Nania R-Way Isofix 15-36 — avtobaby

Skip to main content

В Вашем браузере отключена поддержка JavaScript. Сайт может отображаться некорректно и/или некоторые функции могут быть недоступны. Рекомендуем включить JavaScript.

В Вашем браузере отключена поддержка Cookie. Сайт может отображаться некорректно и/или некоторые функции могут быть недоступны. Рекомендуем включить Cookie.

  1. Главная
  2. Автокресла
  3. Nania (Франция)
  4. Nania R-Way Isofix 15-36

Новинка

dc45c3778a1c11eb9889e0cb4e24e45f_dc45c3788a1c11eb9889e0cb4e24e45f

4409956

4409956 (6)

4409956 (5)

4409956 (4)

4409956 (3)

4409956 (2)

4409956 (1)

London

12 130 Руб8 890 Руб

Производитель
Nania
Группа
2/3 (15-36 кг, 3 года-12 лет)

Рассрочка 0% от Почта Банк

Условия оформления Купить в рассрочку

Извините, такой товар недоступен. Пожалуйста, выберите другую комбинацию.»>12 130 Руб8 890 Руб

Нет в наличии

Оплата и доставка (на заказ) Оплата и доставка (в наличии)

Выберите Цвет:

Цвет… London

Автокресло Nania R-Way Isofix 15-36 группы 2/3 предназначено для детей весом от 15 до 36 кг, приблизительный возраст от 3 до 12 лет. Автокресло устанавливается лицом по ходу движения при помощи системы Isofix и 3-точечных ремней автомобиля. Ребенок пристегивается штатными ремнями автомобиля вместе с креслом. Основа кресла изготовлена с учетом анатомии ребенка, широкий регулируемый подголовник, мягкая обивка и подлокотники созданы для комфорта и безопасности маленького пассажира. Подголовник с усиленной боковой защитой обеспечивает безопасность ребенка даже в случае бокового удара. Вся обивка автокресла снимается и может быть постирана в стиральной машине.


Модель R-Way Isofix прошла тестирование ADAC и получила рекомендации к использованию. Соответствует стандартам безопасности ECE R44/04.

Характеристики:

  • Группа: 2/3
  • Нагрузка на автокресло, кг: 15-36 кг
  • Установка: лицом вперед
  • Тип крепления автокресла: Isofix
  • Регулировки коляски: регулируемый подголовник
  • Материал: ABS пластик, Сталь, Полипропилен, Поликарбонат, Полиэстер
  • Стандарты безопасности: ADAC, Стандарт ECE R44/04
  • Рекомендуемый возраст: от 3 до 12 лет
  • Вес автокресла, кг: 7.9

Руководство пользователя Beta Three R6 R Series 4×6 3 Way Full Range Medium Line Array System

R6
Серия R 4×6″ 3-ходовая полная
Система линейного массива средней дальности
Руководство пользователя

ПРАВИЛА ТЕХНИКИ БЕЗОПАСНОСТИ

ПОЖАЛУЙСТА, ПРОЧИТАЙТЕ ЭТО РУКОВОДСТВО СНАЧАЛА
Спасибо за покупку продукта β₃. Сначала прочтите это руководство, так как оно поможет вам правильно управлять системой. Сохраните это руководство для дальнейшего использования.

ПРЕДУПРЕЖДЕНИЕ: Этот продукт должен быть установлен профессионалами. При использовании подвесных кронштейнов или подвесов, отличных от тех, которые поставляются вместе с продуктом, убедитесь, что они соответствуют местным правилам техники безопасности.

ВНИМАНИЕ!

ОПАСНОСТЬ ПОРАЖЕНИЯ ЭЛЕКТРИЧЕСКИМ ТОКОМ. НЕ ОТКРЫВАТЬ.

ВНИМАНИЕ: ВО ИЗБЕЖАНИЕ ПОРАЖЕНИЯ ЭЛЕКТРИЧЕСКИМ ТОКОМ НЕ СНИМАЙТЕ КРЫШКУ (ИЛИ ЗАДНЮЮ ПАНЕЛЬ). ВНУТРИ НЕТ ЧАСТЕЙ, ОБСЛУЖИВАЕМЫХ ПОЛЬЗОВАТЕЛЕМ. ОБРАТИТЕСЬ ПО ОБСЛУЖИВАНИЮ К КВАЛИФИЦИРОВАННОМУ ПЕРСОНАЛУ.

Восклицательный знак в равностороннем треугольнике предупреждает о наличии важных инструкций по эксплуатации и обслуживанию.
ВНИМАНИЕ: Не устанавливайте систему или запасные части без разрешения, так как это приведет к аннулированию гарантии.
ПРЕДУПРЕЖДЕНИЕ: Не размещайте открытое пламя (например, свечи) рядом с оборудованием.

  1. Прежде чем использовать этот продукт, прочтите инструкцию по эксплуатации.
  2. Сохраните это руководство для использования в будущем.
  3. Обратите внимание на все предупреждения.
  4. Соблюдайте все инструкции по эксплуатации.
  5. Не подвергайте этот продукт воздействию дождя или влаги.
  6. Протрите это оборудование сухой тканью.
  7. Не закрывайте вентиляционные отверстия. Устанавливайте в соответствии с инструкциями производителя.
  8. Не устанавливайте данное изделие рядом с любыми источниками тепла, такими как обогреватель, горелка или любое другое оборудование, излучающее тепло.
  9. Используйте только запасные части, поставляемые производителем.
  10. Обратите внимание на символы безопасности на внешней стороне крышки.

Информация о продукте обновляется без уведомления, пожалуйста, посетите www.elderaudio.com для последнего обновления.

