anovan
다원분산분석
구문
설명
는 하나 이상의 p
= anovan(y
,group
,Name,Value
)Name,Value
쌍 인수로 지정된 추가 옵션을 사용하여 다원분산분석(n-way ANOVA)에 대한 p-값으로 구성된 벡터를 반환합니다.
예를 들어, 어떤 예측 변수가 연속형 예측 변수인지 여부, 또는 사용할 제곱합 유형을 지정할 수 있습니다.
[
은 어떤 그룹 평균의 쌍이 현저히 다른지 판별할 수 있게 해주는 다중 비교 검정을 수행하는 데 사용할 수 있는 p
,tbl
,stats
] = anovan(___)stats
구조체를 반환합니다. stats
구조체를 입력값으로 하여 multcompare
함수를 사용하여 이러한 검정을 수행할 수 있습니다.
예제
삼원분산분석
표본 데이터를 불러옵니다.
y = [52.7 57.5 45.9 44.5 53.0 57.0 45.9 44.0]'; g1 = [1 2 1 2 1 2 1 2]; g2 = {'hi';'hi';'lo';'lo';'hi';'hi';'lo';'lo'}; g3 = {'may';'may';'may';'may';'june';'june';'june';'june'};
y
는 응답 변수 벡터이고 g1
, g2
, g3
은 그룹화 변수(인자)입니다. 각 인자는 두 개의 수준을 가지며, y
의 각 관측값은 인자수준 조합으로 식별됩니다. 예를 들어, 관측값 y(1)
은 인자 g1
의 수준 1, 인자 g2
의 수준 'hi'
, 인자 g3
의 수준 'may'
와 연결됩니다. 마찬가지로, 관측값 y(6)
은 인자 g1
의 수준 2, 인자 g2
의 수준 'hi'
, 인자 g3
의 수준 'june'
과 연결됩니다.
응답 변수가 모든 인자수준에서 동일한지 검정합니다.
p = anovan(y,{g1,g2,g3})
p = 3×1
0.4174
0.0028
0.9140
분산분석표에서 X1
, X2
, X3
은 각각 인자 g1
, g2
, g3
에 대응됩니다. p-값 0.4174는 인자 g1
의 수준 1과 수준 2에 대한 평균 응답 변수가 크게 다르지 않음을 나타냅니다. 마찬가지로, p-값 0.914는 인자 g3
의 수준 'may'
및 'june'
에 대한 평균 응답 변수가 크게 다르지 않음을 나타냅니다. 그러나, p-값 0.0028은 인자 g2
의 두 수준 'hi'
및 'lo'
에 대한 평균 응답 변수가 현저히 다르다는 결론을 내리기에 충분히 작습니다. 기본적으로, anovan
은 세 개의 주효과에 대해서만 p-값을 계산합니다.
2인자 상호 작용을 검정합니다. 이번에는 변수 이름을 지정합니다.
p = anovan(y,{g1 g2 g3},'model','interaction','varnames',{'g1','g2','g3'})
p = 6×1
0.0347
0.0048
0.2578
0.0158
0.1444
0.5000
상호 작용 항은 분산분석표에서 g1*g2
, g1*g3
, g2*g3
으로 표현됩니다. p
의 처음 세 요소가 주효과에 대한 p-값입니다. 마지막 세 요소는 이원 상호 작용에 대한 p-값입니다. p-값 0.0158은 g1
과 g2
간의 상호 작용이 유의한 수준임을 나타냅니다. p-값 0.1444 및 0.5는 해당 상호 작용이 유의한 수준이 아님을 나타냅니다.
불균형 설계에 대한 이원분산분석
표본 데이터를 불러옵니다.
load carbig
이 데이터는 406대 차량에 대한 측정값으로 구성되어 있습니다. 변수 org
는 차량이 생산된 지역을 보여주고 when
은 차량이 제조된 연도를 보여줍니다.
