1.单因素方差分析

这里我们使用multcomp包中的cholesterol数据集（50名患者接受降低胆固醇药物的五种治疗方案的数据）来进行演示。五十个患者分成十人一组，每天服用20克药物。第一组一天一次性服用20克药物；第二组一天分两次服用20克药物；第三组一天分四次服用20克药物。剩余两组办法是drugD和drugE，为两种候选药物。里面只有治疗方案一个因子，所以是单因素方差分析。如果只是看哪个效果更加明显可以直接计算平均值，如果要看影响的显著水平则需要用方差分析。

install.packages("multcomp")#安装multcomp包
library(multcomp)#加载包
attach(cholesterol)#用来加载数据，用attach函数就不需要用变量赋值操作
table(cholesterol$trt)#统计分组情况
aggregate(rescale,by=list(trt),FUN=mean)#分组统计平均数
fit<-aov(response~trt,data=cholesterol)#进行方差分析
summary(fit)#总结结果

图1 查看分组的组内元素个数

图2 计算各组均值

图3 方差分析结果

F值越大说明组间差异越显著，P值越小说明说明F值越可靠，结果显示F值非常显著，五种治疗方法效果不同。

par(mfrow=c(2,2))
plot(fit)

图4 查看方差分析结果

线性回归一般是对数据框类型进行操作，因子类型的话，就会根据因子进行建模

fit.lm<-lm(response~trt,data=cholesterol)
summary(fit.lm)

图5 线性回归结果