MerQuR+Başvuru Kitabı

157. Bileşimsel veri analizi: clr, ilr ve bileşimsel regresyon

Şablon kimliği: bilesimsel_veri · Kategori: çok değişkenli · Dil: R · Dosya: pro/sablonlar/cok_degiskenli/bilesimsel_veri.R (satır 1–171; üstbilgi 1–47) · Örnek veri: _ornek/sa_groups.csv · Paketler: compositions 2.0-9 (R 4.5.3) · Python eşi: Bölüm 158

157.1 Ne işe yarar

Toprak dokusu (kil, kum, çakıl payları), arazi örtüsü payları ya da bütçe payları gibi bileşimsel veri, her gözlemde pozitif bileşenlerin toplamı sabit olan (ya da yalnız oranları anlamlı olan) veridir. Böyle bir gözlem D bileşenli simpleksin bir noktasıdır; bileşenler birbirine bağımsız değildir (biri artarken öbürleri azalmak zorundadır) ve olağan korelasyon, ortalama ve doğrusal model burada yanıltıcıdır. Şablon, Aitchison (1982) yaklaşımıyla (Pawlowsky-Glahn ve Egozcue, 2001; Pawlowsky-Glahn ve ark., 2015) veriyi log-oran uzayına taşır ve orada klasik yöntemleri uygular: bileşimsel merkez ve değişim matrisi, toplam varyans, temel bileşenler ve bileşimin yanıt, bir ya da daha çok değişkenin yordayıcı olduğu bileşimsel regresyon.

\mathrm{clr}(\mathbf x)=\Big(\ln\frac{x_1}{g(\mathbf x)},\dots,\ln\frac{x_D}{g(\mathbf x)}\Big),\qquad g(\mathbf x)=\Big(\prod_{j=1}^Dx_j\Big)^{1/D}
  • \mathbf x=(x_1,\dots,x_D): bir gözlemin D pozitif bileşeni.
  • g(\mathbf x): bileşenlerin geometrik ortalaması.
  • \mathrm{clr}: merkezli log-oran dönüşümü; sonucun bileşenlerinin toplamı sıfırdır.

Ne zaman kullanılır?

  • Bileşenlerin yalnız göreli büyüklükleri anlamlıysa: yüzde, oran, "toplam içindeki pay" ya da ham miktarlar (miktarlar kapatılır; ölçek atılır).
  • "Hangi bileşen göreli olarak daha değişken, hangileri birlikte hareket ediyor?" sorusu için (değişim matrisi, temel bileşenler).
  • Bir yordayıcının (grup, sayısal bir değişken) bileşimin tamamı üzerindeki etkisi sınanacaksa (çok değişkenli test) ve her grubun tahmini bileşimi istenecekse.

Ne zaman kullanılmaz?

  • Bileşenlerin toplamı sabit değilse ve mutlak değerleri anlamlıysa (ör. derişimler): ortak çok değişkenli yöntemler, temel programdaki Temel Bileşen Analizi ve MANOVA.
  • Çok sayıda sıfır varsa (bir bileşende gözlemlerin \%10'undan fazlası): çarpımsal yer değiştirme (157.4.3) sonucu belirler; sıfır sayımına duyarlı olmayan bir model gerekir.
  • Yanıt bileşim değil tek bir orandaysa: Bölüm 30 beta_regresyon.
  • Sayım verisi için çok değişkenli çözümleme isteniyorsa: bileşimsel yaklaşım toplam sayıyı atar; olasılık modeli gerekiyorsa Dirichlet–çok terimli modeller kullanılır (bu kitapta yok).
  • Python eşi için: Bölüm 158.

Temel programla ilişki. Temel programda bileşimsel çözümleme yoktur; en yakını çok değişkenli çözümlemelerdir (temel bileşenler, MANOVA). Ham oranlara uygulandığında bunlar simpleks kısıtını yok sayar; bu şablon veriyi önce log-oran uzayına taşır.

157.2 Şablonun girdileri

Form, üstbilgideki 5 [[param]] bloğundan kurulur (bilesimsel_veri.R:10–46). Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir. bilesenler alanı sayısal roldür (sayisal = true): Veri sekmesinde türü "kategorik" olan ama sayı içeren bir sütun da R'ye sayı olarak gider (Bölüm 1.3). yordayicilar alanı sayısal rol değildir: sayısal sütun sürekli, kategorik/metin sütun faktör olarak girer (düzey sırası kuralı 157.3).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Bileşenler · bilesenler sütunlar (sayısal) · Değişkenler boş en az 3 sayısal sütun D bileşen (10–16, 64–65).
Yordayıcılar · yordayicilar sütunlar (isteğe bağlı) · Değişkenler boş bileşenlerden başka sütunlar Regresyonun yordayıcıları (17–22, 66).
Sıfır ve negatif değerler · sifir seçim · Seçenekler hata hata, carpimsal Sıfırların işlenişi (23–29, 77–90).
Çarpımsal yer değiştirme oranı · oran ondalık · Seçenekler 0,65 0,01–0,99 Yalnız carpimsal iken \delta_j (30–38, 85).
Çok değişkenli test istatistiği · cok_test seçim · Seçenekler Pillai Pillai, Wilks, Hotelling-Lawley, Roy Regresyondaki MANOVA testi; ardışık (tür I) olduğu form açıklamasında yazar (39–46, 141–149).

