Question

在我的工作中，我经常需要使用Anova和Tukey测试进行不同的治疗比较，以确定一个因子实验中的多个治疗中哪一个在统计学上彼此不同。

我附加的代码产生两个单独的figures：一个具有值的处理分布（示例图1），另一个具有Tukey测试结果，显示哪一对处理彼此显着不同（示例图2）。

我过去所做的是查看Tukey结果并手动编辑第一个图表，其中的字母表示统计上等效的组（示例图3）。我一直在寻找不同的r库，以便自动生成类似于图3的东西，这些图总结了这样的分组，但还没有找到方法。有没有人有任何建议？

PS-如果下面的图形例程有点麻烦，我很抱歉，但它本质上是我为测试数据分布而开发的更全面的函数集的一个片段，有条件地应用相关测试并生成输出表和数据。

我编写的前两张图的代码如下。吨？USP =共享

Group=c("G1","G1","G1","G1","G2","G2","G2","G2","G3","G3","G3","G3")
Vals=c(runif(4),runif(4)+0.5,runif(4)+0.1)
data=data.frame(Group)
data=cbind(data, Vals)  
anova_results=aov(Vals~Group,data=data)
anova_results2=anova(anova_results)[1, ]
anova_significance=anova_results2[1,"Pr(>F)"]
significant=anova_significance[1]<=0.05
if (significant==1) {
  Tukey_results=TukeyHSD(anova_results,"Group")
  Tukey_results=Tukey_results$Group
}  
plot(data$Group, data$Vals) 
if (significant==1) {
  plot(TukeyHSD(anova_results,"Group"), las=1)   
}

Answer 1

Roman Lustrik对上述评论的建议很明显。我最终找到了两种基于两个相关库的替代方法。运行问题中发布的代码后，创建分组处理图：

#simple looking solution
library(multcomp)
tuk <- glht(anova_results, linfct = mcp(Group = "Tukey"))
summary(tuk)          # standard display
tuk.cld <- cld(tuk)   # letter-based display
opar <- par(mai=c(1,1,1.5,1))
plot(tuk.cld)
par(opar)

#more fancy looking solution using the multcompView library with a lot of ways to 
#alter the plot appearance as necessary
library(multcompView)
multcompBoxplot(Vals~Group,data=data)

# Now, the solution below is my favorite solution as the text direction of the groups 
#work very well if you have many treatments that you are comparing
opar <- par()  
par(oma = c(6, 0, 0, 0)) #extra space for extra large treatment names
xzx <-multcompBoxplot(Vals~Group,data=data,sortFn=median,  decreasing=FALSE,    
                      horizontal=FALSE,
                      plotList=list(
                        boxplot=list(fig=c(0,  1,  0,  1),  las=3,
                                     cex.axis=1.5),                      
                        multcompLetters=list(
                          fig=c(0.87,  0.97,  0.115,  0.923), #0.1108, 0.9432 Top of     
#page 18 manual for very convoluted explanation (c(y bottom, y top,x L, x R))
                          type='Letters') ) )
par(opar)

通过r的显着差异在图中自动分组治疗

1 个答案: