R语言进行多重样本t检验代码问题

菜鸟学R语言(组间多重比较) 菜鸟学R语言(组间多重比较) 经过方差分析可以说明各总体均值间的差异是否显著,即只能说明均值不全相等,但不能具体说明哪几个均值之间有显著差异。此时多重比较就派上用场了,在科研中也是比较常用的方法。 具体的理论知识不再多讲,上代码之前先了解一下多重比较的类别。 LSD检验(最小显著差数检验法):这也是我最常用的方法,基本上就是T检验的简单变形,T检验是对两组,而这个可以对多组间的均数做检验; Dunnett检验:适用于多个试验组与一个对照组的比较,多对一; Turkey检验:适用于组数大于6以上(不确定); 阅读详情

文章来源:https://blog.youkuaiyun.com/hill_night/article/details/44046307

详细内容:

这里给出来一个利用R语言分析样品之间的t检验和秩和检验的一个例子,先贴出来代码,后面再解释

具体代码如下:

data<-read.table("test1.txt",header=TRUE)   #data<-read.csv("GSE32424_RPKM.csv",header=TRUE)  #这里读入数据 
n<-c(1:nrow(data))   #这里给一个索引,是写for语言的一个个人癖好,其实可以直接写到下面for里面去
p.t<-rep(NA,nrow(data))  #建立一个t检验的p值空向量
p.w<-rep(NA,nrow(data))  #建立一个秩和检验的p值空向量,里面赋的是NA
for ( i in n){ 
p.w[i]<- wilcox.test(as.numeric(data[i,2:6]),as.numeric(data[i,7:11]))$p.value;    #p.w里面输入值
p.t[i] <-t.test(data[i,2:6],data[i,7:11])$p.value;    #p.t赋值
 }
p.w<-as.numeric(p.w)  #在操作的过程中发现秩和检验的包输出来不是列表的形式,这里变成列表
fdr.w<-p.adjust(p.w,method="fdr",length(p.w))    #p.adjust就是计算FDR的包,这个可要记得了
fdr.t<-p.adjust(p.t,method="fdr",length(p.t))
res<-cbind(data,p.t,fdr.t,p.w,fdr.w)    #把结果合并起来
write.csv(res,file="res.csv")     #输出csv文件
以上便是所用到的代码了,下面给出来测试数据,在看本文的时候可以直接拷过去贴到工作目录


Gene 4N 5N 6N 8N9N 2T 3T 6T 8T9T
GAPDH 1811.13 1779.28 1180.25996.99 1454.871799.66 3048.242084.11 1251.333222.28
S100A9 25277.2433194.14 18637.5426072.54 26239.093084.49 7684.1289.66 82.62515.21
FTL 471.33 354.6 259.01 257.9 443.28 1130.17 1465.381319.74 1326.512475.93
S100A8 18248.9432083.04 18079.4623749.33 21148.972334.64 5879.4339.09 25.76533.7
LOC100288418 814.07902.93 502.09811.05 512.571852.77 1563.131006.77 1556.64959.92
KRT6A 3807.5 4854.41 1596.093991.05 3221.79988.59 2389.261349.69 1339.68882.54
KRT5 1745.16 821.04 941.71 1191.85 758.8 2324.42 1453.491335.81 1306.65567.58
RPS18 1570.25 1487.06 1600.961242.66 1117.041272.05 975.261187.09 1484.85581.08
ANXA1 9171.99 14565.69 8599.7611900.67 12276.11377.27 1565.95553.39 3257.22584.87
TPT1 2083.54 3018.54 2037.222481.17 2366.61124.4 919.421267.48 994.65545.43
TMSB4X 523.54 673.44 449.08 470.51 461.43 1093.51 1194.98748.15 942.51180.03
TMSB10 493.26 416.65 288.8 543.33 476.03 592.82 882.86 827.27 597.58 1015.88
B2M 377.03 406.09 382.77 297.77 195.4 1192.96 538.371008.24 698.761224.2
RPL35A 406.81 610.8 454.92 438.2 389.41 752.72 863.15 675.7 995.81 726.61
RPS17 907.34 994.95 844.3 756.88 717.88 1132.44 546.37876.2 1116.56451.31
RPS2 912.88 773.46 802.7 596.16 527 964.6 355.32 680.81 1026.22561.21
RPS6 984.47 1179.33 1010.77900.74 759.061053.74 780.03904.94 1264.66354.18
FABP5 1452.1 2212.45 1265.07956.39 728.21716.21 3295.76111.17 123.8328.78
RPS20 700.24 837.47 690.78 547.98 429.96 729.37 1106.82886 965.82423.35
RPLP0 1245.78 1219.24 1091.01910.94 856.51956.4 523.67620.61 1051.96496.44
RPL37A 814.53 1030.49 1008.5905.22 769.54738.65 728.81526.05 1222.33475.77
————————————————
版权声明:本文为优快云博主「夜丘」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.youkuaiyun.com/hill_night/article/details/44046307