Şablonun kendi denetimleri (mq_hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 63
Benzersiz bileşen sayısı <3 "En az 3 bileşen seçin." 65
Yordayıcı bileşenlerden biri "Yordayıcı bileşenlerden biri olamaz: …" 66–68
Tam gözlem sayısı <5 (bileşenleri tam satırlar) "En az 5 tam gözlem gerekli." 72
Yordayıcılarda eksik değer çıkarılınca <5 gözlem kalıyor "Yordayıcılarda eksik değer çıkarılınca en az 5 tam gözlem kalmıyor." 116
Bileşenlerde negatif değer "Bileşenlerde negatif değer var; …" 75
Toplamı sıfır olan satır "Toplamı sıfır olan satır var." 76
Sıfır var ve sifir = hata "Bileşenlerde N sıfır var; log-oranlar tanımsız. …" 79
Bir bileşen tümüyle sıfır (carpimsal) "'…' tümüyle sıfır; bileşenlerden çıkarın." 83
Bütün bileşimler orantılı olarak aynı "Bileşimlerin tümü orantılı olarak aynı; değişkenlik yok." 95
Kategorik yordayıcı tek düzeyli, sayısal yordayıcı sabit "'…' tek düzeyli / sabit; yordayıcılardan çıkarın." 126, 131
Model kurulamadı / katsayı kestirilemedi (eş doğrusallık) "Model kurulamadı: …" / "Bazı katsayılar kestirilemedi (eş doğrusallık)." 136–137
Artık serbestlik derecesi <D-1 "Çok değişkenli test için artık serbestlik derecesi yetersiz." 138

Bileşenlerden herhangi biri eksik olan satır atılır ve atılan satır sayısı yazılır (69–73); dört betimleme tablosu bu satırlarla hesaplanır ve yordayıcı seçilip seçilmemesinden etkilenmez. Yordayıcı varsa regresyon, ayrıca yordayıcılarında eksik olmayan satırlarla kurulur; regresyonda kullanılmayan satır sayısı ayrıca yazılır (115–118). Yordayıcı bileşenlerden biriyse çalıştırma durur (66–68). Bu şablonda hiçbir rastgelelik yoktur; Bölüm 1.3'teki Tohum alanı sonucu etkilemez.

Örnek ayar (ornek_param, satır 9): bilesenler = [clay, sand, gravel], yordayicilar = [alan], sifir = hata.

157.3 Örnek veri

sa_groups.csv, compositions paketinin SimulatedAmounts verisindeki sa.groups (kil, kum, çakıl miktarları) ve sa.groups.area (alan) birleşimidir (van den Boogaart ve Tolosana-Delgado, 2008, 2013): n=60, her alanda 20 gözlem, eksik değer yok. Satır toplamı sabit değildir (11,3–834,9); şablon her satırı kapatır.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
clay bileşen sayısal aritmetik ortalama pay 0,1236
sand bileşen sayısal 0,3863
gravel bileşen sayısal 0,4901
alan yordayıcı kategorik üç düzey: Upper, Middle, Lower (20'şer gözlem)

Düzey sırası. alan Veri sekmesinde kategoriktir ve düzeyleri ilk görülme sırasıyla sıralanır: Upper, Middle, Lower (Bölüm 1.3). R'de etken (factor) sütun bu sırayı korur; dolayısıyla başvuru düzeyi Upper'dır (kesişim Upper içindir) ve katsayı satırları alanMiddle, alanLower'dır; tahmini bileşim tablosu da bu sırada gelir. Başvuru düzeyi yalnız katsayıların okunuşunu değiştirir; testi ve tahmini bileşimleri değiştirmez (157.4.5).

Düzey sırası kuralı, R ve Python ikizinde aynıdır (.siral, 52–61): etken sütunda Veri sekmesinin sırası; metin sütunda tüm etiketler sayıysa sayısal sıra (1, 2, 10), değilse harf (kod noktası) sırası. Çıktı sırayı ve başvuru düzeyini yazar: "'alan': düzey sırası Veri sekmesindeki sıra (Upper, Middle, Lower); ilk düzey (Upper) başvurudur." (127–129). alan metin türünde verilirse harf sırası (Lower, Middle, Upper) ve başvuru düzeyi Lower olur; kesişim buna göre değişir (157.4.5).

Bu bölümde kullanılan çalıştırmalar (p1_bv_…; adı geçen dışında ayarlar örnek ayardır): ornek; betimleme (yordayıcısız); wilks, hl, roy (cok_test); sifir_hata, sifir_carp, sifir_oran (sa_sifir.csv: 6 sıfır; oran = 0.5); yuzde (satır toplamı 100'e kapatılmış veri); dort (dört bileşen: silt eklenmiş sa_cok.csv); cok_yord, cok_yord2 (derinlik sayısal, alan; iki sıra); iki_kat (alan ve mevsim); mevsim (dört düzeyli); kod_kat, kod_say (sayı etiketli sütun 1/2/10, kategorik ve sayısal); eksik, eksik_betim (sa_eksik.csv); negatif, sifir_satir, orantili, n4, n5, n5_yord, virgul, eslineer, ikili, sabit_yord, yord_bilesen, iki_bilesen (hata ve uç durumlar).

157.4 Yöntem: formüller ve hesap adımları

Hesap sırası: veri seçilir, bileşenleri tam satırlar alınır ve sayısala çevrilir (64–74); negatif ve sıfır denetimi, gerekirse çarpımsal yer değiştirme (75–90); bileşimler kapatılır (91); log-oranlar, merkez, değişim matrisi (92–102); clr kovaryansının temel bileşenleri (103–112); yordayıcı varsa ilr regresyonu, çok değişkenli test ve tahmini bileşimler (114–163); biplot (164–170).

157.4.1 Kapatma, log-oran dönüşümleri ve bileşimsel merkez

Kapatma. \mathcal C(\mathbf x)=\mathbf x/\sum_jx_j. Her satır toplamı 1 olan bir bileşime dönüşür; ölçek bilgisi atılır. Şablon acomp(Xr) ile aynı kapatmayı yapar (91); sıfır yoksa kapatma acomp içinde, sıfır varsa 157.4.3'te açıkça yapılır (80).

Bileşimsel merkez, her bileşenin geometrik ortalamasının kapatılmış hâlidir ve aritmetik ortalamadan farklıdır:

\mathbf c=\mathcal C\big(\exp(\overline{\ln x_1}),\dots,\exp(\overline{\ln x_D})\big)

mrk <- exp(colMeans(L)); mrk <- mrk / sum(mrk) (96). Aritmetik ortalama kapatılmış oranlardan alınır (100).

