Homoscedascity test pour l'ANOVA bidirectionnelle

J'ai été en utilisant var.test et bartlett.test pour vérifier la base de l'analyse de la VARIANCE des hypothèses, entre autres, homoscedascity (homogeniety, de l'égalité des variances). La procédure est assez simple pour l'ANOVA:

bartlett.test(x ~ g)  # where x is numeric, and g is a factor
var.test(x ~ g)

Mais, pour 2x2 tables, c'est à dire Deux ANOVA, je veux faire quelque chose comme ceci:

bartlett.test(x ~ c(g1, g2))  # or with list; see latter:
var.test(x ~ list(g1, g2))

Bien sûr, l'analyse de la VARIANCE des hypothèses peut être vérifié avec le graphique des procédures, mais qu'en est "une arithmétique option"? C'est que, à tous, facile à gérer? Comment pouvez-vous tester homoscedascity dans Deux ANOVA?

source d'informationauteur aL3xa

  1. 18

    Le test d'hypothèse est le bon outil à utiliser pour évaluer la validité des hypothèses du modèle. Si la taille de l'échantillon est de petite taille, vous n'avez aucun pouvoir de détecter toute variation de différences, même si la variance des différences sont grandes. Si vous avez une grande taille de l'échantillon que vous avez le pouvoir de détecter même les plus futiles les déviations de l'égalité de la variance, de sorte que vous aurez presque toujours rejeter l'hypothèse nulle. Des études de Simulation ont montré que les tests préliminaires de modèle hypothèse conduit à peu fiable de type I des erreurs.

    En regardant les résidus dans toutes les cellules est un bon indicateur, ou si vos données sont normales, vous pouvez utiliser l'AIC ou BIC avec/sans l'égalité des variances comme une procédure de sélection.

    Si vous pensez qu'il y a inégalité des variances, la baisse de l'hypothèse avec quelque chose comme:

    library(car)
model.lm <- lm(formula=x ~ g1 + g2 + g1*g2,data=dat,na.action=na.omit)
Anova(model.lm,type='II',white.adjust='hc3')

    Vous n'avez pas perdre beaucoup de puissance avec la méthode robuste (hetroscedastic cohérente des matrices de covariance), en cas de doute aller robuste.

  2. 7

    Vous pouvez tester l ' hétéroscédasticité à l'aide de la Fligner–Killeen test de l'homogénéité des variances. En supposant que votre modèle est quelque chose comme

    model<-aov(gain~diet*supplement)

fligner.test(gain~diet*supplement)

        Fligner-Killeen test of homogeneity of variances

data:  gain by diet by supplement 
Fligner-Killeen:med chi-squared = 2.0236, df = 2, p-value = 0.3636

    Vous pourriez avoir utilisé bartlett.test (mais c'est plus un test de non-normalité que de l'égalité des variances)

    bartlett.test(gain~diet*supplement)
        Bartlett test of homogeneity of variances

data:  gain by diet by supplement 
Bartlett's K-squared = 2.2513, df = 2, p-value = 0.3244

    En outre, vous pouvez effectuer la Levene test pour le groupe de l'égalité des variances dans les deux sens et deux ANOVA. Les implémentations de Levene du test peuvent être trouvés dans les paquets voiture (lien corrigé), s20x et lawstat

    levene.test(gain~diet*supplement)  # car package version

Levene's Test for Homogeneity of Variance
      Df F value Pr(>F)
group 11  1.1034 0.3866
      36
  3. 5

    Pour bartlett.test

    bartlett.test(split(x,list(g1,g2)))

    var.test n'est pas applicable, car il ne fonctionne que quand il y a deux groupes.