Ich untersuche derzeit den Einfluss verschiedener Merkmale auf das Schalenvolumen einer Schnecke. Ich habe einen Datenrahmen, wo jede Zeile eine bestimmte Person darstellt, und mehrere Spalten mit all ihren Attributen (Länge, Shell-Volumen, Geschlecht, Infektion).Mittel verschiedener Gruppen in ANCOVA mit 2 Faktoren R
machte ich die ANCOVA: mod=aov(log(volume) ~ infection*sex*log(length))
. Ich habe dies:
Df Sum Sq Mean Sq F value Pr(>F)
inf 1 4.896 4.896 258.126 <2e-16 ***
sex 1 3.653 3.653 192.564 <2e-16 ***
log(length) 1 14.556 14.556 767.335 <2e-16 ***
inf:sex 1 0.028 0.028 1.472 0.227
inf:log(length) 1 0.020 0.020 1.064 0.304
sex:log(length) 1 0.001 0.001 0.076 0.783
inf:sex:log(length) 1 0.010 0.010 0.522 0.471
Residuals 174 3.301 0.019
So signifikante Effekte des Geschlechts, der Infektion und Länge, aber keine Interaktion Bedingungen.
Da es keine Interaktionen gibt, möchte ich für ein gegebenes Geschlecht wissen, ob der Abschnitt log(volume) = f(log(length))
für infizierte Individuen oder nicht infizierte Individuen größer ist.
Ich versuchte summary.lm(mod)
, zu verwenden, das gab mir dies:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.42806 0.15429 -2.774 0.00613 **
infmic -0.54963 0.40895 -1.344 0.18070
sexM -0.11542 0.35508 -0.325 0.74554
log(length) 2.41915 0.11144 21.709 < 2e-16 ***
infmic:sexM 0.52459 0.63956 0.820 0.41320
infmic:log(length) 0.43215 0.33717 1.282 0.20166
sexM:log(length) 0.04207 0.28113 0.150 0.88122
infmic:sexM:log(length) -0.38222 0.52920 -0.722 0.47110
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.1377 on 174 degrees of freedom
Multiple R-squared: 0.8753, Adjusted R-squared: 0.8703
F-statistic: 174.5 on 7 and 174 DF, p-value: < 2.2e-16
Aber ich habe Probleme der Interpretation der Ergebnisse und sehen immer noch nicht, wie zu schließen. Ich habe auch "einige" andere Fragen:
Warum sind Sex und Infektion nicht wichtig in der lm-Ausgabe? Ich weiß, dass es hier nicht wichtig ist, aber wie man die Zeilen über die Interaktionsterme interpretiert?
Was ich denke, ist das inmic: sexM stellt die Veränderung der Steigung von log (Volumen) = f (log (Länge)) für infizierte Männer im Vergleich zu nicht infizierten Frauen. Dann wäre Infmic: Länge die Veränderung der Steigung zwischen infizierten Frauen und nicht infizierten Frauen? Und SexM: Länge der Wechsel zwischen nicht infizierten Männchen und nicht infizierten Weibchen? Ist das wahr? Und was repräsentiert der Dreifachinteraktionsterm?
Vielen Dank!
Können Sie uns sagen, wie Ihre Daten aussehen oder ein reproduzierbares Beispiel geben? –