-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path2f_splitplot.html
826 lines (733 loc) · 29.3 KB
/
2f_splitplot.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8" />
<meta name="generator" content="pandoc" />
<meta http-equiv="X-UA-Compatible" content="IE=EDGE" />
<title>1 Beh.faktor - Split-Plot Design</title>
<script src="site_libs/jquery-1.11.3/jquery.min.js"></script>
<meta name="viewport" content="width=device-width, initial-scale=1" />
<link href="site_libs/bootstrap-3.3.5/css/lumen.min.css" rel="stylesheet" />
<script src="site_libs/bootstrap-3.3.5/js/bootstrap.min.js"></script>
<script src="site_libs/bootstrap-3.3.5/shim/html5shiv.min.js"></script>
<script src="site_libs/bootstrap-3.3.5/shim/respond.min.js"></script>
<script src="site_libs/jqueryui-1.11.4/jquery-ui.min.js"></script>
<link href="site_libs/tocify-1.9.1/jquery.tocify.css" rel="stylesheet" />
<script src="site_libs/tocify-1.9.1/jquery.tocify.js"></script>
<script src="site_libs/navigation-1.1/tabsets.js"></script>
<link href="site_libs/highlightjs-9.12.0/default.css" rel="stylesheet" />
<script src="site_libs/highlightjs-9.12.0/highlight.js"></script>
<style type="text/css">
code{white-space: pre-wrap;}
span.smallcaps{font-variant: small-caps;}
span.underline{text-decoration: underline;}
div.column{display: inline-block; vertical-align: top; width: 50%;}
div.hanging-indent{margin-left: 1.5em; text-indent: -1.5em;}
ul.task-list{list-style: none;}
</style>
<style type="text/css">code{white-space: pre;}</style>
<style type="text/css">
pre:not([class]) {
background-color: white;
}
</style>
<script type="text/javascript">
if (window.hljs) {
hljs.configure({languages: []});
hljs.initHighlightingOnLoad();
if (document.readyState && document.readyState === "complete") {
window.setTimeout(function() { hljs.initHighlighting(); }, 0);
}
}
</script>
<style type="text/css">
h1 {
font-size: 34px;
}
h1.title {
font-size: 38px;
}
h2 {
font-size: 30px;
}
h3 {
font-size: 24px;
}
h4 {
font-size: 18px;
}
h5 {
font-size: 16px;
}
h6 {
font-size: 12px;
}
.table th:not([align]) {
text-align: left;
}
</style>
<link rel="stylesheet" href="styles.css" type="text/css" />
<style type = "text/css">
.main-container {
max-width: 940px;
margin-left: auto;
margin-right: auto;
}
code {
color: inherit;
background-color: rgba(0, 0, 0, 0.04);
}
img {
max-width:100%;
}
.tabbed-pane {
padding-top: 12px;
}
.html-widget {
margin-bottom: 20px;
}
button.code-folding-btn:focus {
outline: none;
}
summary {
display: list-item;
}
</style>
<style type="text/css">
/* padding for bootstrap navbar */
body {
padding-top: 54px;
padding-bottom: 40px;
}
/* offset scroll position for anchor links (for fixed navbar) */
.section h1 {
padding-top: 59px;
margin-top: -59px;
}
.section h2 {
padding-top: 59px;
margin-top: -59px;
}
.section h3 {
padding-top: 59px;
margin-top: -59px;
}
.section h4 {
padding-top: 59px;
margin-top: -59px;
}
.section h5 {
padding-top: 59px;
margin-top: -59px;
}
.section h6 {
padding-top: 59px;
margin-top: -59px;
}
.dropdown-submenu {
position: relative;
}
.dropdown-submenu>.dropdown-menu {
top: 0;
left: 100%;
margin-top: -6px;
margin-left: -1px;
border-radius: 0 6px 6px 6px;
}
.dropdown-submenu:hover>.dropdown-menu {
display: block;
}
.dropdown-submenu>a:after {
display: block;
content: " ";
float: right;
width: 0;
height: 0;
border-color: transparent;
border-style: solid;
border-width: 5px 0 5px 5px;
border-left-color: #cccccc;