ВНЕДРЕНИЕ ПРОДУКЦИИ

R6
4×6″ 3-полосная полнодиапазонная система среднего линейного массива

Основные особенности

  • Сочетает в себе два 6-дюймовых НЧ-динамика, один 6-дюймовый СЧ-динамик и один ВЧ-динамик 155 ременного типа.
  • Частотная характеристика 50 Гц 20 кГц (-3 дБ).
  • Чувствительность 98 дБ, максимальное звуковое давление 116 дБ.
  • Среднеквадратичная мощность 140 Вт Пиковая мощность 560 Вт.
  • Система имеет Т-образную структуру и уникальные разъемы для подключения, что обеспечивает хорошую безопасность. Скорректированный объем шкафа 5°.
  • В шкафу используются новые краски и передовые методы распыления, которые значительно повышают сопротивление поверхности.
  • Звук у R6 полный и чистый без каких-либо компромиссов по массе.
  • Трехполосная полнодиапазонная колонка R6 с 4 драйверами.

Описание товара:

Будучи средне-широкополосным громкоговорителем в серии линейных массивов, p 3 R6 состоит из двух 6-дюймовых НЧ, одного 6-дюймового СЧ и одного ленточного ВЧ-динамика 155×65. В драйвере НЧ используются звуковые катушки диаметром 50 мм с частотой кроссовера 1 кГц. В драйвере MF используется звуковая катушка диаметром 38 мм, а частота кроссовера установлена ​​на 38 мм. А ленточный ВЧ-драйвер работает в диапазоне 3–30 кГц. Перекрестные частоты динамика выставлены разумно. А внутренняя структура трехполосного драйвера освобождает динамик от собственных помех.
В шкафу используются новые краски и передовые методы распыления. форма корпуса и уникальные монтажные винты обеспечивают высокую безопасность. Регулируемая скорость шкафа 5.
С регулировкой угла может легко справиться один человек. Дисперсия R6 составляет 120° x 30°. И если более 4-х штук R6 скомпонованы вместе, вертикальный рассеивание может
быть 90° x 10° с большим расстоянием передачи.
В низкочастотном динамике круглый медный провод в звуковой катушке большой мощности диаметром 50 мм и кронштейн TIL повышают интенсивность и долговечность звуковой катушки. В динамике MF используется плоский алюминиевый провод для повышения чувствительности.
Среднеквадратическая мощность R6 может достигать 140 Вт, а пиковая мощность может достигать 560 Вт. На эффективных частотах чувствительность одной акустической системы может достигать 95 дБ.
Конструкция с параллельным магнитопроводом позволяет максимально уменьшить нечетную гармонику в НЧ-динамике.
Корпус R6 изготовлен из фанеры толщиной 15мм с сопротивлением растяжению до 3300Н. Клиновидная конструкция освобождает шкаф от любых гвоздей. Краска на поверхности имеет высокую стойкость к истиранию. Конструкция методов крепления настолько разумна, что может освободить шкаф от внешней силы. А тяговое сопротивление такелажной фурнитуры в 7 раз выше требуемой. (45000Н)
Благодаря материалу Q235 и методам порошкового напыления решетка R6 обладает высокой интенсивностью и высокой устойчивостью к соляному туману. В атмосфере 5% гидроксида натрия имеет продолжительность стойкости к солевому туману 96 часов. При фактическом применении он может оставаться без ржавчины в течение 5 лет. Внутренняя сторона гриля покрыта хлопком для защиты от дождя.
R6 в основном предназначен для максимального снижения помех и улучшения качества звука. В R6 мы полностью соблюдаем шаблоны проектирования линейных массивов. Когда длина такелажа достигает 7 метров, система может удовлетворить требования по усилению системы линейного массива, особенно для человеческого голоса. Звуковые характеристики R6 можно определить как «чистый полный и без каких-либо компромиссов по массовости».
Известный ленточный ВЧ-драйвер имеет отличные характеристики на высоких частотах, которые могут достигать 30 кГц. Он может полностью удовлетворить потребности людей в высокочастотном звуке.
R6 в основном применяется в конференц-залах, больших многофункциональных залах, аудиториях, церквях и мобильных представлениях.

Приложения

  • Многофункциональный зал
  • зрительный зал
  • Место религии
  • Все виды живых выступлений
  • Зал собраний

Два разъема NL4 доступны для ampлитерные соединения. Параллельный разъем очень удобен для подключения еще одного динамика.
Speakon

Соединение проводки NL4
  1. Поисковик
  2. Отключить

Справочник по подключению системы

Внимание! Пожалуйста, убедитесь, что импеданс динамика и полярность соответствуют ampспасатели.

МОНТАЖ

Руководство по установке

  1. Откройте пакет; выньте R6, R12 и аксессуары.
  2. Установите четыре U-образных кольца в одну раму.
  3. Снимите болт с шаровой защелкой с тянущей пластины R6 и вставьте стопорный штифт тянущей пластины R12 в прорезь тянущей пластины R6 отверстиями друг против друга, а болт с шаровой защелкой назад.
  4. Вставьте шатун в заднюю часть R6 и прорезь для регулировки угла R12 в нижней части и отрегулируйте угол в соответствии с практическими потребностями.
  5. Установите один или несколько комплектов R6 последовательно на нижнюю часть предыдущего R6.

Внимание! При установке убедитесь, что коэффициент безопасности монтажных принадлежностей не менее 5:1 или соответствует местному стандарту.

