1示例：T检验
t.test（）
X：单变量测量矢量y：因素描述实验设计var.equal = true：适用于相对较小的实验，不可用其他信息？公式：替代代表，y〜x。
头（睡觉）##额外组ID ## 1 0.7 1 1 ## 2 -1.6 1 2 ## 3 -0.2 1 3 ## 4 -1.2 1 4 ## 5 -0.1 1 5 ## 6 3.4 1 6绘图（额外〜组，数据=睡眠）
##传统接口（睡眠，T.Test（extra [Group == 1]，extra [Group == 2]））## ## Welch两个样本T-Test ## ##数据：额外[组== 1]和额外[组== 2] ## T = -1.8608，DF = 17.776，P值= 0.07939 ##替代方案假设：易于等于0 ## 95％置信区间的真实差异：## -3.3654832 0.2054832 ##样本估计：## x意思是y ## 0.75 2.33的x意思##公式接口T.Test（额外〜组，睡眠）## ## welch两个样本t-test ## ##数据：额外的组## t = -1.8608，df = 17.776，p值= 0.07939 ##替代假设：意味着的真实差异不等于0＃＃95百分比置信区间：## -3.3654832 0.2054832 ##样本估计：##在第1组中的均值在第2组中的意思## 0.75 2.33##组之间的等方差t.Test（额外〜组，睡眠，var.equal = true）## ##两个样本T-Test ## ##数据：额外的组## T = -1.8608，DF = 18，p值= 0.07919 ##替代假设：替代假设：意味着的差异不等于0 ##95％的置信区间：## -3.363874 0.203874 ##样本估计：##在第1组中的均值意味着2组## 0.75 2.33lm（）和Anova（）
lm（）： 合身线性模型。Anova（）：统计学评估。
##线性模型;与t.test（var.equal = true）fit < - lm（额外〜组，睡眠）ANOVA（适合）##差异表分析## ##响应：额外的## DF SUM SQ平均SQ F值Pr（> F）##组1 12.482 12.4820 3.4626 0.07919。##残差18 64.886 3.64.886 3.6048 ## --- ## signif。代码：0'***'0.001'**'0.01'*'0.05'。'0.1''1- 在引擎盖下：
公式： 翻译成模型矩阵，用于lm.fit（）。 - 具有（隐式）截取1，上次模型矩阵系数反映了组效应
- 截取0，对比系数1和系数2的效果之间反映群体效应
##基础模型，用于`lm.fit（）`model.matrix（extra〜组，睡眠）＃last列表示组效果##（拦截）Group2 ## 1 0 ## 2 1 0 ## 5 1 0＃6 1 0 ## 7 1 0＃8 1 0 ## 9 10 ## 10 1 0 ## 11 1 1 1 ## 12 1 1 ## 1 1 1 1 ## 14 1 1 ## 15 1 1 ## 16 1 1＃17 1 1 1 1 ## 18 1 1 ## 19 11 ## 20 1 1 ## attr（，“分配”）## [1] 0 1 ## attr（，“对比”）## attr（，“对比度”）$ group ## [1]“tourt。治疗”Model.matrix（超〜0 +组，睡眠）＃列之间的对比度## Group1 Group2 ## 1 0 ## 2 1 0 ## 3 1 0＃4 1 0 ## 5 1 0＃6 1 0 ## 7 1 0＃8 1 0 ## 9 1 0＃＃10 1 0 ## 11 0 1 ## 12 0 1 ## 13 0 1 ## 14 0 1＃15 0 1 ## 16 0 1＃17 0 1 ## 18 0 1 ## 19 0 1＃＃20 0 1 ## attr（，“分配”）## [1] 1 1 1 ## attr（，“对比度”）## attr（，“对比度”）$ group ## [1]“contr.treatment”- Covariate - 仅包含协变量的适合基础模型，当模型包括兴趣因素时，适合的测试改进
FIT0 < - LM（额外〜ID，睡眠）FIT1 < - LM（额外〜ID +组，睡眠）ANOVA（FIT0，FIT1）##方差表分析## ##型号1：额外〜ID ##型号2：额外〜ID +组## Res.df RSS DF SQ f Pr（> f）## 10 19.290 ## 29 6.808 1 12.482 16.501 0.002833 ** ## --- ## signif。代码：0'***'0.001'**'0.01'*'0.05'。'0.1''1T.Test（额外〜组，睡眠，var.equal = true，配对= true）## ##成对T-Test ## ##数据：额外的组## T = -4.0621，DF = 9，P值= 0.002833 ##替代假设：意味着的差异不等于0 ## 95置信区间百分比：## -2.4598858 -0.7001142 ##样本估计：##差异的差异## -1.58Genefilter :: Rowttests（）
- 基因表达数据的T检验
- 对探索性分析有用，但统计上次优
X：表达值矩阵特征X样本（反转'统计学家'表示数据 - 样本x功能）
fac：一个或两个层次描述实验设计的因素
限制
- 假设功能是独立的
- 忽略常见的实验设计
- 忽略多个测试
结果
- 对每个特征的组间差异的估计差
- 提高错误发现率