margin-top: 5px;
margin-right: -10px;
}
.dropdown-submenu:hover>a:after {
border-left-color: #ffffff;
}
.dropdown-submenu.pull-left {
float: none;
}
.dropdown-submenu.pull-left>.dropdown-menu {
left: -100%;
margin-left: 10px;
border-radius: 6px 0 6px 6px;
}
</style>
<script>
// manage active state of menu based on current page
$(document).ready(function () {
// active menu anchor
href = window.location.pathname
href = href.substr(href.lastIndexOf('/') + 1)
if (href === "")
href = "index.html";
var menuAnchor = $('a[href="' + href + '"]');
// mark it active
menuAnchor.parent().addClass('active');
// if it's got a parent navbar menu mark it active as well
menuAnchor.closest('li.dropdown').addClass('active');
});
</script>
<!-- tabsets -->
<style type="text/css">
.tabset-dropdown > .nav-tabs {
display: inline-table;
max-height: 500px;
min-height: 44px;
overflow-y: auto;
background: white;
border: 1px solid #ddd;
border-radius: 4px;
}
.tabset-dropdown > .nav-tabs > li.active:before {
content: "";
font-family: 'Glyphicons Halflings';
display: inline-block;
padding: 10px;
border-right: 1px solid #ddd;
}
.tabset-dropdown > .nav-tabs.nav-tabs-open > li.active:before {
content: "";
border: none;
}
.tabset-dropdown > .nav-tabs.nav-tabs-open:before {
content: "";
font-family: 'Glyphicons Halflings';
display: inline-block;
padding: 10px;
border-right: 1px solid #ddd;
}
.tabset-dropdown > .nav-tabs > li.active {
display: block;
}
.tabset-dropdown > .nav-tabs > li > a,
.tabset-dropdown > .nav-tabs > li > a:focus,
.tabset-dropdown > .nav-tabs > li > a:hover {
border: none;
display: inline-block;
border-radius: 4px;
background-color: transparent;
}
.tabset-dropdown > .nav-tabs.nav-tabs-open > li {
display: block;
float: none;
}
.tabset-dropdown > .nav-tabs > li {
display: none;
}
</style>
<!-- code folding -->
<style type="text/css">
#TOC {
margin: 25px 0px 20px 0px;
}
@media (max-width: 768px) {
#TOC {
position: relative;
width: 100%;
}
}
@media print {
.toc-content {
/* see https://github.com/w3c/csswg-drafts/issues/4434 */
float: right;
}
}
.toc-content {
padding-left: 30px;
padding-right: 40px;
}
div.main-container {
max-width: 1200px;
}
div.tocify {
width: 20%;
max-width: 260px;
max-height: 85%;
}
@media (min-width: 768px) and (max-width: 991px) {
div.tocify {
width: 25%;
}
}
@media (max-width: 767px) {
div.tocify {
width: 100%;
max-width: none;
}
}
.tocify ul, .tocify li {
line-height: 20px;
}
.tocify-subheader .tocify-item {
font-size: 0.90em;
}
.tocify .list-group-item {
border-radius: 0px;
}
</style>
</head>
<body>
<div class="container-fluid main-container">
<!-- setup 3col/9col grid for toc_float and main content -->
<div class="row-fluid">
<div class="col-xs-12 col-sm-4 col-md-3">
<div id="TOC" class="tocify">
</div>
</div>
<div class="toc-content col-xs-12 col-sm-8 col-md-9">
<div class="navbar navbar-default navbar-fixed-top" role="navigation">
<div class="container">
<div class="navbar-header">
<button type="button" class="navbar-toggle collapsed" data-toggle="collapse" data-target="#navbar">
<span class="icon-bar"></span>
<span class="icon-bar"></span>
<span class="icon-bar"></span>
</button>
<a class="navbar-brand" href="index.html">crashcouRse</a>
</div>
<div id="navbar" class="navbar-collapse collapse">
<ul class="nav navbar-nav">
<li>
<a href="index.html">Home</a>
</li>
<li class="dropdown">
<a href="#" class="dropdown-toggle" data-toggle="dropdown" role="button" aria-expanded="false">
