ZM <- read.csv("~/Desktop/ZM.csv")
#Cambiar a factores
names(ZM)
## [1] "Tratamiento" "t" "D" "T" "cons"
ZM$t<-as.factor(ZM$t)
ZM$D<-as.factor(ZM$D)
ZM$T<-as.factor(ZM$T)
#PLANTEAMIENTO DEL MODELO
MZM<-aov(cons~t*D*T, data = ZM)
anova(MZM)
## Analysis of Variance Table
##
## Response: cons
## Df Sum Sq Mean Sq F value Pr(>F)
## t 1 0.00138746 0.00138746 90.1140 5.639e-08 ***
## D 1 0.00000017 0.00000017 0.0110 0.9176161
## T 1 0.00040000 0.00040000 25.9799 0.0001077 ***
## t:D 1 0.00014435 0.00014435 9.3757 0.0074499 **
## t:T 1 0.00000685 0.00000685 0.4448 0.5143314
## D:T 1 0.00009761 0.00009761 6.3395 0.0228393 *
## t:D:T 1 0.00026162 0.00026162 16.9922 0.0007986 ***
## Residuals 16 0.00024635 0.00001540
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#PLANTEAMIENTO DE LAS HIPOTESIS (Pr>F < alfa = 0.05)
#Ho:no hay efecto de la interacción
#Ha:hay efecto de la interacción
#COMPROBACIÓN DE SUPUESTOS
# 1_NORMALIDAD
#Gráfica
Residuos<-resid(MZM)
qqnorm(Residuos)
plot(density(residuals(MZM)))
#Analitica
library(MASS)
Residuales2<-studres(MZM)
shapiro.test(Residuales2)
##
## Shapiro-Wilk normality test
##
## data: Residuales2
## W = 0.94168, p-value = 0.1778
#Prueba de shapiro
#Ho: los residuales se distribuyen de forma normal (se cumple con normalidad)
#Ha: los residuales no se distribuyen de forma normal (no se cumple con normalidad)
#alfa=0.05
#W > 80 cumplimos con normalidad
# 2_HOMOGENEIDAD DE LAS VARIANZAS
EstimadosH<-fitted(MZM)
plot(EstimadosH, Residuos, main = "Contenido de polifenoles", xlab= "extracción", ylab="residuos")
#Levene
#Ho: todas las varianzas son iguales
#Ha: al menos una varianza es diferente
#alfa = 0.05
library(car)
## Loading required package: carData
leveneTest(cons~t*D*T, data = ZM)
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 7 0.2808 0.9523
## 16
#Conclusión: pvalue>alfa, se cumple con supuesto de homogeneidad de varianza grubbs
#############################################
#REALIZAR COMPARACIONES - PRUEBA DE TUKEY (DMSH) post hoc
library(agricolae)
boxplot(cons~t*D*T, data = ZM,main="Gráfico de comparación")
#DISOLVENTE
ComparaciónD<-HSD.test(MZM, "D",group = TRUE)
ComparaciónD
## $statistics
## MSerror Df Mean CV MSD
## 1.539667e-05 16 0.08953167 4.38265 0.003395895
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey D 2 2.997999 0.05
##
## $means
## cons std r se Min Max Q25 Q50
## 1 0.08961583 0.013324890 12 0.001132721 0.07488 0.11494 0.080365 0.083620
## 2 0.08944750 0.007330879 12 0.001132721 0.07453 0.09828 0.083490 0.091645
## Q75
## 1 0.0953975
## 2 0.0933700
##
## $comparison
## NULL
##
## $groups
## cons groups
## 1 0.08961583 a
## 2 0.08944750 a
##
## attr(,"class")
## [1] "group"
#La concentración de polifenoles es mejor en el nivel 3
#TIEMPO
Comparaciont<-HSD.test(MZM, "t",group = TRUE)
Comparaciont
## $statistics
## MSerror Df Mean CV MSD
## 1.539667e-05 16 0.08953167 4.38265 0.003395895
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey t 2 2.997999 0.05
##
## $means
## cons std r se Min Max Q25 Q50
## 1 0.08192833 0.005501125 12 0.001132721 0.07453 0.09194 0.0789625 0.08162
## 2 0.09713500 0.008655355 12 0.001132721 0.08466 0.11494 0.0917975 0.09437
## Q75
## 1 0.083050
## 2 0.099605
##
## $comparison
## NULL
##
## $groups
## cons groups
## 2 0.09713500 a
## 1 0.08192833 b
##
## attr(,"class")
## [1] "group"
#La concentración de polifenoles es mejor en el nivel 2, hay diferencias
#TIEMPO
ComparacionT<-HSD.test(MZM, "T",group = TRUE)
ComparacionT
## $statistics
## MSerror Df Mean CV MSD
## 1.539667e-05 16 0.08953167 4.38265 0.003395895
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey T 2 2.997999 0.05
##
## $means
## cons std r se Min Max Q25 Q50
## 1 0.08544917 0.008335103 12 0.001132721 0.07453 0.09828 0.0789625 0.083745
## 2 0.09361417 0.011201431 12 0.001132721 0.08068 0.11494 0.0834275 0.091840
## Q75
## 1 0.0920775
## 2 0.0992750
##
## $comparison
## NULL
##
## $groups
## cons groups
## 2 0.09361417 a
## 1 0.08544917 b
##
## attr(,"class")
## [1] "group"
#La concentración de polifenoles es mejor en el nivel 2, hay diferencias
