Loading...
تحلیل آماری چند متغیری کاربردی
در این بخش پروژه ای برای تحلیل آماری چند متغیری کاربردی آماده کردیم که در آن به مباحث تحلیل واریانس چند متغیره، استقلال و نرمال بودن داده ها، همبستگی داده ها و آزمون برابری پارامترها مثل میانگین در چند متغیره در نرم افزار آماری R پرداخته می شود و بر اساس روند زیر آنالیزها انجام شده است:
برای آنالیز برابری و نابرابری واریانس از آماره M و آزمون باکس استفاده کردیم که در آن پکیج biotools بکار رفته است. برای نصب و اجرای کد مطابق زیر عمل می کنیم:
install.packages('biotools')
library('biotools')داده ورودی شامل چهار متغیر می باشد که طول و عرض کاسبرگ و گلبرگ ها را شامل می شود و یک ستون که نوع گل را مشخص می کند که جامعه های آماری مورد نظر ما را نشان می دهد، که سه نوع گل وجود دارد:
inpu<-iris head(inpu) Sepal.Length Sepal.Width Petal.Length Petal.Width Species ۵٫۱ ۳٫۵ ۱٫۴ ۰٫۲ setosa ۴٫۹ ۳٫۰ ۱٫۴ ۰٫۲ setosa ۴٫۷ ۳٫۲ ۱٫۳ ۰٫۲ setosa ۴٫۶ ۳٫۱ ۱٫۵ ۰٫۲ setosa ۵٫۰ ۳٫۶ ۱٫۴ ۰٫۲ setosa ۵٫۴ ۳٫۹ ۱٫۷ ۰٫۴ setosa
برای اجرای آزمون از داده ورودی استفاده می شود که inpu نام دارد و دارای ۵ ستون می باشد که ستون های یک، دو، سه و چهار متغیرهای ما و ستون پنجم گروه بندی مربوط به جامعه آماری می باشد. ستون اول طول کاسبرگ، ستون دوم عرض کاسبرگ، ستون سوم طول گلبرگ و ستون چهارم عرض گلبرگ می باشد.
boxM(inpu[,1:4],inpu[,5])
نتیجه به قرار زیر می باشد:
Box's M-test for Homogeneity of Covariance Matrices data: inpu[, 1:4] Chi-Sq (approx.) = 140.94, df = 20, p-value < 2.2e-16
در این بخش p-value محاسبه شده نشان می دهد که واریانس متغیرهای مورد مطالعه برای سه جامعه آماری و برای چهار متغیر مورد مطالعه که طول و عرض کاسبرگ ها و گلبرگ ها می باشند، برابر نیستند. برای بررسی همبستگی بین متغیرها از روش پیرسون و اسپیرمن استفاده شد. برای این منظور از پکیج Hmisc و دستور rcorr استفاده شد است:
install.packages('Hmisc')
library('Hmisc')در ابتدا متغیرهای مورد نظر را از داده ها استخراج می کنیم:
inp1<-inpu[,1:4]inp1<-as.matrix(inp1)rcorr(inp1,type=c("pearson" ))توضیحات بیشتر و کامل تر به همراه پروژه ارائه می گردد.
تصاویری از خروجی پروژه تحلیل آماری چند متغیری کاربردی
شکل ۱
شکل ۲
شکل ۳
شکل ۴
شکل ۵
شکل ۶
شکل ۷
شکل ۸
شکل ۹
