Excel
で
R
自由自在
カラー図版 その2
R
・
M
・ハイバーガー
目
次
第7章 一元配置の分散分析 145
7.1 データ . . . 145
7.2 プロット . . . 146
7.2.1 ドットプロット . . . 146
7.2.2 箱ひげ図 . . . 146
7.3 ANOVAの実行方法 . . . 146
7.4 ANOVA表とF検定. . . 146
7.5 平均値の表. . . 146
7.6 多重比較 . . . 146
7.7 平均–平均多重比較(MMC)プロット . . . 146
7.8 線形対比 . . . 146
第8章 単線形回帰分析 159 8.1 RExcel/Rcmdrの最小二乗法による回帰分析 . . . 160
iv
10.1 重回帰モデル . . . 191
10.2 サンプルデータ . . . 191
10.3 複数の線形モデルの指定とあてはめ. . . 197
10.4 グラフによるモデル比較. . . 201
10.4.1 残差∼予測値 プロット . . . 203
10.4.2 比較を容易にするためにプロットの目盛を変更 . . . 205
10.4.3 軸目盛を調整したlatticeプロット . . . 208
10.4.4 右クリックで積み重ねデータの作成 . . . 208
10.4.5 latticeのプロットを作成するメニューとダイアログボックス . 212 10.5 ANOVA表 . . . 214
10.6 信頼区間と予測区間 . . . 216
第11章多項回帰 219 11.1 Polynomial of order two . . . 219
11.2 直線によるあてはめ . . . 219
11.3 2次項によるあてはめ . . . 219
11.4 残差平方のプロット . . . 219
第12章重回帰分析—X 変数が複数の場合 233 12.1 オーストリアの大学生の靴のサイズ. . . 234
12.2 プロット . . . 240
第
7
章
一元配置の分散分析
本章の概要
146 第7章 一元配置の分散分析
図7.2:
図7.3:
7.2
プロット
7.2.1
ドットプロット
7.2.2
箱ひげ図
7.3
ANOVA
の実行方法
7.8. 線形対比 147
148 第7章 一元配置の分散分析
152 第7章 一元配置の分散分析
F density: ν1=5 ν2=65
F density
7.8. 線形対比 153
F density: ν1=5 ν2=65
F density
154 第7章 一元配置の分散分析
−200 −100 0 100 200
sunflower − soybean sunflower − meatmeal soybean − meatmeal sunflower − linseed soybean − linseed meatmeal − linseed sunflower − horsebean soybean − horsebean meatmeal − horsebean linseed − horsebean sunflower − casein soybean − casein meatmeal − casein linseed − casein horsebean − casein (
( ( ( ( ( ( ( ( ( ( ( ( ( ( ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) 95% family−wise confidence level
Linear Function
156 第7章 一元配置の分散分析
multiple comparisons of means of weight
simultaneous 95% confidence limits, Tukey method
158 第7章 一元配置の分散分析
multiple comparisons of means of weight
contrast value
−200 −100 0 100 200 300
simultaneous 95% confidence limits, Tukey method
mean weight
feed level contrast
linseed soybean meatmeal casein sunflower linseed soybean meatmeal caseinsunflower horsebean 328.92 sunflower 323.58 casein 276.91 meatmeal 246.43 soybean 218.75 linseed 160.20 horsebean su−ca me−sl so−li su.ca−rest msl−h
−200 −100 0 100 200 300
第
8
章
単線形回帰分析
160 第8章 単線形回帰分析
8.1
RExcel/Rcmdr
の最小二乗法による回帰分析
162 第8章 単線形回帰分析
8.2. 散布図 163
166 第8章 単線形回帰分析
8.3
線形回帰分析
8.3. 線形回帰分析 167
168 第8章 単線形回帰分析
8.4. 残差分析 169
8.4
残差分析
170 第8章 単線形回帰分析
図8.16:
a.デフォルトでは小数点位置が揃っていない.
8.5. 信頼幅と予測幅 173
8.5
信頼幅と予測幅
第
9
章
最小二乗法とは何か
本章の概要
184 第9章 最小二乗法とは何か
9.2
ハット対角成分とてこ比
9.2. ハット対角成分とてこ比 187
図9.13:
Fig.?? Fig.?? Fig.??
