タグ付けされた質問 「manova」

2つの従属変数（DV）があり、それぞれのスコアは7つの独立変数（IV）のセットによって影響を受ける可能性があります。DVは連続的ですが、IVのセットは連続変数とバイナリコード変数の混合で構成されています。（以下のコードでは、連続変数は大文字で、バイナリ変数は小文字で記述されています。） この研究の目的は、これらのDVがIV変数によってどのように影響を受けるかを明らかにすることです。次の多変量重回帰（MMR）モデルを提案しました。 my.model <- lm(cbind(A, B) ~ c + d + e + f + g + H + I) 結果を解釈するために、2つのステートメントを呼び出します。 summary(manova(my.model)) Manova(my.model) 両方の呼び出しからの出力は以下に貼り付けられ、大きく異なります。MMRの結果を適切に要約するために、2つのうちどちらを選択すべきかを誰かに説明してください。どんな提案も大歓迎です。 summary(manova(my.model))ステートメントを使用した出力： > summary(manova(my.model)) Df Pillai approx F num Df den Df Pr(>F) c 1 0.105295 5.8255 2 99 0.004057 ** d 1 0.085131 4.6061 2 99 …

68 r  multivariate-analysis  manova  multiple-regression  multivariate-regression 

私の主な質問は、タイプI（シーケンシャル）分散分析を実行するときに出力（係数、F、P）を解釈する方法です。 私の特定の研究問題はもう少し複雑なので、私の例をいくつかに分けます。まず、植物の成長（Y1）に対するクモの密度（X1）の影響に興味があり、囲いに苗木を植え、クモの密度を操作した場合、単純なANOVAまたは線形回帰でデータを分析できます。その後、ANOVAにタイプI、II、またはIIIの二乗和（SS）を使用したかどうかは関係ありません。私の場合、5つの密度レベルの複製が4つあるため、密度を因子または連続変数として使用できます。この場合、私はそれを連続的な独立（予測）変数として解釈することを好みます。RIでは、次を実行できます。 lm1 <- lm(y1 ~ density, data = Ena) summary(lm1) anova(lm1) anova関数を実行すると、後で比較できることを願っていますので、ここで奇妙な点を無視してください。出力は次のとおりです。 Response: y1 Df Sum Sq Mean Sq F value Pr(>F) density 1 0.48357 0.48357 3.4279 0.08058 . Residuals 18 2.53920 0.14107 さて、私がコントロールできなかった土壌中の無機窒素の開始レベルも、植物の成長に大きな影響を与えたのではないかと疑っているとしましょう。私はこの効果に特に興味はありませんが、それが引き起こす変動を潜在的に説明したいと思います。実際、私の主な関心はクモの密度の効果です（仮説：クモの密度の増加は植物の成長の増加を引き起こします-おそらく草食性昆虫の減少によるものですが、メカニズムではなく効果のみをテストしています）。無機Nの効果を分析に追加できます。 私の質問のために、相互作用密度* inorganicNをテストし、それが有意ではないふりをして、分析からそれを削除し、次の主な効果を実行します： > lm2 <- lm(y1 ~ density + inorganicN, data = Ena) > anova(lm2) …

45 r  hypothesis-testing  anova  manova  sums-of-squares 

ある要因（実験条件など）に対する反復測定ANOVAとMANOVAの違いは何ですか？ 特に、私が偶然見つけたあるウェブサイトは、MANOVAが、ANOVAが繰り返し測定するのと同じ球形度の仮定をしないことを示唆しました、それは本当ですか？ もしそうなら、なぜ単にMANOVAを使用しないのですか？ 複数のDVで繰り返し測定ANOVAを実行しようとしていますが、適切なアプローチは何ですか？