İzometrik log-oran (ilr). clr uzayı (\sum=0) D-1 boyutludur; ilr, bu uzaya ortonormal bir taban seçerek D-1 serbest koordinat verir:

\mathrm{ilr}(\mathbf x)=\mathrm{clr}(\mathbf x)\,\mathbf V,\qquad \mathbf V\in\mathbb R^{D\times(D-1)},\ \mathbf V^\top\mathbf V=\mathbf I,\ \mathbf 1^\top\mathbf V=\mathbf 0
  • \mathbf V: ilr tabanı; şablon ilr(x) ile compositions'ın varsayılan Helmert tabanını kullanır (115). i=1,\dots,D-1 için i. sütunun ilk i öğesi -1/\sqrt{i(i+1)}, (i+1). öğesi i/\sqrt{i(i+1)}, geri kalanı sıfırdır.
  • Ters dönüşüm: \mathbf x=\mathcal C\big(\exp(\mathbf V\mathbf y)\big) (ilrInv, 133).

Neden ilr ve neden Helmert tabanı

Klasik regresyon ve testler tam ranklı, bağımsız koordinat ister; clr kovaryansı tekildir (satır toplamı 0) ve MANOVA uygulanamaz. ilr bu tekilliği ortonormal bir tabanla kaldırır ve uzaklıkları (Aitchison uzaklığı) korur (Egozcue ve ark., 2003). Helmert tabanı compositions'ın varsayılanıdır; farklı bir taban seçmek katsayıları değiştirir ama sınama ve tahmini bileşimleri değiştirmez (157.4.5).

157.4.2 Değişim matrisi, toplam varyans ve temel bileşenler

Değişim matrisi \tau_{ij}=\operatorname{var}\big(\ln(x_i/x_j)\big) (n-1 paydalı örnek varyansı; 82–83). Küçük \tau_{ij}, x_i ile x_j oranının sabit kaldığını (bileşenlerin birlikte hareket ettiğini) gösterir. Toplam (metrik) varyans, clr kovaryansının izidir ve değişim matrisiyle ilişkilidir:

\mathrm{mv}=\operatorname{tr}\mathbf S_{\mathrm{clr}}=\frac1D\sum_{i<j}\tau_{ij}

Örnekte (0{,}706812+3{,}420757+2{,}495055)/3=2{,}207541'dir (şablonun tablo başlığıyla aynı). Temel bileşenler \mathbf S_{\mathrm{clr}}'nin öz ayrışımıdır (eigen, 90); en çok D-1 sıfırdan farklı öz değer vardır. Açıklanan oran \lambda_k/\mathrm{mv}'dir (109–110). Öz vektörün işareti belirsiz olduğundan her öz vektörün mutlak değerce en büyük öğesi pozitif yapılır; R ve Python eşi böylece aynı sayıları verir (106–107).

157.4.3 Sıfırlar: çarpımsal yer değiştirme

Log-oran sıfırda tanımsızdır. sifir = hata iken bir sıfır görülürse şablon durur (79). carpimsal seçilirse (Martín-Fernández ve ark., 2003) önce her satır kapatılır; her j bileşeni için en küçük pozitif kapalı oran bulunur ve \delta_j=\texttt{oran}\times\min\{x_{ij}>0\} tanımlanır (85). Bir i satırında sıfır bileşenler kümesi Z_i ise

x_{ij}\leftarrow\delta_j\ (j\in Z_i),\qquad x_{ij}\leftarrow x_{ij}\Big(1-\sum_{l\in Z_i}\delta_l\Big)\ (j\notin Z_i)

(86–89). Satır toplamı korunur ve sıfırsız bileşenlerin kendi aralarındaki oranları değişmez. Konsol satırı değiştirilen sıfır sayısını yazar (99).

Neden 0,65

\delta ölçüm sınırı ya da "gerçek" sıfır ile pozitif değerler arasında bir yer değiştirme seçimidir. Martín-Fernández ve ark. (2003) en küçük pozitif değerin %65'ini sıkça kullanılan bir seçim olarak verir; şablon bunu varsayılan yapar. Sonuçlar \delta'ya duyarlıdır: örnek veride 6 sıfırla toplam varyans oran = 0,65 için 2{,}93737, 0,5 için 3{,}05271'dir. Sıfır oranı yüksekse sonuçların duyarlılığı ayrıca sınanmalıdır.

157.4.4 Bileşimsel regresyon ve çok değişkenli test

Yordayıcı seçilmişse yanıt \mathbf Y=\mathrm{ilr}(\mathbf x)\in\mathbb R^{n\times k} (k=D-1), tasarım matrisi \mathbf Z (kesişim, sayısal yordayıcılar, kategorik yordayıcılar için başvuru düzeyine göre 0/1 sütunlar) olur ve çok değişkenli doğrusal model \mathbf Y=\mathbf Z\mathbf B+\mathbf E kestirilir:

\hat{\mathbf B}=(\mathbf Z^\top\mathbf Z)^{-1}\mathbf Z^\top\mathbf Y

lm(cbind(ilr1, …, ilr$k$) ~ yordayıcılar) (134–136). Katsayı tablosu \hat{\mathbf B}'dir (140); satır adları make.names ile yordayıcı adına düzey etiketi eklenmiş hâlidir (alanMiddle).