연비가 차량이 생산된 연도와 지역에 따라 어떻게 달라지는지를 확인합니다. 또한, 모델에 이원 상호 작용도 포함시킵니다.
p = anovan(MPG,{org when},'model',2,'varnames',{'origin','mfg date'})
p = 3×1
0.0000
0.0000
0.3059
'model',2
이름-값 쌍의 인수는 이원 상호 작용을 나타냅니다. 상호 작용 항에 대한 p-값 0.3059는 작은 수준이 아니며, 제조 시기(mfg date
)의 효과가 차량이 생산된 지역(origin
)에 따라 달라짐을 보여주는 증거가 거의 없음을 나타냅니다. 그러나 원산지와 제조 날짜의 주효과는 유의한 수준이며, p-값이 모두 0입니다.
삼원분산분석(Three-Way ANOVA)에 대한 다중 비교
표본 데이터를 불러옵니다.
y = [52.7 57.5 45.9 44.5 53.0 57.0 45.9 44.0]'; g1 = [1 2 1 2 1 2 1 2]; g2 = ["hi" "hi" "lo" "lo" "hi" "hi" "lo" "lo"]; g3 = ["may" "may" "may" "may" "june" "june" "june" "june"];
y
는 응답 변수 벡터이고 g1
, g2
, g3
은 그룹화 변수(인자)입니다. 각 인자는 두 개의 수준을 가지며, y
의 각 관측값은 인자수준 조합으로 식별됩니다. 예를 들어, 관측값 y(1)
은 인자 g1
의 수준 1, 인자 g2
의 수준 hi
, 인자 g3
의 수준 may
와 연결됩니다. 마찬가지로, 관측값 y(6)
은 인자 g1
의 수준 2, 인자 g2
의 수준 hi
, 인자 g3
의 수준 june
과 연결됩니다.
응답 변수가 모든 인자수준에서 동일한지 검정합니다. 또한, 다중 비교 검정에 필요한 통계량을 계산합니다.
[~,~,stats] = anovan(y,{g1 g2 g3},"Model","interaction", ... "Varnames",["g1","g2","g3"]);
p-값 0.2578은 인자 g3
의 수준 may
및 june
에 대한 평균 응답 변수가 크게 다르지 않음을 나타냅니다. p-값 0.0347은 인자 g1
의 수준 1
및 2
에 대한 평균 응답 변수가 현저히 다름을 나타냅니다. 마찬가지로, p-값 0.0048은 인자 g2
의 수준 hi
및 lo
에 대한 평균 응답 변수가 현저히 다름을 나타냅니다.
다중 비교 검정을 수행하여 인자 g1
및 g2
그룹 중 현저히 다른 그룹을 찾아냅니다.
[results,~,~,gnames] = multcompare(stats,"Dimension",[1 2]);
이 그룹에 대응되는 비교 구간을 클릭하여 다른 그룹에 대해 검정을 수행할 수 있습니다. 막대를 클릭하면 파란색으로 바뀝니다. 현저히 다른 그룹의 막대는 빨간색으로 표시됩니다. 크게 다르지 않은 그룹의 막대는 회색으로 표시됩니다. 예를 들어, g1
의 수준 1
과 g2
의 수준 lo
의 조합에 대한 비교 구간을 클릭하면 g1
의 수준 2
와 g2
의 수준 lo
의 조합에 대한 비교 구간이 겹치므로 회색으로 표시됩니다. 반대로, 다른 비교 구간은 빨간색으로 표시되며, 이는 현저한 차이가 있음을 나타냅니다.