188 第9章 最小二乗法とは何か
9.3
残差とてこ比
190 第9章 最小二乗法とは何か
9.4
ワークブックの値のリセット
第
10
章
重回帰分析
—
X
変数二つの
場合
本章の概要
10.1
重回帰モデル
192 第10章 重回帰分析—X変数二つの場合
10.3. 複数の線形モデルの指定とあてはめ 197
10.3
複数の線形モデルの指定とあてはめ
198 第10章 重回帰分析—X変数二つの場合
10.3. 複数の線形モデルの指定とあてはめ 199
10.4. グラフによるモデル比較 201
10.4
グラフによるモデル比較
a.モデルの指定.
202 第10章 重回帰分析—X変数二つの場合
図10.16:
10.4. グラフによるモデル比較 203
204 第10章 重回帰分析—X変数二つの場合
abrasion ˜ hardness,s=60,R
2=0
.544
abrasion ˜ strength,s=85,R
2=0
.089
abrasion ˜ hardness + strength,s=36,R
2=0
10.4. グラフによるモデル比較 205
206 第10章 重回帰分析—X変数二つの場合
abrasion ˜ hardness,s=60,R
2=0
.544
abrasion ˜ strength,s=85,R
2=0
.089
abrasion ˜ hardness + strength,s=36,R
2=0
10.4. グラフによるモデル比較 207
scatterplot(residuals.RegModel.3˜fitted.RegModel.3, reg.line=lm, smooth=FALSE, labels=FALSE, boxplots=FALSE, span=0.5, cex=2,
cex.axis=1.3,
cex.lab=1.3, pch=16, data=abrasion)
scatterplot(residuals.RegModel.3˜fitted.RegModel.3, reg.line=lm, smooth=FALSE, labels=FALSE, boxplots=FALSE, span=0.5, cex=2,
cex.axis=1.3,
208 第10章 重回帰分析—X変数二つの場合
10.4.3
軸目盛を調整した
lattice
プロット
図10.23:
10.4. グラフによるモデル比較 209
210 第10章 重回帰分析—X変数二つの場合
a.Paste as Stackedをクリックした際の標準列名.
10.4. グラフによるモデル比較 211
212 第10章 重回帰分析—X変数二つの場合
10.4.5
lattice
のプロットを作成するメニューとダイアログボックス
214 第10章 重回帰分析—X変数二つの場合
10.5
ANOVA
表
216 第10章 重回帰分析—X変数二つの場合
10.6. 信頼区間と予測区間 217
> .NewData <- data.frame(hardness=60, strength=200, row.names="1")
> .NewData # Newdata hardness strength 1 60 200
> predict(RegModel.1, newdata=.NewData, interval="confidence", + level=.95, se.fit=FALSE)
第
11
章
多項回帰
本章の概要
11.1
X
の
2
次関数による回帰
11.2
直線によるあてはめ
11.3
2
次項によるあてはめ
11.4. 残差平方のプロット 223
226 第11章 多項回帰
11.4. 残差平方のプロット 227
第
12
章
重回帰分析
—
X
変数が複数の
場合
234 第12章 重回帰分析—X変数が複数の場合
12.1. オーストリアの大学生の靴のサイズ 239
EduFatherandEduMotherBefore EduFatherandEduMotherAfter
240 第12章 重回帰分析—X変数が複数の場合
12.2. プロット 243
244 第12章 重回帰分析—X変数が複数の場合
xyplot(Shoesize ˜
Size + SizeFather + SizeMother + Weight | Gender,
outer=TRUE, layout=c(2, 4), type="p", pch=16, auto.key=list(border=TRUE), par.settings=simpleTheme(pch=16), scales=list( x=list(relation=’free’, limits=list( c(132,205),c(132,205), c(132,205),c(132,205), c(132,205),c(132,205), c(0,150), c(0,150))), y=list(relation=’same’)), data=StudentData)
12.2. プロット 245
xyplot(Shoesize ˜ Size + Weight + SizeFather + SizeMother, outer=TRUE, layout=c(2, 3),
skip=c(FALSE,FALSE,FALSE,TRUE,FALSE), groups=Gender, auto.key=list(border=TRUE) , scales=list(relation=’free’, x=list(limits=list(c(132,205), c(39,150), c(132,205), c(132,205))), y=list(limits=c(34,50))), data=StudentData)
246 第12章 重回帰分析—X変数が複数の場合
12.4. 基本診断プロット 249
12.5. 信頼区間 251
第
13
章
分割表とカイ自乗検定
254 第13章 分割表とカイ自乗検定
13.1
性別と喫煙習慣
13.1. 性別と喫煙習慣 255
256 第13章 分割表とカイ自乗検定