问题:

我按照原博主的代码运行,发现第一是TXT文件无法读取,然后我改了代码:

data <- read.table("test1.txt",sep="\t",head=TRUE)

data <- read.table("test1.txt",sep="\t",head=TRUE);data

改代码后可以读取了,但是进行t检验时,出现了错误:

Error in if (stderr < 10 * .Machine$double.eps * max(abs(mx), abs(my))) stop("data are essentially constant") : 
  需要TRUE/FALSE值的地方不可以用缺少值
此外: Warning message:
In mean.default(x) : argument is not numeric or logical: returning NA

后面的代码不知道怎么解决,请问有经验的人能帮助下吗。

统计学常用的分析方法:T检验 T检验根据使用场景可以分为三类:(1) 单样本t检验(One-sample t-test)用途:比较单个样本的均值与已知总体均值的差异。假设:样本来自正态分布的总体。例子:学生的每次数学成绩是否是符合均值为xx的正态分布(2) 配对样本t检验(Paired Samplest-test)用途:用于比较同一组样本在两个不同条件下的均值是否显著不同假设:假设两个条件下的数据是成对的,即每个观察值在两个条件下都有对应。另外,假设成对差值符合正态分布。 阅读详情

相关推荐

R进行多重t检验

X A 1  0.2156628 1 2  0.2871022 1 3  0.2641319 1 4  0.1095140 2 5  0.1736879 2 6  0.1380919 2 7  0.1269411 3 8  0.1647899 3 9  0.1551072 3 10 0.1370872 4 11 0.1603417 4 12 0.1621285 4

doudou8486的专栏 7227

linux for windows

map<string,rad_err> linemod_match::match_final(string path){ srand((unsigned) time(NULL));//diff color MIPP_test(); time_t begin,end; double duration; begin=clock(); ...

gzr2018的博客 399

统计学-R语言实例(部分

1t检验 1. 1单样本t检验 已知某水样中含碳酸钙的真值为20.7mg/L,现用某法重复测定该水样12次,碳酸钙的含量分别为…问该法测定碳酸钙含量所得的均值与诊治有无显著差异? > x <- c(20.99,20.41,20.10,20.00,20.91,22.60,20.99,20.42,20.90,22.99,23.12,20.89) > t.test(x,alternat...

weixin_37665090的博客 3439

R语言数据统计2——T(t)检验

t检验算法及其在R语言中的实现 常用统计方法-1:t检验,秩和检验和方差分析 1 定义 t 检验法就是在假设检验时利用 t 分布进行概率计算的检验方法。 那问题来了,什么是 t 分布呢?自行百度吧 所以我们在进行 t 检验之前,应该对数据进行正态性检验以及方差齐性检验 2 单样本T检验 1)提出假设: -2) 计算t 3)统计推断 4)在R中实现 单样本T检验 > data <- c(4.33,4.62,3.89,4.14,4.78,4.64,4.52,4.55,4

LeaningR的博客 1万+

R语言统计绘图:t检验的实现方法

alternative参数用于指定备择假设的类型,"two.sided"表示双侧检验,"less"表示左侧检验,"greater"表示右侧检验。除了使用统计指标来解释t检验的结果,我们还可以通过绘制图表来更直观地展示样本之间的均值差异。在R语言中,我们可以使用t.test()函数进行t检验的计算和可视化。执行上述代码后,t.test()函数将返回一个包含t检验结果的对象,其中包括t值、自由度、p值等统计信息。为了查看t检验的结果,我们可以打印出返回的对象,或者提取其中特定的统计信息。步骤 1: 准备数据。

CodeGu的博客 1141

MATLAB基础应用精讲-【数模应用】单样本t检验(附python和R语言代码实现)

单样本t检验是一种常用的统计分析方法,用于检验一个样本的平均值是否与一个已知的参考值存在显著性差异。该方法适用于对一个样本的均值进行假设检验,其中已知参考值和样本方差。在进行单样本t检验时,需要注意以下细节和注意事项:1. 样本大小要足够。样本大小是单样本t检验的关键因素之一。如果样本大小过小,可能会导致检验结果不稳定或不可靠。通常建议样本大小大于30个观测值。2. 样本数据要符合正态分布。在进行单样本t检验之前,需要确保样本数据符合正态分布。

qq_36130719的博客 744

入门必学 | R语言参数检验之t检验与方差分析

独立性、正态性、方差齐性检验,这三大检验的顺序,以及满足什么条件的时候该用参数与非参数分析。今天,利用下面的流程图做简单介绍:1)顺序上,三大检验不存在一个孰先孰后的问题。三者都需要做相对应的检验,来判断数据适合用哪种分析方法更科学。2)条件上,当满足三个条件时,可以选择使用参数分析了。(参数分析有很多种,主要包括t检验、方差分析、Pearson的相关分析等)当正态性与方差齐性都不满足时,必须选择非参数分析,否则统计分析的科学性将大打折扣。