여러 개의 비교 결과와 해당하는 그룹 이름을 테이블로 표시합니다.
tbl = array2table(results,"VariableNames", ... ["Group A","Group B","Lower Limit","A-B","Upper Limit","P-value"]); tbl.("Group A")=gnames(tbl.("Group A")); tbl.("Group B")=gnames(tbl.("Group B"))
tbl=6×6 table
Group A Group B Lower Limit A-B Upper Limit P-value
______________ ______________ ___________ _____ ___________ _________
{'g1=1,g2=hi'} {'g1=2,g2=hi'} -6.8604 -4.4 -1.9396 0.027249
{'g1=1,g2=hi'} {'g1=1,g2=lo'} 4.4896 6.95 9.4104 0.016983
{'g1=1,g2=hi'} {'g1=2,g2=lo'} 6.1396 8.6 11.06 0.013586
{'g1=2,g2=hi'} {'g1=1,g2=lo'} 8.8896 11.35 13.81 0.010114
{'g1=2,g2=hi'} {'g1=2,g2=lo'} 10.54 13 15.46 0.0087375
{'g1=1,g2=lo'} {'g1=2,g2=lo'} -0.8104 1.65 4.1104 0.07375
multcompare
함수는 두 가지 그룹화 변수 g1
및 g2
의 그룹(수준) 조합을 비교합니다. 예를 들어, 행렬의 첫 번째 행은 g1
의 수준 1
과 g2
의 수준 hi
의 조합이 g1
의 수준 2
와 g2
의 수준 hi
의 조합과 평균 응답 변수 값이 같음을 보여줍니다. 이 검정에 대응되는 p-값은 0.0272
이며, 이는 평균 응답 변수가 현저히 다름을 나타냅니다. 그림에서 이 결과를 확인할 수도 있습니다. 파란색 막대는 g1
의 수준 1
과 g2
의 수준 hi
의 조합에 대한 평균 응답 변수의 비교 구간을 보여줍니다. 빨간색 막대는 다른 그룹 조합에 대한 평균 응답 변수의 비교 구간입니다. 빨간색 막대는 파란색 막대와 겹치지 않으며, 이는 g1
의 수준 1
과 g2
의 수준 hi
의 조합에 대한 평균 응답 변수가 다른 그룹 조합에 대한 평균 응답 변수와 현저히 다르다는 것을 의미합니다.
입력 인수
y
— 표본 데이터
숫자형 벡터
표본 데이터로, 숫자형 벡터로 지정됩니다.
데이터형: single
| double
group
— 그룹화 변수
셀형 배열
그룹화 변수, 즉 y
에 포함된 관측값의 인자 및 인자수준으로, 셀형 배열로 지정됩니다. group
의 각 셀은 인자 중 하나를 기준으로 y
에 포함된 관측값을 식별하는 인자수준 목록을 포함합니다. 각 셀에 포함된 목록은 categorical형 배열, 숫자형 벡터, 문자형 행렬, string형 배열 또는 문자형 벡터로 구성된 단일 열을 갖는 셀형 배열일 수 있으며, y
와 요소 개수가 같아야 합니다.
기본적으로 anovan
은 모든 그룹화 변수를 고정효과로 취급합니다.
예를 들어, 성별, 학교, 교육 방식이 초등학교 학생의 학업적인 성과에 미치는 효과를 조사하려는 연구에서는 그룹화 변수를 다음과 같이 지정할 수 있습니다.
예: {'Gender','School','Method'}
데이터형: cell
이름-값 인수
선택적 인수 쌍을 Name1=Value1,...,NameN=ValueN
으로 지정합니다. 여기서 Name
은 인수 이름이고 Value
는 대응값입니다. 이름-값 인수는 다른 인수 뒤에 와야 하지만, 인수 쌍의 순서는 상관없습니다.
R2021a 이전 릴리스에서는 쉼표를 사용하여 각 이름과 값을 구분하고 Name
을 따옴표로 묶으십시오.
예: 'alpha',0.01,'model','interaction','sstype',2
는 제2종 제곱합을 사용하여 주효과 및 이원 상호 작용에 대한 99% 신뢰한계와 p-값을 계산하도록 anovan
을 지정합니다.
alpha
— 유의수준
0.05 (디폴트 값) | 범위 0~1에 속하는 스칼라 값
신뢰한계에 대한 유의수준으로, 'alpha'
와 함께 범위 0~1에 속하는 스칼라 값이 쉼표로 구분되어 지정됩니다. 값 α의 경우, 신뢰수준은 100*(1–α)%입니다.