Способ регулировки угла:
Когда угол отверстия по отношению к отверстию шатуна равен 0, вставьте болт, а вертикальный угол привязки двух шкафов равен 0°. о

  1. Применение среднемасштабного точечного источника звука
  2. Применение крупномасштабного точечного источника звука

Особенности покрытия системы линейного массива

Внимание! Всегда следите за тем, чтобы коэффициент безопасности монтажных принадлежностей был не менее 5:1 или чтобы они соответствовали местным стандартам.

СХЕМА ПОДКЛЮЧЕНИЯ

Схема подключения линейного массива
R6 имеет встроенный кроссовер. С уравновешенной мощностью ampЕсли подключить Lifier к контроллеру DSP и установить точку частоты на 160 Гц, он может нормально работать.

Характеристики

Продукт:Полнодиапазонный динамик с пассивным покрытием из дерева
Средне-высокий драйвер:1 X6.5″ СЧ-драйвер + ленточный ВЧ-драйвер
Драйвер LF:2 х 6.5-дюймовых низкочастотных динамика
Частотная характеристика (-3 дБ)50Hz-20kHz
Частотная характеристика (-10 дБ):40Hz-20kHz
Чувствительность ([электронная почта защищена] m)?.95dB
Максимум. Уровень звукового давления (1 м) 3116 дБ/122 дБ (ПИК)
Мощность:140 Вт (RMS)4 280 Вт (МУЗЫКА) 500 Вт (ПИК)
Угол рассеивания (ГxВ):120° х 30°
Номинальное сопротивление:8 Ом
Кабинет:Трапециевидный шкаф, фанера 15мм
Установка:3-х точечный подвес
Краска:Окраска на основе полиуретана. Стальная решетка покрыта порошком для

обеспечивают сильную ультра-атмосферостойкость

Разъем:НЛ4 Х2
Размер (ШхГхВ):730 х 363 х 174 мм (28.7 х 14.3 х 6.9 дюйма)
Размер упаковки (ШхГхВ):840 х 260 х 510 мм (33.1 х 10.2 х 20.1 дюйма)
Вес нетто:17 кг (37.4 фунта)
Вес брутто:19 кг (41.8 фунта)
ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ

Метод тестирования динамиков

  1. Частотный отклик
    Используйте розовый шум для проверки динамика в безэховой камере, отрегулируйте уровень, чтобы динамик работал с номинальным импедансом, и установите выходную мощность на 1 Вт, затем проверьте частотную характеристику на расстоянии 1 м от динамика.
  2. чувствительность
    Используйте полнодиапазонный розовый шум, который был модифицирован с помощью кривой эквалайзера, чтобы проверить динамик в безэховой камере, увеличив сигнал, чтобы заставить динамик работать с номинальным импедансом, и установите выходную мощность на 1 Вт, затем проверьте чувствительность на расстоянии 1 м от динамик.
  3. МАКС.УЗД
    Используйте полнодиапазонный розовый шум, который был модифицирован с помощью кривой эквалайзера, чтобы протестировать динамик в безэховой камере, увеличьте сигнал, чтобы динамик работал на максимальном уровне выходной мощности, затем проверьте SPL1m вдали от динамика.
  4. Номинальная мощность
    Используйте розовый шум в соответствии со стандартом IEC # 268-5 для тестирования динамика и увеличивайте сигнал в течение непрерывного периода в 100 часов. Номинальная мощность — это мощность, при которой динамик не будет иметь видимых или измеримых повреждений.

Технические характеристики

Размеры

report this ad

Ноты:

www.beta3pro.com

Документы / Ресурсы

Опубликовано вБета ТриТеги: Бета Три, R Series 4×6 3-полосная полнодиапазонная система среднего линейного массива, R6

Пример однофакторного дисперсионного анализа в R-Quick Guide

[Эта статья была впервые опубликована на datasciencetut. com и любезно предоставлена ​​R-блогерами]. (Вы можете сообщить о проблеме с содержанием на этой странице здесь)


Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.

The post Пример однофакторного дисперсионного анализа в R-Quick Guide впервые появился на

Пример однофакторного дисперсионного анализа в R, однофакторный дисперсионный анализ (ANOVA), также известный как однофакторный дисперсионный анализ, является расширением независимый двухвыборочный t-критерий для сравнения средних, когда присутствует более двух групп.

Данные разделены на многочисленные группы с использованием одной единственной группирующей переменной в однофакторном дисперсионном анализе (также называемой факторной переменной).

В этом уроке описывается основная предпосылка одностороннего теста ANOVA, который также включает практические примеры теста ANOVA в программном обеспечении R.

Гипотезы для тестов ANOVA:

Нулевая гипотеза состоит в том, что средние значения различных групп идентичны.

Альтернативная гипотеза: по крайней мере одно среднее значение выборки отличается от остальных.

Вы можете использовать t-критерий, если у вас всего две группы. В этом сценарии F-тест и t-тест эквивалентны.

В этом разделе описан тест ANOVA.

Тест ANOVA можно использовать только тогда, когда наблюдения собираются отдельно и случайным образом из совокупности, описываемой уровнями факторов.

Данные каждого уровня фактора нормально распределены.

Дисперсия в этих типичных популяциях аналогична. (Это можно проверить с помощью теста Левена.)

Что такое однофакторный дисперсионный анализ?

Предположим, у нас есть три группы для сравнения (A, B и C):

Вычислите общую дисперсию, часто известную как остаточная дисперсия или дисперсия внутри выборки (S2within).

Рассчитайте разницу средних значений выборки следующим образом:

Рассчитайте среднее значение для каждой группы.

Рассчитайте разницу выборочных средних (S2между)

Как отношение S2между/S2внутри, рассчитайте F-статистику.

Обратите внимание, что более низкое отношение (отношение 1) предполагает, что средние значения сравниваемых выборок существенно не различаются.