R Anwendung
<span class="caret"></span>
</a>
<ul class="dropdown-menu" role="menu">
<li>
<a href="datr_importexport.html">Import & Export</a>
</li>
<li>
<a href="datr_descriptivestats.html">Deskriptive Statistik</a>
</li>
<li>
<a href="datr_desplot.html">desplot package</a>
</li>
<li>
<a href="datr_multipledat.html">Loops & Listen</a>
</li>
<li>
<a href="datr_moreadvanced.html">Weitere Tipps</a>
</li>
</ul>
</li>
<li class="dropdown">
<a href="#" class="dropdown-toggle" data-toggle="dropdown" role="button" aria-expanded="false">
Auswertungen
<span class="caret"></span>
</a>
<ul class="dropdown-menu" role="menu">
<li>
<a href="1n_drinks.html">Korrelation & Regression</a>
</li>
<li>
<a href="outlier_vision.html">Ausreisser (Korr & Reg pt.2)</a>
</li>
<li>
<a href="1f_crd.html">1F crd</a>
</li>
<li>
<a href="1f_rcbd.html">1F rcbd</a>
</li>
<li>
<a href="1f_alpha.html">1F alpha</a>
</li>
<li>
<a href="2f_rcbd.html">2F rcbd</a>
</li>
<li>
<a href="2f_splitplot.html">2F split-plot</a>
</li>
<li>
<a href="1f_augmented_blockfixorrandom.html">1F augmented</a>
</li>
<li>
<a href="1f_rcbd_messwdh.html">1F rcbd Messwiederholungen</a>
</li>
<li>
<a href="1f_rcbd_binomial.html">1F rcbd Prozentwerte</a>
</li>
<li>
<a href="1f_latsq_poisson.html">1F lat square Zählwerte</a>
</li>
</ul>
</li>
<li class="dropdown">
<a href="#" class="dropdown-toggle" data-toggle="dropdown" role="button" aria-expanded="false">
Statistik
<span class="caret"></span>
</a>
<ul class="dropdown-menu" role="menu">
<li>
<a href="stat_korrelation.html">Korrelation</a>
</li>
<li>
<a href="stat_regression.html">Regression</a>
</li>
<li>
<a href="appendix_designs.html">Versuchsdesigns</a>
</li>
<li>
<a href="appendix_posthoc.html">ANOVA & Post Hoc</a>
</li>
<li>
<a href="appendix_interaktionen.html">Interaktionen</a>
</li>
<li>
<a href="stat_adjmeans.html">Adj. Mittelwerte</a>
</li>
<li>
<a href="stat_pvalue.html">p-Werte & Signifikanz</a>
</li>
<li>
<a href="stat_gemischtemodelle.html">Gemischte Modelle</a>
</li>
<li>
<a href="appendix_kovarstrukt.html">Kovarianzstrukturen 1</a>
</li>
<li>
<a href="3f_met_regions.html">Kovarianzstrukturen 2</a>
</li>
<li>
<a href="intro_glm_carrot.html">Nicht-Normalverteilte Daten</a>
</li>
<li>
<a href="stat_logisticregression.html">Logistische Regression</a>
</li>
<li>
<a href="appendix_modelrules.html">Modelle aufstellen</a>
</li>
<li>
<a href="stat_samplesize.html">Stichprobenplanung</a>
</li>
</ul>
</li>
<li>
<a href="kontaktseite.html">Kontakt</a>
</li>
</ul>
<ul class="nav navbar-nav navbar-right">
</ul>
</div><!--/.nav-collapse -->
</div><!--/.container -->
</div><!--/.navbar -->
<div class="fluid-row" id="header">
<h1 class="title toc-ignore">1 Beh.faktor - Split-Plot Design</h1>
</div>
<div id="datensatz" class="section level1">
<h1>Datensatz</h1>
<pre class="r"><code>library(data.table) # bessere Datenmanipulation
library(ggplot2) # bessere Plots
library(emmeans) # adjustierte Mittelwerte
library(lme4); library(lmerTest) # gemischtes Modell
library(RColorBrewer) # bessere Farben</code></pre>
