|
OLS: 最小二乘法 from scipy import stats7.1 單因素方差分析dat1
數(shù)據(jù)描述 有A,B, C,D,E五個品種，共有4個重復(fù)的產(chǎn)量數(shù)據(jù)。
dat1 = pd.read_csv("7.1.csv")dat1.head()
這里， 將Variety作為考察因素，使用最小二乘法OLS model = ols('y ~ C(Variety)',dat1).fit()anovat = anova_lm(model)print(anovat) df sum_sq mean_sq F PR(>F)
C(Variety) 5.0 52.378333 10.475667 40.334118 3.662157e-09
Residual 18.0 4.675000 0.259722 NaN NaN結(jié)果可以看出，Variety之間的F檢驗達(dá)到極顯著水平（P=3.66e-9） 7.2 二因素方差分析二因素方差分析，即有兩個處理因素的方差分析。下面數(shù)據(jù)有兩個處理：地點loc和品種cul，觀測值為y dat2 = pd.read_csv("7.2.csv")
dat2.head()
模型為y~loc + cul formula = 'y~ loc + cul' df sum_sq mean_sq F PR(>F)
loc 17.0 22.671174 1.333598 9.087496 2.327448e-15
cul 8.0 114.536224 14.317028 97.560054 1.611882e-52
Residual 136.0 19.958126 0.146751 NaN NaN結(jié)果可以看出，地點loc和品種cul間均達(dá)到極顯著水平 7.3 二因素有交互方差分析二因素有交互的方差分析，模型為： y~A*B，或者為y ~ A + B + A:B dat3 = pd.read_csv("7.3.csv")dat3.head()
formula = 'y~C(A) + C(B) + C(A):C(B)' df sum_sq mean_sq F PR(>F)
C(A) 2.0 315.833333 157.916667 129.204545 2.247182e-19
C(B) 4.0 207.166667 51.791667 42.375000 1.032420e-14
C(A):C(B) 8.0 50.333333 6.291667 5.147727 1.375790e-04
Residual 45.0 55.000000 1.222222 NaN NaN結(jié)果表明，因素A，B，A:B均達(dá)到極顯著水平 Python生物統(tǒng)計---前言及Flag---學(xué)習(xí)筆記1 Python學(xué)生物統(tǒng)計---為什么是統(tǒng)計---學(xué)習(xí)筆記2 Python學(xué)生物統(tǒng)計---Python基礎(chǔ)---學(xué)習(xí)筆記3 Python學(xué)生物統(tǒng)計---數(shù)據(jù)導(dǎo)入---學(xué)習(xí)筆記4 Python學(xué)生物統(tǒng)計---T檢驗---學(xué)習(xí)筆記6 關(guān)注公眾號：
|
|
|