С другой стороны, большее отношение указывает на то, что различия в средних групповых значениях значительны.

Визуализируйте свои данные в R и выполните однофакторный дисперсионный анализ.

Мы будем использовать набор данных PlantGrowth, поставляемый с R. Он обеспечивает вес растений, выращенных при двух различных условиях обработки и контрольных условиях.

 data <- PlantGrowth 

Мы используем образец функции n() [в пакете dplyr], чтобы понять, как выглядят данные.

Функция sample n() выводит случайный выбор наблюдений из фрейма данных:

Для отображения выборки случайным образом

 set.seed(123)
dplyr::sample_n(данные, 10)
весовая группа
1    5,87  тр1
2    4. 32  тр1
3    3,59  тр1
4    5.18  Ctrl
5    5.14  Ctrl
6    4,89  тр1
7    5.12  тр2
8    4,81  тр1
9    4,50  Ctrl
10   4.69  trt1 

Столбец «группа» известен как фактор в R, а различные категории («ctr», «trt1», «trt2») известны как уровни факторов. Уровни перечислены в алфавитном порядке.

 уровней (группа данных $)
[1] "ctrl" "trt1" "trt2" 

Если уровни автоматически не расположены в правильном порядке, измените их порядок следующим образом:

 data$group <- order(data$group,
level = c("ctrl", "trt1", "trt2")) 

Пакет dplyr можно использовать для вычисления сводной статистики (среднее и стандартное отклонение) по группам.

Расчет сводной статистики по группам – количество, среднее значение и стандартное отклонение:

 библиотека (dplyr)
group_by(данные, группа) %>%
подвести итог(
количество = n(),
среднее = среднее (вес, na.rm = TRUE),
sd = sd(вес, na.rm = ИСТИНА)
)
количество групп  среднее     sd
   
1 Ctrl     10  5,03 0,583
2 тр1     10  4,66 0,794
3 trt2     10  5,53 0,443 

Визуализируйте свою информацию

Прочтите базовые графики R, чтобы узнать, как их использовать. Для простой визуализации данных на основе ggplot2 мы будем использовать инструмент ggpubr R.

Лучший онлайн-курс по программированию на R

 install.packages("ggpubr") 

Визуализируйте свои данные с помощью библиотеки ggpubr:

("ggpubr")
ggboxplot(данные, x = "группа", y = "вес",
цвет = «группа», палитра = c («# 00AFBB», «# E7B800», «# FC4E07»),
порядок = с ("ctrl", "trt1", "trt2"),
ylab = "Вес", xlab = "Лечение") 

Однофакторный дисперсионный анализ в R

Добавить планки погрешностей: mean_se

 library("ggpubr")
ggline(данные, x = "группа", y = "вес",
добавить = c ("среднее значение", "джиттер"),
порядок = с ("ctrl", "trt1", "trt2"),
ylab = «Вес», xlab = «Лечение») 

Однофакторный дисперсионный анализ R

Введите следующие сценарии, если вы все еще хотите использовать базовые графики R:

 boxplot(вес ~ группа, данные = данные,
xlab = "Лечение", ylab = "Вес",
кадр = ЛОЖЬ, столбец = c("#00AFBB", "#E7B800", "#FC4E07")) 

Для сюжетных средств

 библиотека ("gplots")
plotmeans(вес ~ группа, данные = данные, кадр = ЛОЖЬ,
xlab = "Лечение", ylab = "Вес",
main="Средний график с доверительным интервалом 95 %") 

Вычислите односторонний тест ANOVA.

Мы хотим увидеть, значительно ли различаются средние веса растений в трех экспериментальных условиях.

На этот вопрос можно ответить, используя функцию R aov(). Резюме функции Анализ модели дисперсии суммируется с помощью aov().

Провести дисперсионный анализ.

 res.aov <- aov(вес ~ группа, данные = данные) 

Сводка анализа

 сводка(res.aov)
Df Сумма Sq Среднее значение Sq F Pr(>F)
группа        2  3,766  1,8832   4,846 0,0159 *
Остатки 27 10,492 0,3886
---
Сигн. коды: 0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0.1 ' ' 1 

Значение столбцов F и Pr(>F) в выходных данных, соответствующих p-значению теста.

Результаты однофакторного ANOVA следует интерпретировать.

Мы можем заключить, что существуют значительные различия между группами, выделенными знаком «*» в сводке модели, поскольку значение p меньше уровня значимости 0,05.

Множественные попарные сравнения между средними группами

Значимое значение p означает, что некоторые из средних групп различаются в однофакторном тесте ANOVA, но мы не знаем, какие пары групп различаются.

Можно выполнить несколько парных сравнений, чтобы увидеть, являются ли средние различия между определенными парами групп статистически значимыми.

Множественные попарные сравнения Тьюки

Мы можем вычислить HSD Тьюки (Честные значимые различия Тьюки, функция R: TukeyHSD()) для выполнения многочисленных парных сравнений между средними группами, поскольку тест ANOVA является значимым.

Подогнанный дисперсионный анализ передается в TukeyHD() в качестве входных данных.

 TukeyHSD(res.aov) 

Множественные сравнения средних значений по Tukey

     95% доверительный уровень для всей семьи
Соответствие: aov (формула = вес ~ группа, данные = данные)
$ группа
diff        lwr       upr     p прил.
trt1-ctrl -0,371 -1,0622161 0,3202161 0,3908711
trt2-ctrl 0,494 -0,1972161 1,1852161 0,1979960
trt2-trt1 0,865 0,1737839 1,5562161 0,0120064 

lwr, upr: нижняя и верхняя конечные точки доверительного интервала при 95 процентах (по умолчанию) p adj: p-значение после корректировки множественных сравнений.

