R语言统计学DOE实验设计：用平衡不完全区组设计（BIBD）分析纸飞机飞行时间实验数据
全文链接：http://tecdat.cn/?p=31010
原文出处：拓端数据部落公众号
平衡不完全区组设计（BIBD）是一个很好的研究实验设计，具有从统计的角度看各种所需的特征。
最近我们被要求撰写关于BIBD的研究报告，包括一些图形和统计输出。
对于一个BIBD有K个观测，重复r次实验。还有第5参数lamda，记录其中每对治疗发生在设计块的数目。
生成一组BIBD设计，设计行列和每块的元素具体数目。 如果BIBD(b,v,r,k)存在则 ：1=v
我们设置区组
BIB(7,7, 4, 2)## [,1] [,2] [,3] [,4] ## [1,] 2 3 5 6 ## [2,] 3 4 6 7 ## [3,] 1 2 4 6 ## [4,] 1 5 6 7 ## [5,] 2 4 5 7 ## [6,] 1 2 3 7 ## [7,] 1 3 4 5
这种设计不是BIBD，因为处理不是所有重复的设计都有相同的次数，我们可以通过isGUID检查。对于本例：
BIB(7,7, 4, 2)## [,1] [,2] [,3] [,4] ## [1,] 2 3 5 6 ## [2,] 1 5 6 7 ## [3,] 2 4 5 7 ## [4,] 1 2 4 6 ## [5,] 1 2 3 7 ## [6,] 3 4 6 7 ## [7,] 1 3 4 5
然后，我们修改参数，来查看该模型是否生产BIBD
my.design## [,1] [,2] [,3] ## [1,] 1 2 6 ## [2,] 2 3 7 ## [3,] 1 4 7 ## [4,] 3 4 6 ## [5,] 1 3 5 ## [6,] 2 4 5 ## [7,] 5 6 7## ## [1] The design is a balanced incomplete block design w.r.t. rows.
从结果来看，该设计是一个平衡不完全区组设计 。 在这种情况下，我们能够生成有效BIBD实验使用指定的参数。
分析Box-Behnken设计
Box-Behnken设计的优良在于，可以将其应用于分析2至5个因子的实验。
下面将其扩展到回归模型的实验设计中，比如在下面的一个纸飞机的飞行时间的实验。 这是另一个多种因子的实验，在四个变量。 这些数据已经被编码。原始的变量是机翼面积A，翼状R，机身宽度W，和身体长度L ， 在数据集中的每个观测代表的10次重复的的纸飞机在每个实验条件下的结果。我们在这里研究平均飞行时间 。
使用响应曲面法对变量进行回归模型拟合
查看模型结果
summary(heli.rsm)## ## Call: ## rsm(formula = ave ~ block + SO(x1, x2, x3, x4), data = heli) ## ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 372.800000 1.506375 247.4815 < 2.2e-16 *** ## block2 -2.950000 1.207787 -2.4425 0.0284522 * ## x1 -0.083333 0.636560 -0.1309 0.8977075 ## x2 5.083333 0.636560 7.9856 1.398e-06 *** ## x3 0.250000 0.636560 0.3927 0.7004292 ## x4 -6.083333 0.636560 -9.5566 1.633e-07 *** ## x1:x2 -2.875000 0.779623 -3.6877 0.0024360 ** ## x1:x3 -3.750000 0.779623 -4.8100 0.0002773 *** ## x1:x4 4.375000 0.779623 5.6117 6.412e-05 *** ## x2:x3 4.625000 0.779623 5.9324 3.657e-05 *** ## x2:x4 -1.500000 0.779623 -1.9240 0.0749257 . ## x3:x4 -2.125000 0.779623 -2.7257 0.0164099 * ## x1^2 -2.037500 0.603894 -3.3739 0.0045424 ** ## x2^2 -1.662500 0.603894 -2.7530 0.0155541 * ## x3^2 -2.537500 0.603894 -4.2019 0.0008873 *** ## x4^2 -0.162500 0.603894 -0.2691 0.7917877 ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Multiple R-squared: 0.9555, Adjusted R-squared: 0.9078 ## F-statistic: 20.04 on 15 and 14 DF, p-value: 6.54e-07 ## ## Analysis of Variance Table ## ## Response: ave ## Df Sum Sq Mean Sq F value Pr(>F) ## block 1 16.81 16.81 1.7281 0.209786 ## FO(x1, x2, x3, x4) 4 1510.00 377.50 38.8175 1.965e-07 ## TWI(x1, x2, x3, x4) 6 1114.00 185.67 19.0917 5.355e-06 ## PQ(x1, x2, x3, x4) 4 282.54 70.64 7.2634 0.002201 ## Residuals 14 136.15 9.72 ## Lack of fit 10 125.40 12.54 4.6660 0.075500 ## Pure error 4 10.75 2.69 ## ## Stationary point of response surface: ## x1 x2 x3 x4 ## 0.8607107 -0.3307115 -0.8394866 -0.1161465 ## ## Stationary point in original units: ## A R W L ## 12.916426 2.434015 1.040128 1.941927 ## ## Eigenanalysis: ## $values ## [1] 3.258222 -1.198324 -3.807935 -4.651963 ## ## $vectors ## [,1] [,2] [,3] [,4] ## x1 0.5177048 0.04099358 0.7608371 -0.38913772 ## x2 -0.4504231 0.58176202 0.5056034 0.45059647 ## x3 -0.4517232 0.37582195 -0.1219894 -0.79988915 ## x4 0.5701289 0.72015994 -0.3880860 0.07557783
绘制拟合值的等高线图
contour(
可视化结果
围绕拟合面，我们可以画出样本拟合点的位置。默认情况下，每个小区显示多个轮廓线的图像。 可以看到，图中显示的不一定是等高线图的中心（默认可变范围是从数据中获得 ）;而是它设置在在坐标轴上的变量对应的值。 因此，左上角的图中绘制了在x1和x2对应的拟合值，其中x3 =-0.839和x4=-0.116， 在固定的值，最大的就是该坐标X1 =0.861，X2=-0.331。
最受欢迎的见解
1.R语言多元Logistic逻辑回归 应用案例
2.面板平滑转移回归(PSTR)分析案例实现
3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.R语言泊松Poisson回归模型分析案例
5.R语言回归中的Hosmer-Lemeshow拟合优度检验
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
7.在R语言中实现Logistic逻辑回归
8.python用线性回归预测股票价格
9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标
