博文
R语言与通径分析
|||
笔者写的”SAS与通径分析“在 所有帖子中搜索的次数比较多，可以看出大家对这种数据处理方法的认知度。由于统计知识掌握程度的差异，如何方便快捷计算出结果可能是大多数人的想法。
今天笔者给大家介绍另一种实现通径分析的方法，使用R语言及agricolae软件包进行通 径分析。
首先介绍一下agricolae软件包，这个是秘鲁国立工程大学硕士学位论文”农业研究统计 分析工具”中编制的R语言软件包。
现在agricolae软件包在国际马铃薯中心(CIP)、拉莫林国立农业大学 (UNALM-PERU)和Instituto Nacional de Innovacion Agraria(INIA-PERU)使用较广泛。
大家从软件包的名称就可以看出，agricolae软件包针对农业和植物育种田间试验设计的 统计分析功能，这包括格子设计、析因设计、完全区组和不完全区组设计、拉丁方设计、希腊拉丁方设计、Alpha设计、Cyclic设计、条裂区设计、多点 试验比较、处理比较、重采样、模拟、多样性指数和共识集群。而通径分析需要用到agricolae软件包里的path.analysis()和 correlation()两个函数。
我们还是以” SAS与通径分析“中 的数据为例子进行计算，大家可以把两个代码的计算结果进行对比。
实验数据，包括4个自变量和1个因变量
y,x1,x2,x3,x4
15.7,10,23,3.6,113
14.5,9,20,3.6,106
17.5,10,22,3.7,111
22.5,13,21,3.7,109
155,10,22,3.6,110
16.9,10,23,3.5,103
8.60,8,23,3.3,100
17.0,10,24,3.4,114
13.7,10,20,3.4,104
13.4,10,21,3.4,110
20.3,10,23,3.9,104
102,8,21,3.5,109
7.40,6,23,3.2,114
11.6,8,21,3.7,113
12.3,9,22,36,105
计算过程：
> mydata <- read.table(file=”E:\My
Documents\R\data\pathanalysis.csv”, header=TRUE, sep=”,”) #读取外部数据文件pathanalysis.csv
> x <- mydata[,-1] #把自变量x1、x2、x3和x4从数 据框mydata中提出，赋值给x
> y <- mydata[,1] #把因变量y从数据框mydata中提出，赋值给y
> cor.y <- correlation(y,x)$correlation #计算向量y与向量 x的相关系数
Correlation Analysis
Method : pearson
Alternative: two.sided
> cor.x <- correlation(x)$correlation #计算向量x与向量 x的相关系数
Correlation Analysis
Method : pearson
Alternative: two.sided
> path.analysis(cor.x,cor.y) #进行通径分析
Correlations
============
x1 x2 x3 x4
x1 1.00 -0.14 -0.06 -0.09
x2 -0.14 1.00 0.01 0.12
x3 -0.06 0.01 1.00 -0.21
x4 -0.09 0.12 -0.21 1.00
============
y
x1 0.04
x2 -0.10
x3 -0.11
x4 0.11
Direct(Diagonal) and indirect effect path coefficients
======================================================
x1 x2 x3 x4
x1 0.029523150 0.015115246 0.0050697909 -0.009708187
x2 -0.004133241 -0.107966043 -0.0008449652 0.012944249
x3 -0.001771389 -0.001079660 -0.0844965151 -0.022652435
x4 -0.002657083 -0.012955925 0.0177442682 0.107868740
Residual Effect^2 = 0.9668623
附path.analysis()和correlation()的详 细使用说明。
path.analysis 通径分析
描述
如果因果关系明确，就可能使用图表形式即通径分析表示整个变量系统。这个函数可以计算直接效应和间接效应，并使用变量相关 性和协方差。
用法
path.analysis(corr.x, corr.y)
自变量
corr.x 自变量相关矩阵
corr.y 与每个自变量的向量相关系数
详细信息
首先必须计算出相关系数
自变量值
corr.x 数值型
corr.y 数值型
作者
Felipe de Mendiburu
参考文献
Biometrical Methods in Quantitative Genetic Analysis, Singh, Chaudhary. 1979
参见
相关
实例
# Path analysis. Multivarial Analysis. Anderson. Prentice Hall, pag 616
library(agricolae)
# Example 1
corr.x<- matrix(c(1,0.5,0.5,1),c(2,2))
corr.y<- rbind(0.6,0.7)
names<-c(“X1″,”X2″)
dimnames(corr.x)<-list(names,names)
dimnames(corr.y)<-list(names,”Y”)
path.analysis(corr.x,corr.y)
# Example 2
# data of the progress of the disease related bacterial wilt to the ground
# for the component CE Ca K2 Cu
data(wilt)
data(soil)
x<-soil[,c(3,12,14,20)]
y<-wilt[,14]
cor.y<-correlation(y,x)$correlation
cor.x<-correlation(x)$correlation
path.analysis(cor.x,cor.y)
correlation 相关分析 皮尔逊法、斯皮尔曼法和Kendall法
描述
获得所有变量的的相关系数及P值。计算方法有皮尔逊法、斯皮尔曼和Kendall法。若未指定计算方法，皮尔逊法是默认 值。计算结果与SAS计算结果相似。
用法
correlation(x,y=NULL, method = c(“pearson”, “kendall”, “spearman”) ,alternative=”two.sided”)
自变量
x 表、矩阵或向量
y 表、矩阵或向量
method “pearson”, “kendall”, “spearman”
alternative “two.sided”, “less”, “greater”
详细信息
参数与函数cor()相同
自变量值
table 数值型
作者
Felipe de Mendiburu
参见
correl
实例
library(agricolae)
# example 1
data(soil)
analysis<-correlation(soil[,2:8],method=”pearson”) analysis
# Example 2: correlation between pH, variable 2 and other elements from soil.
data(soil)
attach(soil)
analysis<-correlation(pH,soil[,3:8],method=”pearson”,alternative=”less”)
analysis
detach(soil)
# Example 3: correlation between pH and clay method kendall.
data(soil)
attach(soil)
correlation(pH,clay,method=”kendall”, alternative=”two.sided”)
detach(soil)
https://blog.sciencenet.cn/blog-81938-341917.html
上一篇：利用灰色系统进行关联度分析
下一篇：AquaCrop和ETo Calculator 简体中文版