Çok değişkenli test. Her terim için hipotez SSCP matrisi \mathbf H (terim modele girdiğinde artık SSCP'nin azalması; ardışık, tür I) ve \mathbf E (tam modelin artık SSCP'si) kurulur (summary(manova(mm), test = ct), 118; Pillai, 1955; Wilks, 1932). \mathbf H\mathbf E^{-1}'in öz değerleri \lambda_1\ge\dots\ge\lambda_s ve s=\min(k,q), m=(|k-q|-1)/2, \nu=(\mathrm{sd}_E-k-1)/2 (q: terimin serbestlik derecesi, \mathrm{sd}_E: artık serbestlik derecesi) için Pillai izi ve yaklaşık F:

V=\sum_{i}\frac{\lambda_i}{1+\lambda_i},\qquad F=\frac{2\nu+s+1}{2m+s+1}\cdot\frac{V}{s-V},\quad F_{\,s(2m+s+1),\ s(2\nu+s+1)}
  • V: Pillai izi (0\le V\le s); F'nin payı ve paydası serbestlik dereceleridir (tabloda pay_sd, payda_sd).
  • Wilks lambdası \prod(1+\lambda_i)^{-1}, Hotelling–Lawley izi \sum\lambda_i, Roy'un en büyük kökü \lambda_1 aynı öz değerlerden, kendi F yaklaşımlarıyla hesaplanır (R'ın summary.manova).

Çıktı tablosunun başlığı "(…; ardışık)" der ve birden çok yordayıcı varsa çıktıya "ardışıktır (tür I)" notu eklenir (150): her terim öncekiler modeldeyken sınanır, dolayısıyla birden çok yordayıcıda sıra sonucu etkiler.

157.4.5 Tahmini bileşimler ve tabandan bağımsızlık

Kategorik bir yordayıcı varsa ilk kategorik yordayıcının her düzeyi için ilr koordinatları predict ile tahmin edilir (öteki kategorikler ilk düzeyde, sayısallar ortalamada) ve \mathrm{ilr}^{-1} ile bileşime geri çevrilir (152–162):

\hat{\mathbf x}(\ell)=\mathcal C\Big(\exp\big(\mathbf V\,\hat{\mathbf y}(\ell)\big)\Big)

Neden tahmini bileşimler ve Pillai testi tabandan bağımsız

\mathbf V yerine \mathbf V'=\mathbf V\mathbf Q (\mathbf Q ortogonal) seçilirse \mathbf Y'=\mathbf Y\mathbf Q, \hat{\mathbf B}'=\hat{\mathbf B}\mathbf Q, \mathbf E'=\mathbf Q^\top\mathbf E\mathbf Q, \mathbf H'=\mathbf Q^\top\mathbf H\mathbf Q olur; \mathbf H\mathbf E^{-1}'in öz değerleri değişmez, dolayısıyla Pillai (F, p) ve \hat{\mathbf x} aynıdır. İlr katsayıları ise yorumlanabilir bir oran değil, tabana bağlı koordinatlardır; "başvuru düzeyi" değiştiğinde de kesişim ve düzey katsayıları değişir (örnekte Upper başvurulu kesişim (0{,}7452;\ 1{,}7778) iken Lower başvurulu (1{,}7025;\ 1{,}0641)'tir; fark alanLower katsayısıdır; ikincisi alan metin türünde verildiğinde elde edilir).

157.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–47 Üstbilgi: 5 parametre, örnek veri ve ayar. Üstbilgideki yan dosya alanı kitap dışıdır (Bölüm 1.1).
48–74 .m ve .m3 dil yardımcıları; compositions yüklenir; düzey sırası yardımcısı .siral (52–61); bileşen ve yordayıcı kümesi; bileşenleri tam satırlar; sayısal matris. Yordayıcı bileşense durur (66–68); atılan satır sayısı yazılır (73).
75–77 Negatif ve sıfır toplamlı satır denetimi; sıfır sayısı. Negatif değer her durumda hata.
78–90 Sıfır varsa hata ya da çarpımsal yer değiştirme. Önce kapatma, sonra \delta_j ve satır içi ölçekleme.
91–99 acomp, log, clr, sabit bileşim denetimi, merkez, değişim matrisi, konsol satırı. clr sütun standart sapmaları <10^{-12} ise durur (95).
100–112 Dört betimleme tablosu: merkez, değişim, temel bileşenler, yükler. Öz vektör işareti kuralı (106–107).
114–140 Yordayıcı varsa yordayıcıları eksik satırların ayrılması (115–118), ilr yanıtı, yordayıcı denetimleri ve düzey sırası notu (123–133), lm, katsayı tablosu. Eş doğrusallık ve serbestlik derecesi denetimi (137–138).
141–151 manova testi ve tablo; birden çok yordayıcıda ardışık test notu (150). tryCatch hata verirse test tablosu hiç yazılmaz (142–143).
152–162 İlk kategorik yordayıcının düzeylerinde tahmini bileşimler. Öteki kategorikler ilk düzeyde, sayısallar ortalamada.
164–171 clr biplotu. Puanlar sütun ortalaması çıkarılmış clr değerlerinin öz vektörlere izdüşümüdür; eksen sınırları puanları, okları ve adları kapsar (164–167); oklar öz vektörlerdir.

Süre: örnek ayarda çalıştırma 3,16 s sürmüştür.

157.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/bilesimsel_veri/elle_hesap.py (numpy/scipy; kapatma, clr, Helmert tabanı, en küçük kareler ve öz değerlerden çok değişkenli testler; compositions ve şablon kodu kullanılmaz) ve r_dogrulama.R (taban R lm, anova.mlm, car::Manova; ilr tabanı kendi Helmert matrisimle kurulmuş, compositions::ilr ile 4\times10^{-16} içinde aynıdır) ile hesaplanmıştır.

Adım 1 — Kapatma ve merkez. Her satır toplamına bölünür. Geometrik ortalamalar kapatılınca \mathbf c=(0{,}098569;\ 0{,}405579;\ 0{,}495853); aritmetik ortalama (0{,}123583;\ 0{,}386339;\ 0{,}490078).

Adım 2 — Değişim matrisi ve toplam varyans. \tau_{\text{kil,kum}}=0{,}706812, \tau_{\text{kil,çakıl}}=3{,}420757, \tau_{\text{kum,çakıl}}=2{,}495055. \mathrm{mv}=2{,}207541; \tfrac13\sum\tau_{ij} ile aynıdır.