예: 'alpha',0.01
은 99% 신뢰구간에 해당합니다.
데이터형: single
| double
continuous
— 연속형 예측 변수 표시자
인덱스로 구성된 벡터
연속형 예측 변수 표시자로, 어떤 그룹화 변수가 범주형 예측 변수가 아닌 연속형 예측 변수로 처리되어야 하는지를 나타내며, 'continuous'
와 함께 인덱스로 구성된 벡터가 쉼표로 구분되어 지정됩니다.
예를 들어, 세 개의 그룹화 변수가 있고 두 번째 그룹화 변수가 연속형 변수인 경우 다음과 같이 지정할 수 있습니다.
예: 'continuous',[2]
데이터형: single
| double
display
— 분산분석표 표시 여부를 나타내는 표시자
'on'
(디폴트 값) | 'off'
분산분석표 표시 여부를 나타내는 표시자로, 'display'
와 함께 'on'
또는 'off'
가 쉼표로 구분되어 지정됩니다. 'display'
가 'off'
인 경우, anovan
은 출력 인수만 반환하고 표준 분산분석표를 Figure로 표시하지 않습니다.
예: 'display','off'
model
— 모델 유형
'linear'
(디폴트 값) | 'interaction'
| 'full'
| 정수 값 | 항 행렬
모델 유형으로, 'model'
과 함께 다음 중 하나가 쉼표로 구분되어 지정됩니다.
'linear'
— 디폴트'linear'
모델은 N개의 주효과에 대한 귀무가설의 p-값만 계산합니다.'interaction'
—'interaction'
모델은 N개의 주효과와 2인자 상호 작용에 대한 귀무가설의 p-값을 계산합니다.'full'
—'full'
모델은 N개의 주효과와 모든 수준의 상호 작용에 대한 귀무가설의 p-값을 계산합니다.정수 — 모델 유형에 정수 값 k가 지정된 경우(k ≤ N),
anovan
은 k번째 수준까지의 모든 상호 작용 수준을 계산합니다. 예를 들어, 값 3은 주효과와 2인자 상호 작용 및 3인자 상호 작용을 의미합니다. 값 k = 1 및 k = 2는 각각'linear'
및'interaction'
을 지정한 것과 동일합니다. 값 k = N은'full'
을 지정한 것과 동일합니다.항 행렬 —
x2fx
함수에 대한 입력값과 동일한 형식을 갖는 항 정의로 구성된 행렬입니다. 모든 요소는0
또는1
이어야 합니다(더 큰 거듭제곱은 안 됨).anovan
이 계산하는 주 항과 상호 작용 항을 더욱 정확하게 제어하려면 분산분석 모델에 포함시킬 각각의 주 항 또는 상호 작용 항이 하나의 행을 이루는 행렬을 지정하면 됩니다. 각 행은 N개의 0과 1로 구성된 벡터를 사용하여 하나의 항을 정의합니다. 아래 표에서는 인자 A, B, C에 대한 3인자 분산분석을 부호화한 표현을 보여줍니다.행렬 행 분산분석 항 [1 0 0]
주 항 A
[0 1 0]
주 항 B
[0 0 1]
주 항 C
[1 1 0]
상호 작용 항 AB
[1 0 1]
상호 작용 항 AC
[0 1 1]
상호 작용 항 BC
[1 1 1]
상호 작용 항 ABC
예를 들어, 세 개의 인자 A, B, C와
'model',[0 1 0;0 0 1;0 1 1]
을 지정할 경우anovan
은 주효과 B 및 C와 상호 작용 효과 BC를 각각 검정합니다.항 행렬을 생성하는 간단한 방법은 위에서 설명한 형식을 사용하여 현재 모델에서 항을 부호화하는
terms
출력값을 수정하는 것입니다. 예를 들어,anovan
이terms
에 대해[0 1 0;0 0 1;0 1 1]
을 반환하고 유의미한 상호 작용 BC가 없으면model
에[0 1 0;0 0 1]
을 지정하여 주효과 B와 C에 대해서만 분산분석을 다시 계산할 수 있습니다.
