関連する独立した要因の重要性を調べるために、線形モデルを実行しています。モデルの例は次のとおりです。
mymod1 <- lm(temp ~ bgrp+psex+tb,data=mydat)
summary(mymod1)`
要約を見て、各要因の重要性を確認します。
lm(formula = temp ~ bgrp + psex + tb, data = mydat)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 37.324459 0.186081 200.581 < 2e-16 ***
bgrp 0.256794 0.066167 3.881 0.000115 ***
psex 0.144669 0.055140 2.624 0.008913 **
tb 0.019818 0.009342 2.121 0.034287 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.03675, Adjusted R-squared: 0.03209
F-statistic: 7.897 on 3 and 621 DF, p-value: 3.551e-05
ここで、 bgrp (1 と 2) と psex (1 と 2) の 2 つのレベルのソリューションを見てみたいと思います。
これで私を助けていただければ幸いです。
よろしくお願いします、
バズ
編集：
あなたが提案した最初のモデルを実行したところ、次の結果が得られました。
mydat$bgrp <- as.factor(mydat$bgrp)
> summary(lm(temp ~ bgrp+psex+tb-1,data=mydat))
Call:
lm(formula = temp ~ bgrp + psex + tb - 1, data = apirt)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
bgrp1 37.725922 0.135486 278.449 < 2e-16 ***
bgrp2 37.982716 0.129558 293.171 < 2e-16 ***
psex2 0.144669 0.055140 2.624 0.00891 **
tb 0.019818 0.009342 2.121 0.03429 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.9997, Adjusted R-squared: 0.9997
F-statistic: 4.788e+05 on 4 and 621 DF, p-value: < 2.2e-16
上記の係数表から、bgrp1 と bgrp2 は理にかなっているように見えます。bgrp1 は、同腹子のサイズが大きく、子孫が軽い母系を表し、その結果、子孫の直腸温度が低くなります (37.70 ℃)。一方、bgrp2 は、同腹仔のサイズが小さく、子孫が重い末期系統を表し、その結果、直腸温度が高くなります (37.98 ℃)。psex1 と psex2 についても同じことができるかどうか疑問に思っていますが、係数の表に示されているのは、あなたが以前に言ったことによるものである可能性があります。
編集：こんにちはマーク、
あなたが提案した 2 つのオプションを試してみたところ、bgrp1 と psex1 が同じ値を取っていることがわかりました。
> mybgrp <- lm(formula = temp ~ bgrp+psex+tb-1, data = mydat)
> mybgrp
Call:
lm(formula = temp ~ bgrp + psex + tb - 1, data = mydat)
Coefficients:
bgrp1 bgrp2 psex2 tb
37.72592 37.98272 0.14467 0.01982
> summary(mybgrp)
Call:
lm(formula = temp ~ bgrp + psex + tb - 1, data = mydat)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
bgrp1 37.725922 0.135486 278.449 < 2e-16 ***
bgrp2 37.982716 0.129558 293.171 < 2e-16 ***
psex2 0.144669 0.055140 2.624 0.00891 **
tb 0.019818 0.009342 2.121 0.03429 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.9997, Adjusted R-squared: 0.9997
F-statistic: 4.788e+05 on 4 and 621 DF, p-value: < 2.2e-16
> mypsex <- lm(formula = temp ~ psex+bgrp+tb-1, data = mydat)
> mypsex
Call:
lm(formula = temp ~ psex + bgrp + tb - 1, data = mydat)
Coefficients:
psex1 psex2 bgrp2 tb
37.72592 37.87059 0.25679 0.01982
> summary(mypsex)
Call:
lm(formula = temp ~ psex + bgrp + tb - 1, data = mydat)
Residuals:
Min 1Q Median 3Q Max
-5.6877 -0.2454 0.0768 0.3916 1.6561
Coefficients:
Estimate Std. Error t value Pr(>|t|)
psex1 37.725922 0.135486 278.449 < 2e-16 ***
psex2 37.870591 0.135908 278.649 < 2e-16 ***
bgrp2 0.256794 0.066167 3.881 0.000115 ***
tb 0.019818 0.009342 2.121 0.034287 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.6888 on 621 degrees of freedom
(5 observations deleted due to missingness)
Multiple R-squared: 0.9997, Adjusted R-squared: 0.9997
F-statistic: 4.788e+05 on 4 and 621 DF, p-value: < 2.2e-16
ありがとう！