Значима только разница между trt2 и trt1, как показано в выходных данных со скорректированным значением p, равным 0,012.

С помощью пакета multcomp выполните несколько сравнений.

Функцию glht() [в пакете multcomp] можно использовать для выполнения нескольких процессов сравнения для ANOVA. Общие проверки линейных гипотез сокращенно обозначаются как glht. Ниже приведен упрощенный формат:

 библиотека (multcomp) 

glht (модель, lincft)

модель: подогнанная модель, например объект, возвращаемый aov().

lincft() определяет линейные гипотезы, которые будут проверяться. Объекты, предоставляемые функцией mcp, используются для указания множественных сравнений в моделях ANOVA ().

Для одностороннего дисперсионного анализа используйте glht() для выполнения многочисленных попарных сравнений:

 библиотека (multcomp)
резюме (glht (res.aov, linfct = mcp (group = "Tukey")))
Одновременные проверки общих линейных гипотез
Множественные сравнения средних значений: контрасты Тьюки
Подгонка: aov(формула = вес ~ группа, данные = мои_данные)
Линейные гипотезы:
Оценка стд.  Значение ошибки t Pr(>|t|)
trt1 - ctrl == 0 -0,3710     0,2788 -1,331    0,391
trt2 - ctrl == 0   0,4940     0,2788   1,772    0,198
trt2 - trt1 == 0   0,8650     0,2788   3,103    0,012 *
---
Сигн. коды: 0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0,1 '' 1
(Сообщаются скорректированные значения p -- одношаговый метод) 
Т-критерий с парами

Попарные сравнения между уровнями групп с различными поправками тестирования также могут быть рассчитаны с использованием функцииpairewise.t.test().

 попарно.t.тест(данные$вес, данные$группа
p.adjust.method = "ЧД") 

Попарные сравнения с использованием t-тестов с объединенными стандартными отклонениями

 данные: data$weight и data$group
ctrl trt1
тр1 0,194 -
тр2 0,132 0,013
Метод корректировки значения P: BH 

Результатом является таблица попарных сравнений p-значений. В этом случае для изменения p-значений использовался метод Бенджамини-Хохберга.

Необходимо проверить достоверность предположений ANOVA.

Тест ANOVA предполагает, что данные распределены нормально, а групповая дисперсия однородна. С помощью определенных диагностических графиков мы можем это проверить.

Проверить предположение об однородности дисперсии.

График остатков по сравнению с совпадениями можно использовать для оценки однородности дисперсии.

На приведенном ниже графике нет четкой корреляции между остатками и подобранными значениями (среднее значение каждой группы), что хорошо. В результате можно считать, что дисперсии однородны.

1: Однородность дисперсии

 plot(res.aov, 1) 

Дисперсионный анализ (односторонний) В точках R 17, 15, 4 обнаружены выбросы, которые могут оказать существенное влияние на нормальность и однородность дисперсии .

Чтобы выполнить допущения теста, может быть полезно удалить выбросы.

Однородность дисперсий также можно проверить с помощью тестов Бартлетта или Левена.

Рекомендуется использовать тест Левена, поскольку он менее чувствителен к отклонениям от нормального распределения. Будет использован метод leveneTest() [из пакета car]: библиотека

(car)
leveneTest(вес ~ группа, данные = данные) 

Критерий однородности дисперсии Левена (центр = медиана)

       Значение Df F Pr(>F)
группа 2 1,1192 0,3412
27               

Значение p не ниже уровня значимости 0,05, как показано в выходных данных выше. Это указывает на то, что нет признаков того, что дисперсия между группами является статистически значимой.

В результате мы можем сделать вывод, что вариации в различных группах лечения однородны.

Ослабление предположения об однородности дисперсии

Традиционный односторонний тест ANOVA предполагает, что все группы имеют одинаковые дисперсии. Предположение об однородности дисперсии в нашем случае было удовлетворительным: тест Левена не был значимым.

В случае, когда предположение об однородности дисперсии нарушается, как сохранить наш тест ANOVA?

Альтернативный подход (например, односторонний тест Уэлча), который не требует использования допущений в односторонней функции. тест().

Тест ANOVA без допущения о равной дисперсии

 oneway.test(вес ~ группа, данные = данные) 

однофакторный анализ средних значений (без предположения о равных дисперсиях)

 данные: вес и группа
F = 5,181, число df = 2,000, число df = 17,128, значение p = 0,01739

Парные t-критерии без предположения о равных дисперсиях

p.adjust.method = "BH", pool.sd = FALSE) 

Попарные сравнения с использованием t-тестов с не объединенными SD

 данные: data$weight и data$group
ctrl trt1
тр1 0,250 -
тр2 0,072 0,028
Метод корректировки значения P: BH 

Проверить презумпцию нормальности.

График нормальности остатков Квантиль остатков отображается в сравнении с квантилями нормального распределения на графике ниже. Также нанесена опорная линия под углом 45 градусов.

График нормальной вероятности остатков используется для проверки нормального распределения остатков. Это должно быть примерно по прямой линии.

2: Нормальность

 plot(res.aov, 2) 

Дисперсионный анализ (односторонний) Критерий на основе R

Мы можем сделать вывод о нормальности, поскольку все точки лежат примерно вдоль этой опорной линии.

Извлечь остатки

 aov_residuals <-остатки(object = res.aov ) 

Выполнить тест Шапиро-Уилка

Тест нормальности Шапиро-Уилка

 shapiro.test(x = aov_residuals )
данные:  aov_residuals
W = 0,96607, p-значение = 0,4379 

Критерий Шапиро-Уилка по остаткам ANOVA (W = 0,96, p = 0,43), который не обнаруживает признаков нарушения нормальности, подтверждает предыдущий вывод.