예: 'model',[0 1 0;0 0 1;0 1 1]
예: 'model','interaction'
데이터형: char
| string
| single
| double
nested
— 내포 관계
0과 1로 구성된 행렬
그룹화 변수 간의 내포 관계로, 'nested'
와 함께 0과 1로 구성된 행렬 M이 쉼표로 구분되어 지정됩니다(즉, 변수 i가 변수 j에 내포된 경우 M(i,j) = 1임).
연속형 변수에는 내포를 지정할 수 없습니다.
예를 들어, 두 개의 그룹화 변수 District와 School이 있고, 여기서 School이 District에 내포된 경우 이 관계를 다음과 같이 표현할 수 있습니다.
예: 'nested',[0 0;1 0]
데이터형: single
| double
random
— 확률 변수 표시자
인덱스로 구성된 벡터
확률 변수 표시자로, 어떤 그룹화 변수가 확률 변수인지 나타내며, 'random'
과 함께 인덱스로 구성된 벡터가 쉼표로 구분되어 지정됩니다. 기본적으로 anovan
은 모든 그룹화 변수를 고정효과로 취급합니다.
anovan
은 상호 작용 항에 확률 변수가 있는 경우 상호 작용 항을 임의효과로 취급합니다.
예: 'random',[3]
데이터형: single
| double
sstype
— 제곱합 유형
3 (디폴트 값) | 1 | 2 | 'h'
제곱합 유형으로, 'sstype'
과 함께 다음이 쉼표로 구분되어 지정됩니다.
제1종 제곱합. 특정 항 앞에 나열되어 있는 항을 이미 포함하는 피팅에 해당 항을 추가하여 구하는 잔차제곱합의 감소입니다.
제2종 제곱합. 특정 항을 제외한 다른 모든 항으로 구성된 모델에 해당 항을 추가하여 구하는 잔차제곱합의 감소입니다.
제3종 제곱합. 다른 모든 항을 포함하는 모델에 해당 항을 추가하여 구하는 잔차제곱합의 감소입니다. 단, 이들 항의 효과는 모델을 추정 가능하게 하는 통상적인 “시그마 제한”을 따르도록 제약됩니다.
'h'
— 계층적 모델. 제2종과 유사하지만 항의 계층 구조를 결정하는 데 연속형 인자와 범주형 인자가 모두 사용됩니다.
모든 항의 제곱합은 두 모델의 비교를 통해 결정됩니다. 상호 작용은 없고 주효과만 포함하는 모델의 경우, sstype
의 값은 불균형 데이터의 계산에만 영향을 미칩니다.
두 인자와 이에 대한 상호 작용이 포함된 모델을 피팅하며 해당 항이 A, B, AB 순서로 표시된다고 가정하겠습니다. R(·)이 모델의 잔차제곱합을 나타낸다고 하겠습니다. 그러면 R(A, B, AB)는 전체 모델을 피팅하는 잔차제곱합이고, R(A)는 A의 주효과만 피팅하는 잔차제곱합이며, R(1)은 평균만 피팅하는 잔차제곱합입니다. 세 가지 제곱합 유형은 다음과 같습니다.
항 | 제1종 제곱합 | 제2종 제곱합 | 제3종 제곱합 |
---|---|---|---|
A | R(1) – R(A) | R(B) – R(A, B) | R(B, AB) – R(A, B, AB) |
B | R(A) – R(A, B) | R(A) – R(A, B) | R(A, AB) – R(A, B, AB) |
AB | R(A, B) – R(A, B, AB) | R(A, B) – R(A, B, AB) | R(A, B) – R(A, B, AB) |
제3종 제곱합의 모델에는 시그마 제한이 적용됩니다. 이는, 피팅 R(B, AB)에서 AB 효과로 구성된 배열을 예로 들면 B의 각 값에 대한 A의 합과 A의 각 값에 대한 B의 합이 0으로 제한된다는 의미입니다.
