SlideShare a Scribd company logo
ANOVA 君を使った
分散分析
広島大学 教育学研究科
学習心理学研究室 (D1)
山根 嵩史
お品 き書
 R で分散分析をしよう
  -ANOVA 君とは
  -ANOVA 君の入手・読み込み
  -ANOVA 君の使い方
  -ANOVA 君の引数 ( 多重比較 )
 ANOVA 君をもっと便利に
  -repAnova とは
  -repAnova の使い方
 所属:広島大学教育学研究科 学習心理学研究室
(D1)
 専門領域:記憶 / メタ記憶
 R 使用暦: 3 年弱
 Twitter :      @T_Yamane
自己紹介
なんで HSP で発表
を? 
…僕にも何がなんだか
気がついたら発表すること
に
なっていました。 
お品 き書
 R で分散分析をしよう
  -ANOVA 君とは
  -ANOVA 君の入手・読み込み
  -ANOVA 君の使い方
  -ANOVA 君の引数 ( 多重比較 )
 ANOVA 君をもっと便利に
  -repAnova とは
  -repAnova の使い方
一元配置の分散分析を行う  oneway.test 関数
高度な分析に対応した aov 関数, anova 関数
 ⇒ 出力がちょっと不親切
 ⇒ 多重比較までまとめてやってほしい
     R あるある
R で分散分析
井関龍太 先生 ( 理化学研究所 ) によって
 作成された,分散分析用の関数
R で分散分析をするならとりあえずこれで
OK
出力も美しい!
ANOVA とは君
 参加者間要因,参加者内要因,
  またはその両方を含む分散分析  # 何でもでき
る!
 単純主効果の検討,多重比較  # 一度でできる!
 効果量の算出  # 重要!!
 要するに,分散分析に必要なものはほとんど
 備わっています
ANOVA でできること君
 井関先生のホームページより最新版をダウンロード
 ※ 2013.05.07 時点では anovakun_433
 R のワーキングディレクトリに入れておきましょう
ANOVA を する君 入手
 source 関数で ANOVA 君を読み込み
※1 拡張子まで含めること
※2 いわゆるパッケージとは読み込み方が違うので注
意
ANOVA を み む君 読 込
  source(“anovakun_433.txt”)
 ANOVA 君の分析用にデータセットを作る
・参加者間要因は縦に,参加者内要因は横に並べる
  (ANOVA4 みたいなイメージ )
  例 ) 参加者間要因     参加者内要因
ANOVA の い データセット君 使 方①:
を る作
ID class
001 A 75
002 A 74
003 B 60
004 B 62
ID time1 time2
001 75 81
002 74 83
003 77 85
004 74 80
 2 要因以上の場合は入れ子状に
  例 ) 2 要因参加者間      2 要因参加者内計
画
ANOVA の い データセット君 使 方①:
を る作
ID class gender
001 A M 75
002 A M 74
003 A F 70
004 A F 71
005 B M 60
006 B M 62
007 B F 58
008 B F 58
time1 time2
ID test1 test2 test1 test2
001 75 80 81 85
002 74 79 83 88
003 77 80 85 87
004 74 82 80 83
 “分散分析の実行は anovakun” 関数
 “s” を挟んで左側に参加者間要因,右側に参加者内要因の文字
 その後に各要因の水準数を追記
 例 ) 3 要因参加者間計画
    > anovakun(data,”ABCs”,3,2,2,…)
   2 つの参加者間要因と 1 つの参加者内要因の混合計画
    > anovakun(data,”ABsC”,2,2,2,…)
ANOVA の い君 使 方②:関数 anovakun
  anovakun( データ,“ ”要因計画の型 …,各要因の水準数, )
 多重比較の指定
  デフォルトでは Shaffer の方法による多重比較を行う
   Holm の方法:
   Holland-Copenhaver の方法:
 
ANOVA の い オプションを君 使 方③:
う使
  anovakun( “ ”データ, 要因計画の型 ,各要因の水準数, holm=T)
  anovakun( “ ”データ, 要因計画の型 ,各要因の水準数, hc=T)
効果量の指定
  偏 η2 乗: peta=T  ,オメガ 2 乗: omega=T
  