Критерий дисперсионного анализа с непараметрической альтернативой

Критерий суммы рангов Крускала-Уоллиса представляет собой непараметрическую альтернативу однофакторному дисперсионному анализу, который можно использовать, когда допущения дисперсионного анализа не выполняются.

 kruskal. test(вес ~ группа, данные = данные) 

критерий суммы рангов Краскела-Уоллиса

 данные: вес по группам
Хи-квадрат Крускала-Уоллиса = 7,9882, df = 2, значение p = 0,01842 

К оставьте комментарий для автора, перейдите по ссылке и прокомментируйте их блог: datasciencetut.com .


R-bloggers.com предлагает ежедневных обновления по электронной почте о новостях R и руководствах по изучению R и многим другим темам. Нажмите здесь, если вы хотите опубликовать или найти работу R/data-science.


Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.

Пример двухфакторного дисперсионного анализа в R-Quick Guide

[Эта статья была впервые опубликована на datasciencetut.com и любезно предоставлена ​​R-блогерами]. (Вы можете сообщить о проблеме с содержанием на этой странице здесь)


Хотите поделиться своим контентом с R-блогерами? нажмите здесь, если у вас есть блог, или здесь, если у вас его нет.

Пример двухфакторного дисперсионного анализа после публикации в R-Quick Guide впервые появился в

Пример двухфакторного дисперсионного анализа в R, тест двухфакторного дисперсионного анализа используется для сравнения влияния двух группирующих переменных (A и B) одновременно с переменной ответа.

Факторы — это другое название для группировки переменных. Уровни — это несколько категорий (групп) компонента. Количество уровней варьируется в зависимости от элемента.

Сбалансированный план имеет место, когда размеры выборки в ячейках равны. В этом случае можно использовать обычный двухфакторный тест ANOVA.

К тесту ANOVA следует относиться по-разному, если размеры выборки на каждом уровне независимых переменных неодинаковы (пример несбалансированных планов).

В этой статье показано, как использовать программное обеспечение R для расчета двухфакторных тестов ANOVA для сбалансированных и несбалансированных планов.

Нет никакой разницы в средних значениях фактора А.

Нет никакой разницы в средних значениях фактора B.

Факторы А и В никак не взаимодействуют.

Альтернативная гипотеза для примеров 1 и 2 состоит в том, что средние значения не равны.

Альтернативная гипотеза для сценария 3 состоит в том, что A и B взаимодействуют.

Предположения теста двухфакторного дисперсионного анализа

Как и все тесты дисперсионного анализа, двухфакторный дисперсионный анализ предполагает, что наблюдения в каждой ячейке нормально распределены с равными дисперсиями.

После подгонки ANOVA мы научим вас перепроверять эти предположения.

В R создайте двухфакторный тест ANOVA с использованием сбалансированных планов

Когда у нас есть одинаковые размеры выборки в пределах уровней наших независимых уровней группировки, мы называем это сбалансированным планом.

Для этого мы будем использовать встроенный набор данных R ToothGrowth. Он включает информацию из исследования влияния витамина С на рост зубов у морских свинок.

В исследовании приняли участие 60 свиней, которым давали один из трех уровней дозы витамина С (0,5, 1 или 2 мг/день) одним из двух способов введения (апельсиновый сок или аскорбиновая кислота) (форма витамина С, кодируемая как ВК).

Ниже представлена ​​выборка данных, включая измерения длины зуба.

 data <- ToothGrowth 

Мы используем функцию sample n() [в пакете dplyr] для отображения случайной выборки данных, чтобы получить представление о том, как эти данные выглядят. Сначала установите dplyr, если у вас его еще нет.

 install.packages("dplyr") 

Показать случайный образец

 set.seed(123)
dplyr::sample_n(данные, 5)
лен супп доза
1 15,2   ОЖ  0,5
2 22,5 ВК 1,0
3 25,5   ОЖ  2,0
4 17,3   ВК  1,0
5  7,3   ВК 0,5 

Проверить структуру

 стр(данные)
'data. frame':      60 набл. из 3 переменных:
$ len : число 4,2 11,5 7,3 5,8 6,4 10 11,2 11,2 5,2 7 ...
$ supp: Фактор с 2 уровнями "OJ","VC": 2 2 2 2 2 2 2 2 2 2 ...
$doze: num  0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 ... 

R рассматривает «дозу» как числовую переменную на основе выходных данных. Далее мы преобразуем его в факторную переменную (т. е. группирующую переменную).

Перекодируйте уровни после преобразования дозы в фактор.

 данные$доза <- фактор(данные$доза,
уровни = с (0,5, 1, 2),
метки = c("D0.5", "D1", "D2"))
ул(данные)
data.frame':       60 набл. из 3 переменных:
$ len : число 4,2 11,5 7,3 5,8 6,4 10 11,2 11,2 5,2 7 ...
$ supp: Фактор с 2 уровнями "OJ","VC": 2 2 2 2 2 2 2 2 2 2 ...
$ доза: Фактор с 3 уровнями «D0.5», «D1», «D2»: 1 1 1 1 1 1 1 1 1 1 .. 

Вопрос: Изменяется ли длина зуба в зависимости от дозы и дозы?

Составление частотных таблиц по:

 таблица(данные$supp,данные$доза)
Д0,5 Д1 Д2
ОЖ   10 10 10
VC   10 10 10 

У нас есть 2 X 3 проектных ячейки, в каждой по 10 человек, а также факторы поддержки и дозы. У нас хорошо сбалансированный дизайн.