<p>In diesem Experiment wurden die Auswirkungen von 6 Stickstoffdüngern (N) auf den Ertrag von 4 Reissorten (G) untersucht. Demnach gab es zwei Behandlungsfaktoren mit insgesamt 6x4=24 Behandlungsfaktorstufenkombinationen. Diese 24 Kombinationen wurden 3 mal in vollständigen Blöcken wiederholt. Innerhalb der vollständigen Blöcke wurden die Kombinationen allerdings nicht wie bei einem RCBD vollständig randomisiert. Grund hierfür war, dass es beim Anlegen des Feldversuchs und speziell beim Ausbringen der Dünger praktischer ist, wenn die Parzellen mit demselben Dünger in einer Fahrtrichtung liegen. Deshalb wurden die vollständigen Blöcke erst in 6 Spalten (=<em>main plots</em>) unterteilt, auf welche die 6 N-Stufen randomisert wurden. Erst dann, wurden die 4 Sorten den 4 Zeilen innerhalb jeder Spalte (=<em>sub plots</em>) zufällig zugeordnet. Solch eine Versuchsanlage nennt man <strong>split-plot design</strong>. <a href="appendix_designs.html">Hier mehr Infos zu Versuchsdesigns</a></p>
<pre><code>## Warning in if (class(data) == "formula") {: the condition has length > 1 and only
## the first element will be used</code></pre>
<p><img src="2f_splitplot_files/figure-html/unnamed-chunk-3-1.png" width="480" style="display: block; margin: auto;" /></p>
<div class="row">
<div class="col-md-6">
<pre class="r"><code>print(splitplot, nrows=10)</code></pre>
<pre><code>## N G rep mainplot yield
## 1: N1 A rep1 mp1 4520
## 2: N2 A rep1 mp2 5598
## 3: N4 A rep1 mp3 6192
## 4: N6 A rep1 mp4 8542
## 5: N3 A rep1 mp5 5806
## ---
## 68: N6 D rep3 mp14 1744
## 69: N3 D rep3 mp15 4236
## 70: N1 D rep3 mp16 5016
## 71: N2 D rep3 mp17 4382
## 72: N5 D rep3 mp18 2856</code></pre>
</div>
<div class="col-md-6">
<pre class="r"><code>str(splitplot)</code></pre>
<pre><code>## Classes 'data.table' and 'data.frame': 72 obs. of 5 variables:
## $ N : Factor w/ 6 levels "N1","..
## $ G : Factor w/ 4 levels "A",""..
## $ rep : Factor w/ 3 levels "rep1"..
## $ mainplot: Factor w/ 18 levels "mp1"..
## $ yield : int 4520 5598 6192 8542 ..
## - attr(*, ".internal.selfref")=<exter..</code></pre>
</div>
</div>
</div>
<div id="deskriptive-statistik" class="section level1">
<h1>Deskriptive Statistik</h1>
<p>Erst wollen wir ein Gefühl für den Datensatz bekommen und betrachten einen Boxplot für die Stufenkombinationen der zwei Behandlungsfaktoren. Mittels des <code>col=</code> statements der <code>boxplot()</code> Funktion können wir angeben welche Füllfarben die Boxen haben sollen. Wir wählen dieselben Farben wie im Feldplan - <a href="datr_desplot.html">mehr Infos dazu hier</a>.</p>
<pre class="r"><code>boxplot(yield ~ N*G, col=brewer.pal(6, "Dark2"), data=splitplot, las=2) # las=2 dreht Achsenbeschriftung</code></pre>
<p><img src="2f_splitplot_files/figure-html/unnamed-chunk-7-1.png" width="672" /></p>
<p>Es fällt auf, dass sich das Muster der Werte der verschiedenen N-Stufen für Sorte D deutlich von denen der anderen 3 Sorten unterscheiden. Dies deutet auf Wechselwirkungen zwischen den beiden Behandlungsfaktoren hin.</p>
</div>
<div id="schließende-statistik" class="section level1">
<h1>Schließende Statistik</h1>
<div id="gemischtes-modell" class="section level2">
<h2>Gemischtes Modell</h2>
<p>Wir können uns nun entschließen die Daten mittels eines Modells zu analysieren. Der Ertrag ist unsere metrische Zielvariable. ‘G’ und ‘N’ sind beides qualitative Behandlungsfaktoren. Um eine möglich Wechselwirkung der beiden zu modellieren, ergibt sich der <em>treament part</em> des Modell als <code>G + N + G*N</code>. Für die vollständigen Blöcke haben wir den festen Effekt ‘rep’ im Modell. Desweiteren müssen wir zufällige Effekte für die main plots ins Modell aufnehmen, da diese als zusätzliche Randomisationseinheit fungierten. Die andere, kleinste Randomisationseinheit des sub plots (=Parzelle) wird durch den üblichen Fehlerterm abgebildet. Der <em>design part</em> des Modells ist also <code>rep + (1|rep:mainplot)</code>. Somit haben wir gleichzeitig feste und zufällige Effekte im Modell und demnach ein gemischtes Modell, welches wir wieder mit <code>lmer()</code> aus dem <code>lme4</code> package modellieren.</p>