球面性の検定
   Mauchly の球面性検定: mau=T
 などなど 詳しくは
ANOVA の い オプションを君 使 方③:
う使
ANOVA …君は非常に便利ですが
データセットを
作り直すのが
…面倒くさい
ID class gender time1 time2 time3 ・・・
001 B M 75 77 80
002 A F 62 65 70
003 A F 66 68 72
004 C F 71 70 72
005 A M 73 76 78
006 B M 59 61 65
・・・
こういう
…データから ID class
001 A 75
002 A 74
003 B 60
004 B 62
ID time1 time2
001 75 81
002 74 83
003 77 85
004 74 80
こういう subset を
作るのが面倒だ!
逆に考えるんだ
「整形しなくても分析
 できるようにすれば良
い」
と考えるんだ
repAnova のご紹介
十河 ( そごう ) 宏行 先生 ( 愛媛大学 ) によっ
て作成された ANOVA 君用のインター
フェース
ANOVA 君を構成する関数を使って,
 出力を更に見やすく
repAnova とは
 十河先生のホームページ
  からダウンロード
 読み込み方は ANOVA 君と同様 source 関数で
repAnova を み む入手,読 込
  source("repAnova.r")
 分散分析の実行は“ repAnova” 関数
 
 参加者の識別番号が入力された列を指定
repAnova の い使 方①:関数
repAnova
  repAnova( データ,“ ”参加者 “ ” “ ” “ ” …, 参加者間要因 , 参加者内要因 , 従属変数 , )
 分散分析の実行は“ repAnova” 関数
 
 参加者間要因変数が入力された列を指定
 参加者間要因が無い場合には NULL
 複数ある場合には   c(“○○” “, ××”)
repAnova の い使 方①:関数
repAnova
  repAnova( “ ”データ, 参加者 ,“ ”参加者間要因 “ ” “ ” …, 参加者内要因 , 従属変数 , )
 分散分析の実行は“ repAnova” 関数
 
 参加者内要因変数が入力された列を指定
 無い場合には NULL
 
repAnova の い使 方①:関数
repAnova
  repAnova( “ ” “ ”データ, 参加者 , 参加者間要因 ,“ ”参加者内要因 “ ” …, 従属変数 , )
 分散分析の実行は“ repAnova” 関数
 
 比較する数値が入力された列名を指定
repAnova の い使 方①:関数
repAnova
  repAnova( “ ” “ ” “ ”データ, 参加者 , 参加者間要因 , 参加者内要因 ,“ ”従属変数 …, )
実行例
time1 について
class(3) と gender(2) で
2 要因参加者間の
分散分析
ID class gender time1 time2 time3 ・・・
001 B M 75 77 80
002 A F 62 65 70
003 A F 66 68 72
004 C F 71 70 72
005 A M 73 76 78
006 B M 59 61 65
・・・
  repAnova( データ ,“ID”, c(“class”,“gender”), NULL, “time1”)
 データ整形不要!  #repAnova の凄いポイント①
 repAnova は HTML ファイル
で出力される
 ANOVA 君では“ A” ,“ a1”
  だった要因名,水準名が
  分かりやすく!
   #repAnova の凄いポイン
ト②
repAnova の い使 方②:出
力
 データ整形をしなくても,入力したままの状態か
ら分散分析ができる!
 こんな状態にならなくて済む →
repAnova を えば使 …
参考にした HP
ー fin -
井関龍太のページ
(http://www11.atpages.jp/~riseki/pukiwikiplus/index.php)
十河研究室 HP
(http://www.s12600.net/psy/index.html)

More Related Content

What's hot

MCMCでマルチレベルモデル
MCMCでマルチレベルモデルMCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
 
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
 
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
 
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門shima o
 
関数データ解析の概要とその方法
関数データ解析の概要とその方法関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
 
2 3.GLMの基礎
2 3.GLMの基礎2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
 
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
 
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
 
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
 
心理学のためのPsychパッケージ
心理学のためのPsychパッケージ心理学のためのPsychパッケージ
心理学のためのPsychパッケージ考司 小杉
 
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心takehikoihayashi
 
Stan超初心者入門
Stan超初心者入門Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
 
ベイズ統計入門
ベイズ統計入門ベイズ統計入門
ベイズ統計入門Miyoshi Yuya
 
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
 
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするためにベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
 
FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)Haruka Ozaki
 
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Koichiro Gibo
 
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
 
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
 

What's hot (20)

MCMCでマルチレベルモデル
MCMCでマルチレベルモデルMCMCでマルチレベルモデル
MCMCでマルチレベルモデル
 
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
 
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
 
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
 
関数データ解析の概要とその方法
関数データ解析の概要とその方法関数データ解析の概要とその方法
関数データ解析の概要とその方法
 
2 3.GLMの基礎
2 3.GLMの基礎2 3.GLMの基礎
2 3.GLMの基礎
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
 
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
 
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
 
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
 
心理学のためのPsychパッケージ
心理学のためのPsychパッケージ心理学のためのPsychパッケージ
心理学のためのPsychパッケージ
 
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
 
Stan超初心者入門
Stan超初心者入門Stan超初心者入門
Stan超初心者入門
 
ベイズ統計入門
ベイズ統計入門ベイズ統計入門
ベイズ統計入門
 
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
 
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするためにベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
 
FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)
 
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
 
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
 
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
 

More from Takashi Yamane

ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現
Takashi Yamane
 
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ーDiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
Takashi Yamane
 
信号検出理論 (『実践ベイズモデリング』15章)
信号検出理論 (『実践ベイズモデリング』15章)信号検出理論 (『実践ベイズモデリング』15章)
信号検出理論 (『実践ベイズモデリング』15章)
Takashi Yamane
 
Osaka.stan#4 chap8
Osaka.stan#4 chap8Osaka.stan#4 chap8
Osaka.stan#4 chap8
Takashi Yamane
 
要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ
Takashi Yamane
 
PypeRで実験と分析を一本化する
PypeRで実験と分析を一本化するPypeRで実験と分析を一本化する
PypeRで実験と分析を一本化する
Takashi Yamane
 
Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)
Takashi Yamane
 
ガンマ分布 @魁!!広島ベイズ塾
ガンマ分布 @魁!!広島ベイズ塾ガンマ分布 @魁!!広島ベイズ塾
ガンマ分布 @魁!!広島ベイズ塾
Takashi Yamane
 
MCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナーMCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナーTakashi Yamane
 
第一回広島ベイズ塾・最小二乗法
第一回広島ベイズ塾・最小二乗法第一回広島ベイズ塾・最小二乗法
第一回広島ベイズ塾・最小二乗法Takashi Yamane
 
Rstudio事始め
Rstudio事始めRstudio事始め
Rstudio事始め
Takashi Yamane
 
Mendeleyで簡単! 論文管理
Mendeleyで簡単! 論文管理Mendeleyで簡単! 論文管理
Mendeleyで簡単! 論文管理Takashi Yamane
 

More from Takashi Yamane (12)

ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現
 
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ーDiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
 
信号検出理論 (『実践ベイズモデリング』15章)
信号検出理論 (『実践ベイズモデリング』15章)信号検出理論 (『実践ベイズモデリング』15章)
信号検出理論 (『実践ベイズモデリング』15章)
 
Osaka.stan#4 chap8
Osaka.stan#4 chap8Osaka.stan#4 chap8
Osaka.stan#4 chap8
 
要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ
 
PypeRで実験と分析を一本化する
PypeRで実験と分析を一本化するPypeRで実験と分析を一本化する
PypeRで実験と分析を一本化する
 
Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)
 
ガンマ分布 @魁!!広島ベイズ塾
ガンマ分布 @魁!!広島ベイズ塾ガンマ分布 @魁!!広島ベイズ塾
ガンマ分布 @魁!!広島ベイズ塾
 
MCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナーMCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナー
 
第一回広島ベイズ塾・最小二乗法
第一回広島ベイズ塾・最小二乗法第一回広島ベイズ塾・最小二乗法
第一回広島ベイズ塾・最小二乗法
 
Rstudio事始め
Rstudio事始めRstudio事始め
Rstudio事始め
 
Mendeleyで簡単! 論文管理
Mendeleyで簡単! 論文管理Mendeleyで簡単! 論文管理
Mendeleyで簡単! 論文管理
 

Anova君を使った分散分析