели:

линейные (регрессия):

нелинейные (аддитивные):

формула:

x1+x2, x1*x2, g/x, g*x, g: x

модельная матрица:

model. matrix(~x1+x2)

факторы и контрасты.

pairs()

оценка параметров модели:

summary()

Описание полей вывода

Call:

lm(formula = abundance ~ NAP * fBeach, data = p1)

Residuals:

Min 1Q Median 3Q Max

-222. 41 -12. 83 -1. 24 11. 78 395. 37

Coefficients:

Estimate Std. Error t value Pr(> |t|)

(Intercept) 141. 77 60. 33 2. 350 0. 0263 *

NAP 74. 27 70. 06 1. 060 0. 2985

fBeach2 119. 07 79. 97 1. 489 0. 1481

fBeach3 -115. 57 78. 44 -1. 473 0. 1522

fBeach4 -94. 78 83. 84 -1. 130 0. 2682

fBeach5 -104. 31 88. 11 -1. 184 0. 2468

fBeach6 -106. 12 79. 11 -1. 341 0. 1910

fBeach7 57. 23 102. 25 0. 560 0. 5803

fBeach8 -87. 56 81. 31 -1. 077 0. 2911

fBeach9 -118. 61 84. 25 -1. 408 0. 1706

NAP: fBeach2 167. 57 90. 17 1. 858 0. 0741.

NAP: fBeach3 -91. 14 92. 27 -0. 988 0. 3320

NAP: fBeach4 -95. 32 88. 31 -1. 079 0. 2899

NAP: fBeach5 -96. 54 96. 50 -1. 000 0. 3260

NAP: fBeach6 -68. 51 82. 71 -0. 828 0. 4148

NAP: fBeach7 -196. 54 102. 90 -1. 910 0. 0668.

NAP: fBeach8 -95. 78 82. 00 -1. 168 0. 2530

NAP: fBeach9 -84. 36 88. 35 -0. 955 0. 3481

---

Signif. codes: 0 ‘***’ 0. 001 ‘**’ 0. 01 ‘*’ 0. 05 ‘. ’ 0. 1 ‘ ’ 1

Residual standard error: 112. 1 on 27 degrees of freedom

Multiple R-squared: 0. 6634, Adjusted R-squared: 0. 4515

F-statistic: 3. 13 on 17 and 27 DF, p-value: 0. 003985

coef()

fitted()

residuals()

predict()

tmp. lim< -range(p1$NAP)

tmp. NAP< -seq(tmp. lim[1], tmp. lim[2], len=100)

tmp. df < -data. frame(NAP=tmp. NAP, fBeach=factor(1, levels=levels(p1$fBeach)))

tmp. aban1< -predict(p. lm4, newdata=tmp. df, se. fit=TRUE)

plot (tmp. NAP, tmp. aban1$fit, main=" abundance~NAP*fBeach", xlab=" NAP", ylab=" abundance", lwd=2, type=" l", ylim=c(0, max(p1$abundance)))

points(tmp. NAP, tmp. aban1$fit+1. 96*tmp. aban1$se. fit, lty=2, type=" l" )

points(tmp. NAP, tmp. aban1$fit-1. 96*tmp. aban1$se. fit, lty=2, type=" l" )

ind< -p1$fBeach==1

points(p1$NAP[ind], p1$abundance[ind], pch=20, cex=1. 5)

tmp. df < -data. frame(NAP=tmp. NAP, fBeach=factor(2, levels=levels(p1$fBeach)))

tmp. aban1< -predict(p. lm4, newdata=tmp. df, se. fit=TRUE)

points(tmp. NAP, tmp. aban1$fit, lwd=2, type=" l", col=" red" )

points(tmp. NAP, tmp. aban1$fit+1. 96*tmp. aban1$se. fit, lty=2, type=" l", col=" red" )

points(tmp. NAP, tmp. aban1$fit-1. 96*tmp. aban1$se. fit, lty=2, type=" l", col=" red" )

ind< -p1$fBeach==2

points(p1$NAP[ind], p1$abundance[ind], pch=20, cex=1. 5, col=" red" )

legend(" topleft", c(" Beach=1", " Beach=2" ), pch=20, lwd=2, col=c(" black", " red" ))

⇐ Предыдущая 1 234 Следующая ⇒