<pre class="r"><code>mod <- lmer(yield ~ G + N + G:N + rep + (1|rep:mainplot), data=splitplot)</code></pre>
<p>Zunächst sollten nun die Residuenplots evaluiert werden - beispielsweise mit <code>plot(mod)</code> und <code>qqnorm(resid(mod)); qqline(resid(mod))</code>. Erst danach ist eine Varianzanalyse zulässig.</p>
<blockquote>
<p>Die Spalte ‘mainplot’ ist in diesem Beispiel übrigens prinzipiell überflüssig. Das liegt daran, dass man die 3x6 main plots anstatt mit ‘rep:mainplot’ auch mit ‘rep:N’ hätte modellieren können, da ein main plot immer einer N-Stufe entspricht (siehe Feldplan oben). Um es aber leichter verständlich zu machen, nutzen wir hier eine extra ‘mainplot’ Spalte. Siehe außerdem die Anmerkung aus <a href="1f_alpha.html">dem vorigen Beispiel</a>.</p>
</blockquote>
</div>
<div id="varianzanalyse" class="section level2">
<h2>Varianzanalyse</h2>
<pre class="r"><code>library(car)
Anova(mod, test.statistic="F", type="III")</code></pre>
<pre><code>## Analysis of Deviance Table (Type III Wald F tests with Kenward-Roger df)
##
## Response: yield
## F Df Df.res Pr(>F)
## (Intercept) 115.2209 1 37.499 5.430e-13 ***
## G 3.0166 3 36.000 0.0424 *
## N 17.5989 5 41.916 2.293e-09 ***
## rep 0.9774 2 10.000 0.4095
## G:N 13.2360 15 36.000 2.078e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1</code></pre>
<p>Da dies Ergebnisse einer mehrfaktorielle Varianzanalyse sind, betrachten zuallererst den F-Test für die Wechselwirkung (mehr Infos <a href="appendix_interaktionen.html">hier</a>). Der signifikante p-Wert von <code>G:N</code> deutet darauf hin, dass die beiden Behandlungsfaktoren nicht rein additiv wirken, sondern wechselwirken. Dies bestätigt die Vermutung aus dem Boxplot der Rohdaten oben. Das bedeutet außerdem, dass wir die adjustierten Mittelwerte der Wechselwirkungseffekte berechnen wollen und <em>nicht</em> die der beiden Haupteffekte.</p>
</div>
<div id="multipler-mittelwertvergleich" class="section level2">
<h2>Multipler Mittelwertvergleich</h2>
<p>Mit <code>emmeans()</code> können wir auch adjustierte Mittelwerte für Wechselwirkungseffekte berechnen. Das geht entweder mit <code>pairwise ~ N : G</code> oder <code>pairwise ~ N | G</code>. Im beiden Fällen werden wie erwartet Mittelwerte für alle Kombinationen errechnet. Der Unterschied zwischen den beiden Befehlen besteht darin welche Differenzen zwischen den Mittelwerten berechnet werden. Im ersten Fall (<code>N:G</code>) werden <strong>alle</strong> Mittelwerte miteinander verglichen. Im zweiten Fall (<code>N|G</code>), werden nur N-Stufen innerhalb einer Sorte miteinander verglichen. Natürlich können ‘N’ und ‘G’ hier auch ausgetauscht werden. Es kommt auf die Versuchsfrage an, welche Mittelwertvergleiche von Interesse sind. Wir wollen uns hier auf die Vergleiche der N-Mittelwerte getrennt pro Sorte fokussieren.</p>
<pre class="r"><code>means <- emmeans(mod, pairwise ~ N | G, adjust="tukey") # adjust="none" für t-test
means <- CLD(means$emmeans, details=TRUE, Letters=letters)</code></pre>
<pre><code>## Warning: 'CLD' will be deprecated. Its use is discouraged.