예: 'sstype','h'
데이터형: single
| double
| char
| string
varnames
— 그룹화 변수의 이름
X1,X2,...,XN
(디폴트 값) | 문자형 행렬 | string형 배열 | 문자형 벡터로 구성된 셀형 배열
그룹화 변수의 이름으로, 'varnames'
와 함께 문자형 행렬, string형 배열 또는 문자형 벡터로 구성된 셀형 배열이 쉼표로 구분되어 지정됩니다.
예: 'varnames',{'Gender','City'}
데이터형: char
| string
| cell
출력 인수
p
— p-값
벡터
p-값으로, 벡터로 반환됩니다.
출력 벡터 p
는 N개의 주효과와 지정된 모든 상호 작용 항에 대한 귀무가설의 p-값을 포함합니다. 요소 p(1)
은 '모든 수준의 인자 A의 표본이 동일한 모집단에서 추출되었다'는 귀무가설의 p-값을 포함하며, 요소 p(2)
는 '모든 수준의 인자 B의 표본이 동일한 모집단에서 추출되었다'는 귀무가설의 p-값을 포함하는 식입니다.
예를 들어, 세 개의 인자 A, B, C와 'model',[0 1 0;0 0 1;0 1 1]
을 지정할 경우 출력 벡터 p
는 주효과 B 및 C와 상호 작용 효과 BC에 대한 귀무가설의 p-값을 각각 포함합니다.
하나의 인자에 해당하는 p-값이 충분히 작을 경우 적어도 하나 이상의 그룹 평균이 다른 그룹 평균과 현저히 다르다는 것을 나타냅니다. 즉, 해당 인자로 인해 주효과가 있음을 나타냅니다. 일반적으로 p-값이 0.05 또는 0.01보다 작을 경우 결과가 유의미하다고 선언합니다.
tbl
— 분산분석표
셀형 배열
분산분석표로, 셀형 배열로 반환됩니다. 분산분석표에는 다음 7개의 열이 있습니다.
열 이름 | 정의 |
---|---|
source | 변동성의 요인입니다. |
SS | 각 요인에 의한 제곱합입니다. |
df | 각 요인와 연관된 자유도입니다. |
MS | 각 요인의 평균제곱으로, SS/df 비율입니다. |
Singular? | 항이 특이 항인지 여부를 나타내는 표시입니다. |
F | F-통계량으로, 두 평균제곱 간의 비율입니다. |
Prob>F | p-값으로, 계산된 검정-통계량 값보다 F-통계량이 더 큰 값을 취할 수 있는 확률입니다. anovan 은 F-분포의 cdf에서 이 확률을 도출합니다. |
하나 이상의 그룹화 변수가 이름-값 쌍의 인수 random
을 사용하여 확률 변수로 지정된 경우 분산분석표에는 다음 열도 있습니다.
열 이름 | 정의 |
---|---|
Type | 각 요인의 유형으로, 고정효과의 경우 'fixed' 또는 임의효과의 경우 'random' 입니다. |
Expected MS | 평균제곱에 대한 기대값의 텍스트 표현입니다. Q(source) 는 source 의 2차 함수를 나타내고 V(source) 는 source 의 분산을 나타냅니다. |
MS denom | F-통계량의 분모입니다. |
d.f. denom | F-통계량의 분모에 대한 자유도입니다. |
Denom. defn. | F-통계량의 분모에 대한 텍스트 표현입니다. MS(source) 는 source 의 평균제곱을 나타냅니다. |
Var. est. | 분산 성분 추정값입니다. |
Var. lower bnd | 분산 성분 추정값에 대한 95% 신뢰구간의 하한입니다. |
Var. upper bnd | 분산 성분 추정값에 대한 95% 신뢰구간의 상한입니다. |
stats
— 통계량
구조체
multcompare
함수를 사용하여 다중 비교 검정에 사용할 통계량으로, 구조체로 반환됩니다.