R酷的数据科学笔记 6794

GitHub漏洞挖掘与CVE提交实战指南:从发现到编号的完整链路

GitHub开源项目是现代软件供应链的核心节点,其安全漏洞直接影响全球数百万系统的机密性、完整性与可用性。理解漏洞本质需回归CIA三元组原理,而真实可利用性依赖对协议解析层、配置加载区和依赖传递链等高危模块的精准识别。技术价值在于将模糊的‘可疑逻辑’转化为符合MITRE CVE标准的可验证事件,支撑SDL流程、威胁情报建设与供应链风险管理。典型应用场景包括甲方安全工程师推动供应商修复、独立研究者参与负责任披露,以及DevSecOps团队构建自动化风险坐标系。本文基于27次CVE提交经验,聚焦GitHub代码

weixin_33646989的博客 652

R语言卡方检验最全总结

完美观看体验请至公众号查看本文。,专注R语言在临床医学中的使用,R语言数据分析和可视化。卡方检验/列联表资料的卡方检验在临床中非常常见!因为最近又有一批临床数据要进行统计,所以趁机把卡方检验的R语言实现再重新梳理一遍。这篇文章涵盖了。课本电子版和配套数据已上传到QQ群,需要的朋友加群下载即可。

医学和生信笔记的博客 1万+

Unity序列帧动画输出全攻略:Recorder+Timeline实战与透明通道处理

序列帧动画是游戏开发、影视动画和UI动效中的基础技术,指将连续动作分解为一系列静态图像并按序播放,形成动态视觉效果。其原理是通过时间轴精确控制每一帧的内容与时机,实现动画的逐帧呈现。在实时渲染领域,序列帧输出技术价值显著,它能够将动态内容高质量地转换为静态图像序列,便于跨平台复用、后期合成与资源分发。应用场景广泛,包括角色动画导出、技能特效制作、宣传片素材生成等。本文聚焦Unity引擎,深入解析如何利用Recorder与Timeline工具链,高效输出带Alpha透明通道的PNG序列帧,并重点攻克透明通道处

weixin_31556767的博客 328

yolov10+bytetrack实现多目标跟踪

在训练yolov10权重的时候一定要注意将类别信息改成自己的信息。把类比什么的改成自己的数据集,数据集的路径也要替换自己的路径。就可以训练自己的数据集了,训练完之后得到自己的权重文件。自己创建一个.yaml文件用于自己数据集的路径选择。工具标注自己的数据集,一定要分清楚自己的类别信息。使用以下代码可以按照比例划分自己的数据集。之后打开命令框输入以下命令进入标注页面。只需要输入好自己数据集的路径就可以开始。将代码里面的nc改成自己的真实类别。修改完之后,运行train.py。然后标注自己的数据集就行。

l15717690526的博客 1530

基于R语言的统计模拟——假设检验2

本文探讨了多组均数比较时,在方差不齐的情况下非参数检验的适用性。通过介绍One-Way ANOVA、Welch近似检验和Kruskal-Wallis H检验三种方法,并构建R语言函数进行模拟,对比了在不同标准差和样本量设置下,三种方法的一类错误和检验效能。结果显示,在方差不齐时,Kruskal-Wallis H检验表现稳健,相较于One-Way ANOVA和Welch近似检验,其一类错误率更接近预设的显著性水平,且检验效能随样本量增加而提升。

月遇从云的博客 2777

深入解析poi-tl自定义表格渲染插件中的多级子循环实现

本文深入解析了poi-tl自定义表格渲染插件中的多级子循环实现,详细介绍了其在处理复杂业务数据时的核心价值、实现原理及实战技巧。通过多级子循环机制,开发者可以高效地将层级数据结构渲染到Word表格中,显著提升代码简洁性和维护效率。文章还分享了性能优化和异常处理经验,帮助开发者更好地应用该插件。

weixin_33734785的博客 486

R语言统计—多重比较(1)

在我们实际数据分析中,通常会碰到两组以上定量数据的比较,对于这种需求我们不能再进行t检验,因为这样会增加一类错误的概率。 t检验每次只能进行两组之间的比较,每次比较时犯一类错误的概率为α(0.05),假设有3组之间需要相互比较,一共需要比较3次,那么每次比较时不犯I类错误的概率为:0.95(1-0.05);那么比较三次均不犯错误的概率为为:0.95^3=0.857375;那么犯I类错误的概率为1-0.857375=0.142625,远大于设定的0.05,并且随比较次数的增多,这个概率还在增大,因此多个均数.