Adım 3 — Temel bileşenler. \mathbf S_{\mathrm{clr}}'nin öz değerleri 1{,}900299 ve 0{,}307242 (açıklanan \%86{,}08 ve \%13{,}92); TB1 yükleri (-0{,}522660;\ -0{,}281919;\ 0{,}804579).

Adım 4 — Regresyon. Başvuru düzeyi Upper: kesişim (0{,}745163;\ 1{,}777800), alanMiddle (-0{,}192040;\ -2{,}394971), alanLower (0{,}957292;\ -0{,}713691). Başvuru düzeyi Lower ile (alan metin türünde, harf sırası) kesişim (1{,}702454;\ 1{,}064109) olur ve 0{,}745163+0{,}957292=1{,}702455 ile uyumludur.

Adım 5 — Çok değişkenli test. \mathbf H ve \mathbf E'den öz değerler: Pillai V=1{,}259786, F_{4,\,114}=48{,}504742, p=9{,}157\times10^{-24}. Wilks 0{,}127519 (F_{4,\,112}=50{,}409925), Hotelling–Lawley 3{,}804748 (F_{4,\,110}=52{,}315290), Roy 2{,}665126 (F_{2,\,57}=75{,}956101); R'ın car::Manova çıktısı (7 anlamlı basamak) ve anova.mlm aynı değerleri verir.

Adım 6 — Tahmini bileşimler. \hat{\mathbf x}(\mathrm{Upper})=(0{,}053158;\ 0{,}152488;\ 0{,}794354), \hat{\mathbf x}(\mathrm{Middle})=(0{,}257685;\ 0{,}563389;\ 0{,}178927), \hat{\mathbf x}(\mathrm{Lower})=(0{,}041023;\ 0{,}455667;\ 0{,}503310). Bu değerler compositions belgelerindeki yayımlanmış sonuçlarla (0{,}04102279; 0{,}4556668; 0{,}5033104 …) 6\times10^{-7} içinde aynıdır.

Adım 7 — Değişmezlikler. Satır toplamı 100'e kapatılmış veri (yuzde) aynı merkezi ve Pillai'yi verir (kapatma); yordayıcı sırası değişirse ardışık Pillai değişir (alan 1{,}285441 iken 1{,}299766); sıfırlı veride oran değişince merkez ve test değişir (157.4.3).