26 anova  repeated-measures  manova  sphericity 

いくつかの場所で、MANOVAはANOVAと線形判別分析（LDA）に似ているが、常に手を振るような方法で作成されたという主張を見ました。正確に何を意味するのか知りたいです。 MANOVA計算のすべての詳細を説明するさまざまな教科書を見つけましたが、統計学者ではない人がアクセスできる適切な一般的な議論（写真は言うまでもありません）を見つけるのは非常に難しいようです。

18 anova  discriminant-analysis  manova 

次の質問は、私にとってしばらくの間、これらの聖杯の一つです。誰かが良いアドバイスを提供できることを願っています。 Rを使用して、ノンパラメトリックの反復測定マルチウェイアノーバを実行したいと思います。 私はしばらくオンライン検索と読書を行ってきましたが、これまでは一部のケースのみの解決策を見つけることができました：一方向ノンパラメトリック反復測定アノーバのフリードマン検定、多元ノンパラメトリックの{car}アノーバ関数による順序回帰anovaなど。部分的な解決策は、この質問スレッドで私が探しているものではありません。私がこれまでに公開した投稿でこれまでの調査結果をまとめました（タイトル：反復測定ANOVA with R（関数とチュートリアル）、誰でも役立つ場合） オンラインで読んだ内容が正しい場合、このタスクは混合順序回帰モデル（別名：比例オッズモデル）を使用して達成できます。 関連性があると思われる2つのパッケージを見つけましたが、このテーマに関するビネットは見つかりませんでした。 http://cran.r-project.org/web/packages/repolr/ http://cran.r-project.org/web/packages/ordinal/ そのため、このテーマに慣れていない私は、ここの人々からの指示を期待していました。 このテーマに関するチュートリアル/推奨読書はありますか？さらに良いことに、Rでこれを実行および分析する方法の簡単なコード例を提案できます（例：「ノンパラメトリック反復測定multiway anova」）。

16 r  anova  repeated-measures  nonparametric  manova 

データの潜在状態の数を推定するために、隠れマルコフモデル（HMM）を近似しようとする時系列データセットがあります。これを行うための私の擬似コードは次のとおりです。 for( i in 2 : max_number_of_states ){ ... calculate HMM with i states ... optimal_number_of_states = "model with smallest BIC" ... } さて、通常の回帰モデルでは、BICは最もpar約的なモデルを好む傾向がありますが、HMMの場合、それが何をしているのかわかりません。BIC基準がどのようなHMMの傾向があるのか​​を実際に知っている人はいますか？また、AICと尤度値も取得できます。州の真の総数を推測しようとしているので、これらの基準の1つは、この目的のために他の基準よりも「優れている」のでしょうか。

12 r  aic  hidden-markov-model  bic  spss  manova  time-series  r  lme4-nlme  regression  modeling  negative-binomial  bayesian  bugs  state-space-models  hypothesis-testing  data-transformation  factor-analysis  sem 

バックグラウンド （カテゴリー変数によって与えられる）異なるグループ間のいくつかの連続変数の違いを分析するために、一元配置分散分析を実行できます。複数の説明的（カテゴリカル）変数がある場合、階乗ANOVAを実行できます。複数の連続変数（つまり、複数の応答変数）のグループ間の差異を分析する場合は、多変量分散分析（MANOVA）を実行する必要があります。 質問 いくつかの応答変数に対してANOVAのようなテストを実行する方法をほとんど理解していません。さらに重要なことに、帰無仮説が何であるかを理解していません。帰無仮説です： "各応答変数について、すべてのグループの平均は等しい"、 またはそれは "少なくとも1つの応答変数について、すべてのグループの平均は等しい"、 またはは何かありますか？H0H0H_0