## See '?cld.emmGrid' for an explanation. Use 'pwpp' or 'multcomp::cld' instead.</code></pre>
<pre class="r"><code>means$emmeans # N-Mittelwerte pro Sorte</code></pre>
<pre><code>## G = A:
## N emmean SE df lower.CL upper.CL .group
## N1 4252.667 365.5222 41.92 3243.437 5261.896 a
## N2 5672.000 365.5222 41.92 4662.771 6681.229 ab
## N3 6400.000 365.5222 41.92 5390.771 7409.229 bc
## N4 6732.667 365.5222 41.92 5723.437 7741.896 bc
## N5 7563.333 365.5222 41.92 6554.104 8572.563 cd
## N6 8700.667 365.5222 41.92 7691.437 9709.896 d
##
## G = B:
## N emmean SE df lower.CL upper.CL .group
## N1 4306.000 365.5222 41.92 3296.771 5315.229 a
## N2 5982.000 365.5222 41.92 4972.771 6991.229 b
## N3 6259.000 365.5222 41.92 5249.771 7268.229 b
## N6 6540.333 365.5222 41.92 5531.104 7549.563 b
## N4 6895.000 365.5222 41.92 5885.771 7904.229 b
## N5 6950.667 365.5222 41.92 5941.437 7959.896 b
##
## G = C:
## N emmean SE df lower.CL upper.CL .group
## N1 3177.333 365.5222 41.92 2168.104 4186.563 a
## N2 5442.667 365.5222 41.92 4433.437 6451.896 b
## N3 5994.000 365.5222 41.92 4984.771 7003.229 b
## N4 6014.000 365.5222 41.92 5004.771 7023.229 b
## N6 6065.333 365.5222 41.92 5056.104 7074.563 b
## N5 6687.333 365.5222 41.92 5678.104 7696.563 b
##
## G = D:
## N emmean SE df lower.CL upper.CL .group
## N6 1880.667 365.5222 41.92 871.437 2889.896 a
## N5 2046.667 365.5222 41.92 1037.437 3055.896 a
## N4 3816.000 365.5222 41.92 2806.771 4825.229 b
## N1 4481.333 365.5222 41.92 3472.104 5490.563 b
## N3 4812.000 365.5222 41.92 3802.771 5821.229 b
## N2 4816.000 365.5222 41.92 3806.771 5825.229 b
##
## Results are averaged over the levels of: rep
## Degrees-of-freedom method: kenward-roger
## Confidence level used: 0.95
## Conf-level adjustment: sidak method for 6 estimates
## P value adjustment: tukey method for comparing a family of 6 estimates
## significance level used: alpha = 0.05</code></pre>
<pre class="r"><code>means$comparisons # N-Mittelwertdifferenzen pro Sorte</code></pre>
<pre><code>## G = A:
## contrast estimate SE df t.ratio p.value
## N2 - N1 1419.333 516.9265 41.92 2.746 0.0873
## N3 - N1 2147.333 516.9265 41.92 4.154 0.0020
## N3 - N2 728.000 516.9265 41.92 1.408 0.7218
## N4 - N1 2480.000 516.9265 41.92 4.798 0.0003
## N4 - N2 1060.667 516.9265 41.92 2.052 0.3317
## N4 - N3 332.667 516.9265 41.92 0.644 0.9869
## N5 - N1 3310.667 516.9265 41.92 6.405 <.0001
## N5 - N2 1891.333 516.9265 41.92 3.659 0.0086
## N5 - N3 1163.333 516.9265 41.92 2.250 0.2373
## N5 - N4 830.667 516.9265 41.92 1.607 0.5987
## N6 - N1 4448.000 516.9265 41.92 8.605 <.0001
## N6 - N2 3028.667 516.9265 41.92 5.859 <.0001
## N6 - N3 2300.667 516.9265 41.92 4.451 0.0008
## N6 - N4 1968.000 516.9265 41.92 3.807 0.0057
## N6 - N5 1137.333 516.9265 41.92 2.200 0.2593
##
## G = B:
## contrast estimate SE df t.ratio p.value
## N2 - N1 1676.000 516.9265 41.92 3.242 0.0264
## N3 - N1 1953.000 516.9265 41.92 3.778 0.0061
## N3 - N2 277.000 516.9265 41.92 0.536 0.9943
## N6 - N1 2234.333 516.9265 41.92 4.322 0.0012
## N6 - N2 558.333 516.9265 41.92 1.080 0.8865
## N6 - N3 281.333 516.9265 41.92 0.544 0.9939
## N4 - N1 2589.000 516.9265 41.92 5.008 0.0001
## N4 - N2 913.000 516.9265 41.92 1.766 0.4977
## N4 - N3 636.000 516.9265 41.92 1.230 0.8195
## N4 - N6 354.667 516.9265 41.92 0.686 0.9825
## N5 - N1 2644.667 516.9265 41.92 5.116 0.0001
## N5 - N2 968.667 516.9265 41.92 1.874 0.4319
## N5 - N3 691.667 516.9265 41.92 1.338 0.7624