Поскольку это самая простая ситуация, в следующих разделах мы покажем, как анализировать данные сбалансированных планов.

Визуализируйте свою информацию

Для отображения групповых различий можно использовать ящичковые и линейные диаграммы:

Чтобы визуализировать данные, сгруппированные по уровням двух факторов, используйте ящичковую диаграмму.

Среднее значение (или другая сводка) ответа для двусторонних комбинаций факторов отображается на графике двустороннего взаимодействия с указанием возможных взаимодействий.

Прочтите базовые графы R, чтобы узнать, как их использовать. Для простой визуализации данных на основе ggplot2 мы будем использовать инструмент ggpubr R.

 install.packages("ggpubr") 

Визуализируйте свои данные с помощью ggpubr:

Постройте длину зубца ("len") по группам ("dose")

Диаграмму цветной рамки по второй группе: "supp"

 библиотека("ggpubr")
ggboxplot(данные, x = "доза", y = "len", color = "supp",
палитра = c("#00AFBB", "#E7B800")) 

Добавить полосы ошибок: mean_se

 библиотека("ggpubr")
ggline(данные, x = "доза", y = "len", color = "supp",
добавить = c ("среднее значение", "точечный график"),
Palette = c("#00AFBB", "#E7B800")) 

Введите следующие скрипты, если вы все еще хотите использовать базовые графики R:

Блочная диаграмма с двумя переменными факторами , данные=данные, кадр = ЛОЖЬ, col = c("#00AFBB", "#E7B800"), ylab="Длина зуба")

График двустороннего взаимодействия

interaction. plot(x.factor = data$dose, trace.factor = data$supp,
ответ = данные $ len, удовольствие = среднее значение,
тип = "б", легенда = ИСТИНА,
xlab = "Доза", ylab="Длина зуба",
pch=c(1,19), col = c("#00AFBB", "#E7B800")) 
Вычислить двухфакторный дисперсионный анализ

Нам любопытно, влияет ли на длину зуба супп и доза.

На этот вопрос можно ответить, используя функцию R aov(). Резюме функции Анализ модели дисперсии суммируется с помощью aov().

 res.aov2 <- aov(len ~ супп + доза, данные = данные)
резюме (res.aov2)
Df Сумма Sq Среднее значение Sq F Pr(>F)
супп         1  205,4   205,4   11,45   0,0013 **
доза         1 2224,3  2224,3  123,99 6,31e-16 ***
Остатки   57 1022,6    17,9
---
Сигн. коды: 0 ‘***’ 0,001 ‘**’ 0,01 ‘*’ 0,05 ‘.’ 0,1 ‘ ’ 1 ---
Сигн. коды: 0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0.1 ' ' 1 

Значение столбцов F и Pr(>F) в выходных данных, соответствующих p-значению теста.

Из таблицы дисперсионного анализа можно сделать вывод, что как супп, так и доза являются статистически значимыми. Наиболее важным фактором является дозировка.

Эти данные позволили нам предположить, что изменение метода родоразрешения (суп) или дозы витамина С будет иметь большое влияние на среднюю длину зуба.

Подогнанная выше модель не называется аддитивной моделью. Предположительно предполагается, что двухфакторные переменные не связаны между собой.

Замените символ плюса (+) звездочкой (*), если вы считаете, что эти две переменные будут взаимодействовать, создавая синергетический эффект.

 res.aov3 <- aov(len ~ супп * доза, данные = данные)
резюме (res.aov3)
Df Сумма Sq Среднее значение Sq F Pr(>F)
супп         1  205,4   205,4  12,317 0,000894 ***
доза         1 2224,3  2224,3 133,415  < 2e-16 ***
супп:доза    1   88,9    88,9   5,333 0,024631 *
Остатки   56  933,6    16,7
---
Сигн. коды: 0 ‘***’ 0,001 ‘**’ 0,01 ‘*’ 0,05 ‘.’ 0,1 ‘ ’ 1 

Два основных эффекта (добавка и доза), а также их взаимодействие статистически значимы.

В ситуациях, когда взаимодействие незначительно, следует использовать аддитивную модель.

Интерпретация результатов

На основании p-значений и уровня значимости 0,05 из результатов ANOVA можно сделать следующие выводы:

Supp имеет p-значение

Значение p дозы

Взаимодействие между супп*доза имеет р-значение 0,02 (значимо), что указывает на то, что на связь между дозой и длиной зуба влияет метод супп.

Сделать несколько сводных статистических данных.

Используя пакет dplyr R, вычислите среднее значение и стандартное отклонение по группам:

 require("dplyr")
group_by(данные, поддержка, доза) %>%
подвести итог(
количество = n(),
среднее = среднее (длина, na.rm = ИСТИНА),
sd = sd(len, na.rm = ИСТИНА)
)
супп   подсчет дозы  среднее    sd
    
1 ОЖ      0,5    10 13,2   4,46
2 ОЖ      1      10 22,7   3,91
3 ОЖ      2      10 26,1   2,66
4 ВК      0,5    10  7,98  2,75
5 ВК      1      10 16,8   2,52
6 ВК      2      10 26,1   4,80 

Множественные парные сравнения между средними группами

Значимое значение p в тесте ANOVA показывает, что некоторые из средних групп различаются, но мы не знаем, какие пары групп различаются.

Можно выполнить несколько парных сравнений, чтобы увидеть, являются ли средние различия между определенными парами групп статистически значимыми.

Множественные попарные сравнения Тьюки

Мы можем вычислить HSD Тьюки (Честные значимые различия Тьюки, функция R: TukeyHSD()) для выполнения многочисленных попарных сравнений между средними группами, поскольку тест ANOVA является значимым.