11 hypothesis-testing  anova  manova 

MANOVAの従属変数は、「相関が強すぎる」べきではありません。しかし、どれだけ強い相関が強すぎるのでしょうか？この問題について人々の意見を得ることは興味深いでしょう。たとえば、以下の状況でMANOVAを続行しますか？ Y1およびY2は、およびと相関していますr = 0.3r=0.3r=0.3p &lt; 0.005p&lt;0.005p<0.005 Y1とY2は、およびと相関しています。r = 0.7r=0.7r=0.7p = 0.049p=0.049p=0.049 更新 @onestopへの応答としてのいくつかの代表的な引用： 「MANOVAは、DV間に中程度の相関がある状況でうまく機能します」（San Francisco State Uniからのコースノート） 「従属変数には相関関係があり、これはManovaに適しています」（米国EPA統計入門） 「従属変数は概念的に関連している必要があり、それらは低レベルから中程度のレベルで互いに相関している必要があります。」（北アリゾナ大学からのコースノート） 「約.3から約.7に相関するDVは適格です」（Maxwell 2001、Journal of Consumer Psychology） nb Y1とY2の間の相互相関が独立変数のすべてのレベルで同じであるという仮定については言及していません。相互相関の実際の大きさに関するこの見かけ上の灰色の領域についてのみです。

11 correlation  anova  multivariate-analysis  rule-of-thumb  manova 

私はデータセットに取り組んでいます。いくつかのモデル識別手法を使用した後、私はARIMA（0,2,1）モデルを思いつきました。 R detectIOのパッケージの関数を使用して、元のデータセットの48回目の観測で革新的な外れ値（IO）TSAを検出しました。 この外れ値をモデルに組み込んで、予測に使用するにはどうすればよいですか？Rではそれから予測を行うことができない可能性があるため、ARIMAXモデルを使用したくありません。これを行う方法は他にありますか？ これが私の値です。 VALUE &lt;- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

多変量多重回帰（ベクトル回帰と回帰）の設定では、一般的な仮説（Wilkのラムダ、Pillai-Bartlett、Hotelling-Lawley、およびRoyの最大根）の4つの主要な検定はすべて、行列固有値に依存します。、ここで、及び「説明」および「合計」変化行列です。HE−1HE−1H E^{-1}HHHEEE ピライとホテリングローリーの統計はどちらも それぞれ。と母集団類似体に対して定義されたこのトレースの分布が場合に重要であるアプリケーションを探しています。（私の作業におけるモジュロエラー。）一般的なサンプル統計の既知の統一、または4つの古典的な検定の2つ以上を取り込む他の一般化があるかどうか知りたいです。がまたは等しくないことを理解していますψκ=Tr(H[κH+E]−1),ψκ=Tr(H[κH+E]−1),\psi_{\kappa} = \mbox{Tr}\left(H\left[\kappa H + E\right]^{-1}\right),κ=1,0κ=1,0\kappa = 1, 0HHHEEEκ=2κ=2\kappa = 2κκ\kappaκκ\kappa000111、分子はヌルの下でカイ二乗のように見えなくなったため、中央のF近似が疑わしいと思われるため、おそらくこれは行き止まりです。 ヌル（つまり、回帰係数の真の行列がすべてゼロ）の下と代替の下での分布についていくつかの研究があったことを願っています。私は特にケースに興味がありますが、一般的なケースで作業がある場合は、もちろんそれを使用できます。ψκψκ\psi_{\kappa}κ=2κ=2\kappa = 2κκ\kappa

10 regression  multiple-regression  multivariate-analysis  manova 

統計における私の短い経験に続いて、ANOVA結果を取得するために使用される二乗和のタイプ（タイプI、II、III、IV ...）は、テスト結果（特に、相互作用と欠落のあるモデル）に劇的な違いをもたらす可能性があるデータ）。しかし、それを報告する論文はまだ見ていません。どうしてこんなことに？ （統計自体ではなく）何らかの方法でそれを報告する紙の例、またはそれが一般的ではない理由を提供していただければ幸いです。

9 regression  anova  manova  reporting  sums-of-squares 

VAR（ベクトル自動回帰）とMANOVAの違いは何ですか？

9 time-series  manova  autoregressive