157.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark Ölçüt
ornek: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
ornek: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
ornek: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
ornek: aritmetik ortalama, clay 0,12358252 0,12358252 0,12358252 4,2e−16 1e−6 ✓
ornek: değişim V_{12} 0,70681208 0,70681208 0,70681208 0 1e−6 ✓
ornek: değişim V_{13} 3,4207571 3,4207571 3,4207571 1,0e−15 1e−6 ✓
ornek: değişim V_{23} 2,49505531 2,49505531 2,49505531 7,1e−16 1e−6 ✓
ornek: TB1 özdeğeri 1,90029916 1,90029916 1,90029916 1,2e−16 1e−6 ✓
ornek: TB2 özdeğeri 0,30724234 0,30724234 0,30724234 5,6e−17 1e−6 ✓
ornek: TB1 açıklanan 0,86082149 0,86082149 0,86082149 2,8e−15 1e−6 ✓
ornek: TB1 yükü, clay −0,52266008 −0,52266008 −0,52266008 2,2e−16 1e−6 ✓
ornek: TB2 yükü, clay −0,62729029 −0,62729029 −0,62729029 0 1e−6 ✓
ornek: TB1 yükü, sand −0,28191929 −0,28191929 −0,28191929 3,3e−16 1e−6 ✓
ornek: TB2 yükü, sand 0,76628205 0,76628205 0,76628205 2,2e−16 1e−6 ✓
ornek: TB1 yükü, gravel 0,80457937 0,80457937 0,80457937 1,1e−16 1e−6 ✓
ornek: TB2 yükü, gravel −0,13899176 −0,13899176 −0,13899176 3,9e−16 1e−6 ✓
ornek: alan, istatistik 1,25978584 1,25978584 1,25978584 1,8e−15 1e−6 ✓
ornek: alan, yaklaşık F 48,50474154 48,50474154 48,50474154 1,5e−16 1e−6 ✓
ornek: alan, pay sd 4 4 4 0 1e−6 ✓
ornek: alan, payda sd 114 114 114 0 1e−6 ✓
ornek: alan, -\log_{10}p 23,03826641 23,03826641 23,03826641 1,5e−16 1e−6 ✓
ornek: katsayı (Intercept), ilr1 0,74516254 0,74516254 0,74516254 2,2e−16 1e−6 ✓
ornek: katsayı (Intercept), ilr2 1,77780018 1,77780018 1,77780018 2,5e−16 1e−6 ✓
ornek: katsayı alanLower, ilr1 0,95729192 0,95729192 0,95729192 1,0e−15 1e−6 ✓
ornek: katsayı alanLower, ilr2 −0,71369107 −0,71369107 −0,71369107 1,7e−15 1e−6 ✓
ornek: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 5,6e−17 1e−6 ✓
ornek: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 5,6e−16 1e−6 ✓
ornek: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,8e−16 1e−6 ✓
ornek: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 3,6e−16 1e−6 ✓
ornek: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 0 1e−6 ✓
ornek: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 3,3e−16 1e−6 ✓
Vinyet: Pillai izi (1,260) 1,25978584 1,26 — 1,7e−4 5e−4 ✓
Vinyet: yaklaşık F (48,505) 48,50474154 48,505 — 5,3e−6 5e−4 ✓
Vinyet: tahmini bileşim Lower, clay 0,04102279 0,04102279 — 1,1e−9 6e−7 ✓
Vinyet: tahmini bileşim Lower, sand 0,45566684 0,4556668 — 4,2e−8 6e−7 ✓
Vinyet: tahmini bileşim Lower, gravel 0,50331037 0,5033104 — 3,0e−8 6e−7 ✓
Vinyet: tahmini bileşim Middle, clay 0,25768467 0,25768467 — 3,8e−9 6e−7 ✓
Vinyet: tahmini bileşim Middle, sand 0,5633886 0,5633886 — 1,3e−10 6e−7 ✓
Vinyet: tahmini bileşim Middle, gravel 0,17892673 0,1789267 — 3,4e−8 6e−7 ✓
Vinyet: tahmini bileşim Upper, clay 0,05315796 0,05315796 — 3,3e−9 6e−7 ✓
Vinyet: tahmini bileşim Upper, sand 0,15248815 0,1524882 — 4,9e−8 6e−7 ✓
Vinyet: tahmini bileşim Upper, gravel 0,79435389 0,7943539 — 1,4e−8 6e−7 ✓
betimleme: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
betimleme: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
betimleme: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
wilks: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
wilks: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
wilks: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
wilks: alan, istatistik 0,12751873 0,12751873 0,12751873 2,5e−16 1e−6 ✓
wilks: alan, yaklaşık F 50,40992464 50,40992464 50,40992464 2,8e−16 1e−6 ✓
wilks: alan, pay sd 4 4 4 0 1e−6 ✓
wilks: alan, payda sd 112 112 112 0 1e−6 ✓
wilks: alan, -\log_{10}p 23,47569685 23,47569685 23,47569685 1,5e−16 1e−6 ✓
wilks: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 5,6e−17 1e−6 ✓
wilks: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 5,6e−16 1e−6 ✓
wilks: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,8e−16 1e−6 ✓
wilks: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 3,6e−16 1e−6 ✓
wilks: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 0 1e−6 ✓
wilks: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 3,3e−16 1e−6 ✓
hl: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
hl: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
hl: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
hl: alan, istatistik 3,80474837 3,80474837 3,80474837 1,2e−16 1e−6 ✓
hl: alan, yaklaşık F 52,3152901 52,3152901 52,3152901 1,4e−16 1e−6 ✓
hl: alan, pay sd 4 4 4 0 1e−6 ✓
hl: alan, payda sd 110 110 110 0 1e−6 ✓
hl: alan, -\log_{10}p 23,88264897 23,88264897 23,88264897 1,5e−16 1e−6 ✓
hl: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 5,6e−17 1e−6 ✓
hl: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 5,6e−16 1e−6 ✓
hl: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,8e−16 1e−6 ✓
hl: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 3,6e−16 1e−6 ✓
hl: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 0 1e−6 ✓
hl: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 3,3e−16 1e−6 ✓
roy: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
roy: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
roy: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