Подогнанный дисперсионный анализ передается в TukeyHD() в качестве входных данных.

Нам не нужно запускать тест для переменной «supp», потому что она имеет только два уровня, оба из которых существенно различаются с помощью теста ANOVA.

В результате тест Tukey HSD будет выполняться только для факторной переменной «дозировка».

Лучшее бесплатное руководство YouTube по науке о данных

 TukeyHSD(res.aov3, which = "dose")
Множественные сравнения Тьюки средних
95% семейный уровень достоверности
Соответствие: aov(формула = len ~ supp + доза + supp:доза, данные = данные)
$ доза
diff       lwr       upr   p прил. 
D1-D0.5  9,130  6,362488 11,897512 0,0e+00
D2-D0,5 15,495 12,727488 18,262512 0,0e+00
D2-D1    6,365  3,597488  9,132512 2.7e-06 

diff: разница между средними значениями двух групп корректировка сравнений

Выходные данные показывают, что все попарные сравнения со скорректированным значением p, равным 0,05, являются значимыми.

С помощью пакета multcomp выполните несколько сравнений.

Функцию glht() [в пакете multcomp] можно использовать для выполнения нескольких процессов сравнения для дисперсионного анализа. Общие проверки линейных гипотез сокращенно обозначаются как glht. Ниже приведен упрощенный формат:

 библиотека (multcomp)
summary(glht(res.aov2, linfct = mcp(dose = "Tukey"))) 

     Одновременные проверки общих линейных гипотез

 Множественные сравнения средних значений: контрасты Тьюки
Соответствие: aov (формула = длина ~ супп + доза, данные = мои_данные) Линейные гипотезы:
Оценка стд. Значение ошибки t Pr(>|t|)
Д1 - Д0,5 == 0    9. 130      1,210   7,543   <1e-05 ***
D2 - D0.5 == 0   15,495      1,210  12,802   <1e-05 ***
D2 - D1 == 0      6,365      1,210   5,259   <1e-05 ***
---
Сигн. коды: 0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0,1 '' 1
(Сообщаются скорректированные значения p -- одношаговый метод) 

T-критерий для пар

Попарные сравнения между уровнями групп с различными поправками тестирования также могут быть рассчитаны с использованием функцииpairwise.t.test().

 попарно.t.test(данные$длина, данные$доза,
p.adjust.method = "ЧД") 

    Попарные сравнения с использованием t-тестов с объединенными стандартными отклонениями

 данных:  data$len и data$dose
D0.5    D1
Д1 1.0е-08 -
Д2 4.4е-16 1.4е-05
Метод корректировки значения P: BH 

Необходимо проверить обоснованность допущений ANOVA.

Данные должны регулярно распределяться, а различия между группами должны быть однородными. С помощью определенных диагностических графиков мы можем это проверить.

Проверить предположение об однородности дисперсии.

График остатков и совпадений используется для оценки однородности дисперсии. На приведенном ниже графике нет очевидных корреляций между остатками и подобранными значениями (среднее значение каждой группы), что хорошо. В результате можно считать, что дисперсии однородны.

1. Однородность дисперсий

 plot(res.aov3, 1) 

Двухфакторный дисперсионный анализ в R

В точках 32 и 23 обнаружены выбросы, которые могут оказывать существенное влияние на нормальность и однородность дисперсии . Чтобы соответствовать предположениям теста, может быть полезно удалить выбросы.

Проверить однородность дисперсий с помощью теста Левена. Будет использован метод leveneTest() [из пакета car]: библиотека

(car)
leveneTest(len ~ супп*доза, данные = данные) 

Критерий однородности дисперсии Левена (центр = медиана)

       Значение Df F Pr(>F)
группа 5 1,7086 0,1484
54               

Значение p не ниже уровня значимости 0,05, как показано в выходных данных выше. Это указывает на то, что нет признаков того, что дисперсия между группами является статистически значимой.

В результате мы можем сделать вывод, что вариации в различных группах лечения однородны.

Проверить предположение о нормальности.

График нормальности остатков. Квантиль остатков отображается относительно квантилей нормального распределения на графике ниже. Также нанесена опорная линия под углом 45 градусов.

График нормальной вероятности остатков используется для подтверждения нормального распределения остатков.

График нормальной вероятности остатков должен приблизительно следовать прямой линии.

2. Нормальность

 plot(res.aov3, 2) 

Мы можем сделать вывод о нормальности, поскольку все точки лежат примерно вдоль этой опорной линии.

Критерий Шапиро-Уилка по остаткам ANOVA (W = 0,98, p = 0,5), который не находит признаков нарушения нормальности, подтверждает предыдущий вывод.

Извлечь остатки

 aov_residuals <- разности(объект = res.aov3) 

Выполнить тест Шапиро-Уилка

 shapiro.test(x = aov_residuals ) 

    W = 0,98499, p-значение = 0,6694

В R создайте двухфакторный тест ANOVA для несбалансированных планов.

В несбалансированном плане каждая группа имеет неравное количество участников.

В несбалансированном плане есть три различных подхода к выполнению дисперсионного анализа. Суммы квадратов типа I, типа II и типа III - это три типа.

Для простоты рекомендуется использовать метод сумм квадратов типа III.

Когда конструкция сбалансирована, все три способа дают одинаковый результат. Однако, когда дизайн несбалансирован, они не дают одинаковых результатов.

Для несбалансированных планов можно использовать функцию Anova() [в пакете car] для вычисления двухфакторного теста ANOVA.

Сначала установите программное обеспечение на свой компьютер. Введите install.packages("car") в R.