vlambda博客
学习文章列表

>attach(ToothGrowth)

>table(supp,dose)

           dose

supp 0.5  1  2

  OJ  10 10 10

  VC  10 10 10

>aggregate(len,by=list(supp,dose),FUN=mean)

   Group.1   Group.2     x

1      OJ         0.5        13.23

2      VC         0.5        7.98

3      OJ         1.0         22.70

4      VC         1.0         16.77

5      OJ          2.0         26.06

6      VC          2.0         26.14

>aggregate(len,by=list(supp,dose),FUN=sd)

    Group.1   Group.2        x

1      OJ           0.5       4.459709

2      VC           0.5       2.746634

3      OJ           1.0        3.910953

4      VC           1.0        2.515309

5      OJ            2.0        2.655058

6      VC            2.0        4.797731

>dose<-factor(dose)

>fit<-aov(len~supp*dose)

>summary(fit)

                    Df   Sum Sq   Mean Sq   F value    Pr(>F)    

supp             1     205.4        205.4      15.572    0.000231 ***

dose             2     2426.4      1213.2     92.000    < 2e-16 ***

supp:dose    2     108.3         54.2        4.107      0.021860 *  

Residuals    54     712.1        13.2                     

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

#可以看到主效应和交互效应都非常的显著

>interaction.plot(dose,supp,len,type = "b",

col =c( "red","blue"),pch = c(16,18),

main="Interaction between Dose and Supplement Type")

>plotmeans(len~interaction(supp,dose,sep = ""),

connect = list(c(1,3,5),c(2,4,6)),

col = c("gold","darkgreen"),main="Interaction Plot with 95% CIs",

xlab = "Treatment and Dose Combination")

>library(HH)

> interaction2wt(len~supp*dose)