R语言与医学生 5019

银河麒麟服务器操作系统V10SP3 U盘安装中“基础软件仓库错误”的排查与修复指南

本文针对在无网络环境下使用U盘安装银河麒麟服务器操作系统V10SP3时,遇到的“基础软件仓库错误”问题,提供了详细的排查与修复指南。核心解决方案是通过进入救援模式,使用lsblk命令确定U盘实际设备路径,并在系统引导时手动添加inst.repo内核参数来指定安装源,从而绕过安装程序的自动探测故障,确保安装流程顺利进行。

ik67890123的博客 1197

手把手入门YOLO到改进优化教程 | 【P6进阶篇】YOLOv8模型剪枝优化实战-LAMP剪枝

本节首先介绍LAMP剪枝相关理论。然后结合YOLO框架,手把手搭建剪枝工程,包括配置文件修改、剪枝脚本构建等内容。

嵌入式阿齐Archie 2万+

R语言参数检验多重比较

完美观看体验请至公众号查看本文。,专注R语言在临床医学中的使用,R语言数据分析和可视化。对于多个样本均数的多重比较,比较常用的是LSD-t,SNK,Dunnett,Tukey等,这些方法在之前的推文中介绍过。PMCMRplus完成的。下面我们展示下~还是使用课本的数据(孙振球,徐勇勇《医学统计学》第四版)。但是这样并不能判断到底是哪两个组之间有差别,所以需要进行两两比较(事后检验,多重比较)。

医学和生信笔记的博客 4127

3篇1章6节:R基础绘图之图形的保存和导出技巧

高质量图形导出是R语言用户在数据分析和科研工作中的重要技能。通过合理控制图形的分辨率、选择合适的颜色管理方案和文件格式,以及掌握批量保存图形的技巧,可以显著提升图形的展示效果和应用范围。这不仅有助于提高研究成果的展示质量,还能在各种专业场合中展现数据分析的精确性和美观性。

MD Code 1482

R语言统计检验全攻略(t检验与ANOVA深度解析)

掌握R语言统计检验:t检验与ANOVA实现,快速解决组间差异分析问题。涵盖独立样本t检验、配对t检验及单因素方差分析,详解适用场景与R代码实现,助你高效完成数据验证。方法实用、步骤清晰,值得收藏。

InstrIsle的博客 920

innovus中如何设置cts参数

上面是设置cts的一般设置,如果需要对某些skew group或者某些clock tree设置不一样的参数,如需要对clk1这个clock设置不一样的inverter,可以使用。需要查询已经设置过的ccopt参数,可以使用get_ccopt_property去查询,方法和set_ccopt_property一致。言归正传,cts的设置命令是set_ccopt_property,获取命令是get_ccopt_property。另外,set_ccopt_property提供一套命令查询方法。

芯冰乐 545

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

独立样本t检验:原理、R实现与应用指南

独立样本t检验是统计学中最基础且应用广泛的参数检验方法,用于比较两组独立样本的均值差异。其核心原理是通过计算t统计量,评估样本均值差异是否具有统计学显著性。在实际工程与科研中,该方法常用于医学试验、教育研究和心理学实验等场景。使用R语言实现时,需先验证数据正态性(如Shapiro-Wilk检验)和方差齐性(如Levene检验),再选择标准t检验或Welch's t检验。完整分析流程包括假设检验、效应量计算(Cohen's d)和结果可视化(箱线图、置信区间图)。掌握独立样本t检验有助于科研人员准确分析实验数

weixin_30847939的博客 769

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

R语言和医学统计学(9):多重检验

这是R语言和医学统计学的第9篇内容。主要是用R语言复现课本中的例子。我使用的课本是孙振球主编的《医学统计学》第4版。

医学和生信笔记的博客 2858

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

R语言统计入门到精通:3步完成t检验与ANOVA分析

掌握R语言统计检验:t检验与ANOVA实现,3步完成数据分析。适用于组间差异检验与多组比较,涵盖数据准备、假设检验与结果解读,操作简洁、结果可靠,适合科研与实务应用,值得收藏。

Instrulink的博客 1247

如何做组间差异检验_R语言统计与绘图:组间差异的多重比较

前面我们一起学习了如何进行多组独立样本的差异比较,包括参数和非参数的检验方法。但备择假设为组间的差异不全相等,如拒绝原假设的话,通常需要进行组间差异多重比较,即两两比较。针对不同的设计和数据特征,我们可以选择合适的方法,如图1所示。图1下面,我们将接着方差分析和非参数检验的例子进一步介绍在R中实现组间差异的多重比较。目 录1. 参数检验1.1 前文回顾1.2 均数间的两两比较1.2.1...

weixin_39876645的博客 6193
visualbasiclili
博客等级 码龄11年 0粉丝 0原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值