roy: alan, istatistik 2,66512635 2,66512635 2,66512635 1,7e−16 1e−6 ✓
roy: alan, yaklaşık F 75,9561009 75,9561009 75,9561009 1,9e−16 1e−6 ✓
roy: alan, pay sd 2 2 2 0 1e−6 ✓
roy: alan, payda sd 57 57 57 0 1e−6 ✓
roy: alan, -\log_{10}p 16,07653509 16,07653509 16,07653509 0 1e−6 ✓
roy: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 5,6e−17 1e−6 ✓
roy: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 5,6e−16 1e−6 ✓
roy: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,8e−16 1e−6 ✓
roy: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 3,6e−16 1e−6 ✓
roy: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 0 1e−6 ✓
roy: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 3,3e−16 1e−6 ✓
sifir_carp: merkez, clay 0,09898741 0,09898741 0,09898741 6,9e−17 1e−6 ✓
sifir_carp: merkez, gravel 0,48758891 0,48758891 0,48758891 5,0e−16 1e−6 ✓
sifir_carp: toplam varyans 2,93736599 2,93736599 2,93736599 6,0e−16 1e−6 ✓
sifir_carp: alan, istatistik 1,06572554 1,06572554 1,06572554 4,4e−15 1e−6 ✓
sifir_carp: alan, yaklaşık F 32,50990931 32,50990931 32,50990931 1,3e−15 1e−6 ✓
sifir_carp: alan, pay sd 4 4 4 0 1e−6 ✓
sifir_carp: alan, payda sd 114 114 114 0 1e−6 ✓
sifir_carp: alan, -\log_{10}p 17,34510609 17,34510609 17,34510609 8,2e−16 1e−6 ✓
sifir_carp: katsayı (Intercept), ilr1 0,59566349 0,59566349 0,59566349 8,9e−16 1e−6 ✓
sifir_carp: katsayı (Intercept), ilr2 1,8641135 1,8641135 1,8641135 4,8e−16 1e−6 ✓
sifir_carp: katsayı alanLower, ilr1 1,28793616 1,28793616 1,28793616 5,2e−16 1e−6 ✓
sifir_carp: katsayı alanLower, ilr2 −0,81975298 −0,81975298 −0,81975298 1,6e−15 1e−6 ✓
sifir_carp: tahmini bileşim Upper, clay 0,05474894 0,05474894 0,05474894 1,5e−16 1e−6 ✓
sifir_carp: tahmini bileşim Upper, gravel 0,81812828 0,81812828 0,81812828 3,3e−16 1e−6 ✓
sifir_carp: tahmini bileşim Middle, clay 0,26497831 0,26497831 0,26497831 1,1e−16 1e−6 ✓
sifir_carp: tahmini bileşim Middle, gravel 0,15568666 0,15568666 0,15568666 2,8e−17 1e−6 ✓
sifir_carp: tahmini bileşim Lower, clay 0,03452646 0,03452646 0,03452646 6,9e−18 1e−6 ✓
sifir_carp: tahmini bileşim Lower, gravel 0,46998803 0,46998803 0,46998803 3,9e−16 1e−6 ✓
sifir_oran: merkez, clay 0,0989951 0,0989951 0,0989951 8,3e−17 1e−6 ✓
sifir_oran: merkez, gravel 0,48761654 0,48761654 0,48761654 1,0e−15 1e−6 ✓
sifir_oran: toplam varyans 3,05271104 3,05271104 3,05271104 2,3e−15 1e−6 ✓
sifir_oran: alan, istatistik 1,04275125 1,04275125 1,04275125 4,7e−15 1e−6 ✓
sifir_oran: alan, yaklaşık F 31,04565115 31,04565115 31,04565115 5,7e−16 1e−6 ✓
sifir_oran: alan, pay sd 4 4 4 0 1e−6 ✓
sifir_oran: alan, payda sd 114 114 114 0 1e−6 ✓
sifir_oran: alan, -\log_{10}p 16,75289702 16,75289702 16,75289702 8,5e−16 1e−6 ✓
sifir_oran: tahmini bileşim Upper, clay 0,05493441 0,05493441 0,05493441 1,0e−16 1e−6 ✓
sifir_oran: tahmini bileşim Upper, gravel 0,82089983 0,82089983 0,82089983 4,4e−16 1e−6 ✓
sifir_oran: tahmini bileşim Middle, clay 0,26552136 0,26552136 0,26552136 2,8e−16 1e−6 ✓
sifir_oran: tahmini bileşim Middle, gravel 0,15395628 0,15395628 0,15395628 1,7e−16 1e−6 ✓
sifir_oran: tahmini bileşim Lower, clay 0,0338662 0,0338662 0,0338662 2,8e−17 1e−6 ✓
sifir_oran: tahmini bileşim Lower, gravel 0,4671077 0,4671077 0,4671077 1,1e−16 1e−6 ✓
yuzde: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
yuzde: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
yuzde: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
yuzde: alan, istatistik 1,25978584 1,25978584 1,25978584 1,6e−15 1e−6 ✓
yuzde: alan, yaklaşık F 48,50474154 48,50474154 48,50474154 2,9e−16 1e−6 ✓
yuzde: alan, pay sd 4 4 4 0 1e−6 ✓
yuzde: alan, payda sd 114 114 114 0 1e−6 ✓
yuzde: alan, -\log_{10}p 23,03826641 23,03826641 23,03826641 4,6e−16 1e−6 ✓
yuzde: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 5,6e−17 1e−6 ✓
yuzde: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 5,6e−16 1e−6 ✓
yuzde: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,2e−16 1e−6 ✓
yuzde: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 1,4e−16 1e−6 ✓
yuzde: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 6,9e−18 1e−6 ✓
yuzde: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 4,4e−16 1e−6 ✓
dort: merkez, clay 0,09211047 0,09211047 0,09211047 1,4e−16 1e−6 ✓
dort: merkez, silt 0,06551887 0,06551887 0,06551887 1,4e−17 1e−6 ✓
dort: toplam varyans 3,22392414 3,22392414 3,22392414 2,8e−16 1e−6 ✓
dort: alan, istatistik 1,3411397 1,3411397 1,3411397 3,1e−15 1e−6 ✓
dort: alan, yaklaşık F 37,99683774 37,99683774 37,99683774 0 1e−6 ✓
dort: alan, pay sd 6 6 6 0 1e−6 ✓
dort: alan, payda sd 112 112 112 0 1e−6 ✓
dort: alan, -\log_{10}p 24,12660726 24,12660726 24,12660726 4,4e−16 1e−6 ✓
dort: katsayı (Intercept), ilr1 0,74516254 0,74516254 0,74516254 5,6e−16 1e−6 ✓
dort: katsayı (Intercept), ilr2 1,77780018 1,77780018 1,77780018 2,5e−16 1e−6 ✓
dort: katsayı alanLower, ilr1 0,95729192 0,95729192 0,95729192 1,0e−15 1e−6 ✓
dort: katsayı alanLower, ilr2 −0,71369107 −0,71369107 −0,71369107 1,2e−15 1e−6 ✓
dort: tahmini bileşim Upper, clay 0,04908526 0,04908526 0,04908526 1,3e−16 1e−6 ✓
dort: tahmini bileşim Upper, silt 0,07661514 0,07661514 0,07661514 1,4e−16 1e−6 ✓
dort: tahmini bileşim Middle, clay 0,22556716 0,22556716 0,22556716 4,7e−16 1e−6 ✓