## N5 - N6 410.333 516.9265 41.92 0.794 0.9671
## N5 - N4 55.667 516.9265 41.92 0.108 1.0000
##
## G = C:
## contrast estimate SE df t.ratio p.value
## N2 - N1 2265.333 516.9265 41.92 4.382 0.0010
## N3 - N1 2816.667 516.9265 41.92 5.449 <.0001
## N3 - N2 551.333 516.9265 41.92 1.067 0.8917
## N4 - N1 2836.667 516.9265 41.92 5.488 <.0001
## N4 - N2 571.333 516.9265 41.92 1.105 0.8765
## N4 - N3 20.000 516.9265 41.92 0.039 1.0000
## N6 - N1 2888.000 516.9265 41.92 5.587 <.0001
## N6 - N2 622.667 516.9265 41.92 1.205 0.8322
## N6 - N3 71.333 516.9265 41.92 0.138 1.0000
## N6 - N4 51.333 516.9265 41.92 0.099 1.0000
## N5 - N1 3510.000 516.9265 41.92 6.790 <.0001
## N5 - N2 1244.667 516.9265 41.92 2.408 0.1769
## N5 - N3 693.333 516.9265 41.92 1.341 0.7606
## N5 - N4 673.333 516.9265 41.92 1.303 0.7819
## N5 - N6 622.000 516.9265 41.92 1.203 0.8328
##
## G = D:
## contrast estimate SE df t.ratio p.value
## N5 - N6 166.000 516.9265 41.92 0.321 0.9995
## N4 - N6 1935.333 516.9265 41.92 3.744 0.0068
## N4 - N5 1769.333 516.9265 41.92 3.423 0.0164
## N1 - N6 2600.667 516.9265 41.92 5.031 0.0001
## N1 - N5 2434.667 516.9265 41.92 4.710 0.0004
## N1 - N4 665.333 516.9265 41.92 1.287 0.7903
## N3 - N6 2931.333 516.9265 41.92 5.671 <.0001
## N3 - N5 2765.333 516.9265 41.92 5.350 <.0001
## N3 - N4 996.000 516.9265 41.92 1.927 0.4008
## N3 - N1 330.667 516.9265 41.92 0.640 0.9872
## N2 - N6 2935.333 516.9265 41.92 5.678 <.0001
## N2 - N5 2769.333 516.9265 41.92 5.357 <.0001
## N2 - N4 1000.000 516.9265 41.92 1.935 0.3963
## N2 - N1 334.667 516.9265 41.92 0.647 0.9865
## N2 - N3 4.000 516.9265 41.92 0.008 1.0000
##
## Results are averaged over the levels of: rep
## Degrees-of-freedom method: kenward-roger
## P value adjustment: tukey method for comparing a family of 6 estimates</code></pre>
</div>
</div>
<div id="ergebnisaufbereitung" class="section level1">
<h1>Ergebnisaufbereitung</h1>
<p>Wir wollen die Ergebnisse abschließend in einem Balkendiagramm darstellen. Weil wir aber die N-Vergleiche isoliert pro Sorte konzentrieren wollen, können wir uns entscheiden ein Balkendiagramm pro Sorte zu erstellen. In solch einer Situation kann in der <code>ggplot()</code> Funktion das <code>facet_wrap()</code> statement genutzt werden.</p>
<p>Außerdem wollen wir die Balken wieder mit denselben Farben versehen, die die N-Stufen bereits im Feldplan und dem Boxplot hatten. Dazu fügen wir zuerst dem <code>geom_bar()</code> statement <code>fill=N</code> hinzu. Nun bekommt jede N-Stufe eine andere Farbe. Um nicht die default Farben zu nehmen, sondern selbst zu bestimmen welche Farben es sein sollen, schreiben wir zusätzlich noch <code>scale_fill_manual(values=...)</code> in die Funktion. Um die dann automatisch generierte Legende zu unterdrücken (weil sie in diesem Fall keine zusätzlichen Informationen bringt), fügen wir außerdem <code>guides(fill=FALSE)</code> hinzu.</p>
<pre class="r"><code>means.plot <- as.data.table(means$emmeans) # korrektes Format für ggplot
print(means.plot, nrows=2)</code></pre>
<pre><code>## N G emmean SE df lower.CL upper.CL .group
## 1: N1 A 4252.667 365.5222 41.91628 3243.437 5261.896 a
## 2: N2 A 5672.000 365.5222 41.91628 4662.771 6681.229 ab
## 3: N3 A 6400.000 365.5222 41.91628 5390.771 7409.229 bc
## 4: N4 A 6732.667 365.5222 41.91628 5723.437 7741.896 bc
## 5: N5 A 7563.333 365.5222 41.91628 6554.104 8572.563 cd
## ---
## 20: N5 D 2046.667 365.5222 41.91628 1037.437 3055.896 a
## 21: N4 D 3816.000 365.5222 41.91628 2806.771 4825.229 b
## 22: N1 D 4481.333 365.5222 41.91628 3472.104 5490.563 b
## 23: N3 D 4812.000 365.5222 41.91628 3802.771 5821.229 b
## 24: N2 D 4816.000 365.5222 41.91628 3806.771 5825.229 b</code></pre>
<pre class="r"><code>ggplot(data=means.plot, aes(x=N)) +