#INTERACCIÓN DISOLVENTE/TIEMPO
ComparacionDt<-HSD.test(MZM, c("D","t"), group = TRUE)
ComparacionDt
## $statistics
## MSerror Df Mean CV MSD
## 1.539667e-05 16 0.08953167 4.38265 0.006481473
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey D:t 4 4.046093 0.05
##
## $means
## cons std r se Min Max Q25 Q50
## 1:1 0.07956000 0.002939394 6 0.001601909 0.07488 0.08258 0.0780475 0.080050
## 1:2 0.09967167 0.011802051 6 0.001601909 0.08466 0.11494 0.0920775 0.098125
## 2:1 0.08429667 0.006669002 6 0.001601909 0.07453 0.09194 0.0814800 0.083270
## 2:2 0.09459833 0.003175175 6 0.001601909 0.09138 0.09828 0.0917800 0.094270
## Q75
## 1:1 0.0818275
## 1:2 0.1086200
## 2:1 0.0897325
## 2:2 0.0973975
##
## $comparison
## NULL
##
## $groups
## cons groups
## 1:2 0.09967167 a
## 2:2 0.09459833 a
## 2:1 0.08429667 b
## 1:1 0.07956000 b
##
## attr(,"class")
## [1] "group"
#INTERACCIÓN DISOLVENTE/TEMPERATURA
ComparacionDT<-HSD.test(MZM, c("D","T"), group = TRUE)
ComparacionDT
## $statistics
## MSerror Df Mean CV MSD
## 1.539667e-05 16 0.08953167 4.38265 0.006481473
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey D:T 4 4.046093 0.05
##
## $means
## cons std r se Min Max Q25 Q50
## 1:1 0.08351667 0.007503814 6 0.001601909 0.07488 0.09267 0.0780475 0.08204
## 1:2 0.09571500 0.015653406 6 0.001601909 0.08068 0.11494 0.0823025 0.09308
## 2:1 0.08738167 0.009358018 6 0.001601909 0.07453 0.09828 0.0814800 0.08719
## 2:2 0.09151333 0.004518520 6 0.001601909 0.08371 0.09784 0.0914700 0.09184
## Q75
## 1:1 0.0900750
## 1:2 0.1086200
## 2:1 0.0949400
## 2:2 0.0923375
##
## $comparison
## NULL
##
## $groups
## cons groups
## 1:2 0.09571500 a
## 2:2 0.09151333 ab
## 2:1 0.08738167 bc
## 1:1 0.08351667 c
##
## attr(,"class")
## [1] "group"
#INTERACCIÓN TEMPERATURA/TIEMPO
ComparaciontT<-HSD.test(MZM, c("T","t"), group = TRUE)
ComparaciontT
## $statistics
## MSerror Df Mean CV MSD
## 1.539667e-05 16 0.08953167 4.38265 0.006481473
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey T:t 4 4.046093 0.05
##
## $means
## cons std r se Min Max Q25 Q50
## 1:1 0.07838000 0.003334762 6 0.001601909 0.07453 0.08283 0.0755575 0.078505
## 1:2 0.09251833 0.004667605 6 0.001601909 0.08466 0.09828 0.0916325 0.092275
## 2:1 0.08547667 0.005023842 6 0.001601909 0.08068 0.09194 0.0823025 0.083145
## 2:2 0.10175167 0.009585102 6 0.001601909 0.09138 0.11494 0.0938125 0.100710
## Q75
## 1:1 0.0806275
## 1:2 0.0952200
## 2:1 0.0897325
## 2:2 0.1086200
##
## $comparison
## NULL
##
## $groups
## cons groups
## 2:2 0.10175167 a
## 1:2 0.09251833 b
## 2:1 0.08547667 c
## 1:1 0.07838000 d
##
## attr(,"class")
## [1] "group"
#INTERACCIÓN TEMPERATURA/TIEMPO/DISOLVENTE
ComparaciontTD<-HSD.test(MZM, c("t","D","T"), group = TRUE)
ComparaciontTD
## $statistics
## MSerror Df Mean CV MSD
## 1.539667e-05 16 0.08953167 4.38265 0.0110921
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey t:D:T 8 4.89622 0.05
##
## $means
## cons std r se Min Max Q25 Q50
## 1:1:1 0.07729667 0.002284170 3 0.002265441 0.07488 0.07942 0.076235 0.07759
## 1:1:2 0.08182333 0.001007290 3 0.002265441 0.08068 0.08258 0.081445 0.08221
## 1:2:1 0.07946333 0.004366158 3 0.002265441 0.07453 0.08283 0.077780 0.08103
## 1:2:2 0.08913000 0.004694923 3 0.002265441 0.08371 0.09194 0.087725 0.09174
## 2:1:1 0.08973667 0.004414231 3 0.002265441 0.08466 0.09267 0.088270 0.09188
## 2:1:2 0.10960667 0.005711649 3 0.002265441 0.10358 0.11494 0.106940 0.11030
## 2:2:1 0.09530000 0.003430437 3 0.002265441 0.09155 0.09828 0.093810 0.09607
## 2:2:2 0.09389667 0.003458241 3 0.002265441 0.09138 0.09784 0.091925 0.09247
## Q75
## 1:1:1 0.078505
## 1:1:2 0.082395
## 1:2:1 0.081930
## 1:2:2 0.091840
## 2:1:1 0.092275
## 2:1:2 0.112620
## 2:2:1 0.097175
## 2:2:2 0.095155
##
## $comparison
## NULL
##
## $groups
## cons groups
## 2:1:2 0.10960667 a
## 2:2:1 0.09530000 b
## 2:2:2 0.09389667 b
## 2:1:1 0.08973667 bc
## 1:2:2 0.08913000 bc
## 1:1:2 0.08182333 cd
## 1:2:1 0.07946333 cd
## 1:1:1 0.07729667 d
##
## attr(,"class")
## [1] "group"
#CONCLUSIÓN: La mejor combinación es -1:-1:1
################################################