Importe el archivo “DCL.txt” desde una ubicación en Internet y cree el objeto “DCL” de la siguiente manera:

DCL<- fread("https://archive.org/download/byrong_DCL/DCL.txt",header=T, sep="\t", dec=",")

Para visualizar el contenido de los primeros seis registros del archivo “DCL” ejecute:

print(head(DCL))

Definición del modelo y análisis de la varianza

Es necesario cargar en la memoria las variables del archivo DCL. Para acceder directamente a cada una de las variables se emplea el comando “attach”

attach(DCL)

Se crea un objeto tipo factor TRC con la columna Puntos

TRC<- factor(DCL$Puntos)

Se crea un objeto tipo factor FILA con la columna Día

FILA<-factor(DCL$Dia)

Se crea un objeto tipo factor COL con la columna Hora

COL<-factor(DCL$Hora)

Se crea un vector de datos Resp con la columna ppm (variable de respuesta)

Resp<-as.vector(DCL$ppm)

Luego el vector Resp se convierte a un vector Resp1 de tipo numérico

Resp1<-as.numeric(Resp)
boxplot(split(Resp1,TRQ),xlab="Puntos de Ciudad", ylab="Concentraciones de monóxido de carbono")

Análisis de varianza usando la función (aov) Analysis of Variance

DCL.aov<-aov(Resp1 ~ FILA + COL + TRC)
anova(DCL.aov)

Se invoca para su uso el paquete “agricolae”

library(agricolae)

Coeficiente de variación

cv.model(DCL.aov)

Análisis de varianza usando la función modelo lineal (lm) Linear model

DCL.lm <- lm(Resp1 ~ FILA + COL + TRC)
anova(DCL.lm)

Evaluación de los Supuestos del modelo estadístico matemático

Prueba de normalidad Shapiro-Wilk

Hipótesis

Ho: Los residuos siguen la distribución normal

Ha: Los residuos no siguen la distribución normal

Prueba de normalidad de Shapiro-wilk para los residuos

shapiro.test(DCL.lm$res)

Para construir el gráfico QQ plot y verificar la normalidad, se invoca el paquete “car”

library(car)
qqPlot(DCL.aov)

Gráfico de predichos contra residuos estandarizados

Para evaluar los supuestos de homogeneidad de varianzas e independencia de los residuos, obtenga los valores predichos y los residuos de la siguiente manera:

Valores predichos

fitc <- fitted(DCL.aov)

Residuos estandarizados

res_stc <- rstandard(DCL.aov)

Gráfico de predichos contra residuos estandarizados para verificar la homogeneidad de varianzas e independencia de los residuos

plot(fitc,res_stc,xlab="Valores predichos", ylab="Residuos estandarizados",abline(h=0))

Prueba de homocedasticidad (homogeneidad de las varianzas)

Prueba de Bartlett

bartlett.test(Resp1 ~ TRC)

Prueba de Levene

leveneTest(Resp1 ~ TRC, center = "median")

Pruebas de comparación múltiple de medias

Método de la diferencia mínima significativa, Least Significant Difference (LSD)

outLSD <-LSD.test(DCL.aov, "TRC",console=TRUE)

Prueba de Tukey

outHSD<-HSD.test(DCL.aov, "TRC",console=TRUE)

Prueba de Student-Newman-Keuls (SNK)

SNK.test(DCL.aov, "TRC",console=TRUE)

Prueba de Scheffé

scheffe.test(DCL.aov, "TRC",console=TRUE)

Prueba de Duncan

duncan.test(DCL.aov, "TRC",console=TRUE)

Prueba de Bonferroni

LSD.test(DCL.aov, "TRC", p.adj= "bon",console=TRUE)

Prueba de Scott-Knott

Para realizar la prueba de Scott-Knott se invoca el paquete “ScottKnott”

library(ScottKnott)

Se realiza la prueba con un nivel de significancia de 5%, utilizando la información del modelo generado con la función aov

sk <- SK(DCL.aov, which= "TRC",  dispersion="se", sig.level=0.05)
summary(sk)

Para desvincular de la memoria las variables archivo DBA, ejecute:

detach(DCL)

Para borrar todos los objetos del Script, ejecute:

rm(list=ls())

Regresar a la página principal de Scripts