anovan
은 '하나의 인자(또는 더 일반적으로 하나의 항)에 대한 여러 그룹(수준)이 모두 동일한 효과를 갖는 것은 아니다'는 대립가설에 대해 '모두 동일한 효과를 갖는다'는 가설을 평가합니다. 경우에 따라 현저히 다른 수준 쌍은 무엇이고 그렇지 않은 쌍은 무엇인지를 판별하기 위한 검정을 수행하는 것이 유용할 수 있습니다. multcompare
함수를 사용하고 stats
구조체를 입력값으로 지정하여 이러한 검정을 수행할 수 있습니다.
stats
구조체는 multcompare
함수를 사용하여 다중 비교를 수행하는 데 필요한 여러 다른 필드 외에도 아래에 나와 있는 필드를 포함합니다.
필드 | 설명 |
---|---|
| 추정된 계수 |
| 각 계수의 항 이름 |
| 각 항의 그룹화 변수 값으로 구성된 행렬 |
| 피팅된 모델의 잔차 |
stats
구조체는 이름-값 쌍의 인수 random
을 사용하여 하나 이상의 그룹화 변수가 확률 변수로 지정된 경우 다음과 같은 필드도 포함합니다.
필드 | 설명 |
---|---|
| 예상 평균제곱 |
| 분모 정의 |
| 임의효과 항 이름 |
| 분산 성분 추정값(임의효과 항당 하나) |
| 분산 성분에 대한 신뢰구간 |
terms
— 주 항 및 상호 작용 항
행렬
주 항 및 상호 작용 항으로, 행렬로 반환됩니다. 항은 위에 설명된 입력값 model
의 형식과 동일한 형식을 사용하여 출력 행렬 terms
에 부호화됩니다. 이 형식으로 model
을 지정하면 terms
에 반환되는 행렬도 동일합니다.
대체 기능
anovan
함수를 사용하는 대신에, anova
함수를 사용하여 anova
객체를 만들 수 있습니다. anova
함수는 다음과 같은 이점을 제공합니다.
anova
함수를 사용하면 분산분석 모델 유형, 제곱합 유형, 범주형으로 처리할 인자를 지정할 수 있습니다.anova
는 또한 table형 예측 변수와 응답 변수를 입력 인수로 사용할 수 있습니다.anovan
에서 반환하는 출력값 외에,anova
객체의 속성에는 다음이 포함됩니다.분산분석 모델식
피팅된 분산분석 모델 계수
잔차
인자와 응답 변수 데이터
anova
객체 함수를 사용하면anova
객체를 피팅한 후 추가 분석을 수행할 수 있습니다. 예를 들어 분산분석을 위해 평균에 대한 다중 비교를 대화형 플롯으로 만들고, 인자의 각 값에 대해 평균 응답 변수의 추정값을 구하고, 분산 성분 추정값을 계산할 수 있습니다.
참고 문헌
[1] Dunn, O.J., and V.A. Clark. Applied Statistics: Analysis of Variance and Regression. New York: Wiley, 1974.
[2] Goodnight, J.H., and F.M. Speed. Computing Expected Mean Squares. Cary, NC: SAS Institute, 1978.
[3] Seber, G. A. F., and A. J. Lee. Linear Regression Analysis. 2nd ed. Hoboken, NJ: Wiley-Interscience, 2003.
버전 내역
R2006a 이전에 개발됨
MATLAB 명령
다음 MATLAB 명령에 해당하는 링크를 클릭했습니다.
명령을 실행하려면 MATLAB 명령 창에 입력하십시오. 웹 브라우저는 MATLAB 명령을 지원하지 않습니다.
Select a Web Site
Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
You can also select a web site from the following list:
How to Get Best Site Performance
Select the China site (in Chinese or English) for best site performance. Other MathWorks country sites are not optimized for visits from your location.
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)