geom_bar(aes(y=emmean, fill=N), stat="identity", width=0.8) +
scale_fill_manual(values=brewer.pal(6, "Dark2")) + guides(fill=FALSE) +
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.4) +
geom_text(aes(y=emmean+1500, label=.group)) +
facet_wrap(~G) + # ein plot pro Sorte
theme_bw() +
labs(main="Adj. N-Mittelwerte pro Sorte",
y="Adjustierter Ertragsmittelwert ± 95% Konfidenzintervall", x="N-Dünger",
caption="Getrennt für jede Sorte gilt: Mittelwerte, die mit einem gemeinsamen Buchstaben versehen sind,\n sind laut Tukey-test nicht signifikant voneinander verschieden.")</code></pre>
<p><img src="2f_splitplot_files/figure-html/unnamed-chunk-11-1.png" width="672" /></p>
</div>
<hr />
<p style="text-align: center;">Bei Fragen kannst du mir gerne schreiben!</p>
<p style="text-align: center;"><span style="color: #808080;"><em>[email protected]</em></span></p>
<!-- Add icon library -->
<link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/4.7.0/css/font-awesome.min.css">
<!-- Add font awesome icons -->
<p style="text-align: center;">
<a href="https://www.researchgate.net/profile/Paul_Schmidt17/research" class="fa fa-pencil"></a>
<a href="https://www.linkedin.com/in/schmidtpaul1989/" class="fa fa-linkedin"></a>
<a href="https://www.xing.com/profile/Paul_Schmidt203/cv/" class="fa fa-xing"></a>
<a href="https://github.com/SchmidtPaul/" class="fa fa-github"></a>
</p>
<a href="https://hits.seeyoufarm.com"><img src="https://hits.seeyoufarm.com/api/count/incr/badge.svg?url=https%3A%2F%2Fschmidtpaul.github.io%2FcrashcouRse%2F&count_bg=%23003F75&title_bg=%23555555&icon=&icon_color=%23E7E7E7&title=hits&edge_flat=false" class="center"/></a>
</div>
</div>
</div>
<script>
// add bootstrap table styles to pandoc tables
function bootstrapStylePandocTables() {
$('tr.header').parent('thead').parent('table').addClass('table table-condensed');
}
$(document).ready(function () {
bootstrapStylePandocTables();
});
</script>
<!-- tabsets -->
<script>
$(document).ready(function () {
window.buildTabsets("TOC");
});
$(document).ready(function () {
$('.tabset-dropdown > .nav-tabs > li').click(function () {
$(this).parent().toggleClass('nav-tabs-open')
});
});
</script>
<!-- code folding -->
<script>
$(document).ready(function () {
// move toc-ignore selectors from section div to header
$('div.section.toc-ignore')
.removeClass('toc-ignore')
.children('h1,h2,h3,h4,h5').addClass('toc-ignore');
// establish options
var options = {
selectors: "h1,h2,h3",
theme: "bootstrap3",
context: '.toc-content',
hashGenerator: function (text) {
return text.replace(/[.\\/?&!#<>]/g, '').replace(/\s/g, '_');
},
ignoreSelector: ".toc-ignore",
scrollTo: 0
};
options.showAndHide = true;
options.smoothScroll = true;
// tocify
var toc = $("#TOC").tocify(options).data("toc-tocify");
});
</script>
<!-- dynamically load mathjax for compatibility with self-contained -->
<script>
(function () {
var script = document.createElement("script");
script.type = "text/javascript";
script.src = "https://mathjax.rstudio.com/latest/MathJax.js?config=TeX-AMS-MML_HTMLorMML";
document.getElementsByTagName("head")[0].appendChild(script);
})();
</script>
</body>
</html>