dort: tahmini bileşim Middle, silt 0,1246388 0,1246388 0,1246388 1,1e−16 1e−6 ✓
dort: tahmini bileşim Lower, clay 0,04033237 0,04033237 0,04033237 6,9e−18 1e−6 ✓
dort: tahmini bileşim Lower, silt 0,01683003 0,01683003 0,01683003 1,0e−17 1e−6 ✓
cok_yord: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
cok_yord: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
cok_yord: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
cok_yord: derinlik, istatistik 0,01096556 0,01096556 0,01096556 3,8e−16 1e−6 ✓
cok_yord: derinlik, yaklaşık F 0,30489635 0,30489635 0,30489635 1,2e−14 1e−6 ✓
cok_yord: derinlik, pay sd 2 2 2 0 1e−6 ✓
cok_yord: derinlik, payda sd 55 55 55 0 1e−6 ✓
cok_yord: derinlik, -\log_{10}p 0,13168613 0,13168613 0,13168613 5,8e−15 1e−6 ✓
cok_yord: alan, istatistik 1,29976582 1,29976582 1,29976582 1,7e−15 1e−6 ✓
cok_yord: alan, yaklaşık F 51,97324512 51,97324512 51,97324512 1,2e−15 1e−6 ✓
cok_yord: alan, pay sd 4 4 4 0 1e−6 ✓
cok_yord: alan, payda sd 112 112 112 0 1e−6 ✓
cok_yord: alan, -\log_{10}p 23,95125906 23,95125906 23,95125906 1,3e−15 1e−6 ✓
cok_yord: tahmini bileşim Upper, clay 0,05150716 0,05150716 0,05150716 1,3e−14 1e−6 ✓
cok_yord: tahmini bileşim Upper, gravel 0,80394379 0,80394379 0,80394379 2,7e−14 1e−6 ✓
cok_yord: tahmini bileşim Middle, clay 0,25740395 0,25740395 0,25740395 3,5e−14 1e−6 ✓
cok_yord: tahmini bileşim Middle, gravel 0,17690783 0,17690783 0,17690783 2,6e−14 1e−6 ✓
cok_yord: tahmini bileşim Lower, clay 0,04138612 0,04138612 0,04138612 8,6e−15 1e−6 ✓
cok_yord: tahmini bileşim Lower, gravel 0,49114289 0,49114289 0,49114289 3,5e−14 1e−6 ✓
cok_yord2: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
cok_yord2: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
cok_yord2: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
cok_yord2: alan, istatistik 1,28544083 1,28544083 1,28544083 3,6e−15 1e−6 ✓
cok_yord2: alan, yaklaşık F 50,36999662 50,36999662 50,36999662 7,1e−16 1e−6 ✓
cok_yord2: alan, pay sd 4 4 4 0 1e−6 ✓
cok_yord2: alan, payda sd 112 112 112 0 1e−6 ✓
cok_yord2: alan, -\log_{10}p 23,46342877 23,46342877 23,46342877 3,0e−16 1e−6 ✓
cok_yord2: derinlik, istatistik 0,10714598 0,10714598 0,10714598 2,5e−16 1e−6 ✓
cok_yord2: derinlik, yaklaşık F 3,30010774 3,30010774 3,30010774 1,7e−15 1e−6 ✓
cok_yord2: derinlik, pay sd 2 2 2 0 1e−6 ✓
cok_yord2: derinlik, payda sd 55 55 55 0 1e−6 ✓
cok_yord2: derinlik, -\log_{10}p 1,3535374 1,3535374 1,3535374 1,1e−15 1e−6 ✓
cok_yord2: tahmini bileşim Upper, clay 0,05150716 0,05150716 0,05150716 1,3e−14 1e−6 ✓
cok_yord2: tahmini bileşim Upper, gravel 0,80394379 0,80394379 0,80394379 2,7e−14 1e−6 ✓
cok_yord2: tahmini bileşim Middle, clay 0,25740395 0,25740395 0,25740395 3,6e−14 1e−6 ✓
cok_yord2: tahmini bileşim Middle, gravel 0,17690783 0,17690783 0,17690783 2,7e−14 1e−6 ✓
cok_yord2: tahmini bileşim Lower, clay 0,04138612 0,04138612 0,04138612 8,7e−15 1e−6 ✓
cok_yord2: tahmini bileşim Lower, gravel 0,49114289 0,49114289 0,49114289 3,6e−14 1e−6 ✓
mevsim: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
mevsim: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
mevsim: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
mevsim: mevsim, istatistik 0,04047951 0,04047951 0,04047951 3,5e−17 1e−6 ✓
mevsim: mevsim, yaklaşık F 0,38561352 0,38561352 0,38561352 7,8e−16 1e−6 ✓
mevsim: mevsim, pay sd 6 6 6 0 1e−6 ✓
mevsim: mevsim, payda sd 112 112 112 0 1e−6 ✓
mevsim: mevsim, -\log_{10}p 0,05211859 0,05211859 0,05211859 2,0e−15 1e−6 ✓
mevsim: katsayı (Intercept), ilr1 0,98240075 0,98240075 0,98240075 5,6e−16 1e−6 ✓
mevsim: katsayı (Intercept), ilr2 0,50516483 0,50516483 0,50516483 1,1e−16 1e−6 ✓
mevsim: katsayı mevsimguz, ilr1 −0,02384159 −0,02384159 −0,02384159 2,2e−16 1e−6 ✓
mevsim: katsayı mevsimguz, ilr2 0,45241547 0,45241547 0,45241547 7,2e−16 1e−6 ✓
mevsim: tahmini bileşim yaz, clay 0,11453721 0,11453721 0,11453721 2,1e−16 1e−6 ✓
mevsim: tahmini bileşim yaz, gravel 0,42592361 0,42592361 0,42592361 5,6e−16 1e−6 ✓
mevsim: tahmini bileşim kis, clay 0,11358613 0,11358613 0,11358613 1,9e−16 1e−6 ✓
mevsim: tahmini bileşim kis, gravel 0,41601188 0,41601188 0,41601188 2,2e−16 1e−6 ✓
mevsim: tahmini bileşim ilkbahar, clay 0,07790396 0,07790396 0,07790396 2,8e−17 1e−6 ✓
mevsim: tahmini bileşim ilkbahar, gravel 0,57563618 0,57563618 0,57563618 0 1e−6 ✓
kod_kat: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
kod_kat: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
kod_kat: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
kod_kat: kod, istatistik 0,0376668 0,0376668 0,0376668 2,4e−16 1e−6 ✓
kod_kat: kod, yaklaşık F 0,54705474 0,54705474 0,54705474 4,3e−15 1e−6 ✓
kod_kat: kod, pay sd 4 4 4 0 1e−6 ✓
kod_kat: kod, payda sd 114 114 114 0 1e−6 ✓
kod_kat: kod, -\log_{10}p 0,15395805 0,15395805 0,15395805 2,7e−15 1e−6 ✓
kod_kat: katsayı (Intercept), ilr1 0,89586689 0,89586689 0,89586689 1,1e−16 1e−6 ✓
kod_kat: katsayı (Intercept), ilr2 0,90899333 0,90899333 0,90899333 5,6e−16 1e−6 ✓
kod_kat: katsayı kod10, ilr1 0,12733085 0,12733085 0,12733085 1,9e−16 1e−6 ✓
kod_kat: katsayı kod10, ilr2 −0,33709782 −0,33709782 −0,33709782 1,0e−15 1e−6 ✓
kod_kat: tahmini bileşim 1, clay 0,09721973 0,09721973 0,09721973 4,2e−17 1e−6 ✓
kod_kat: tahmini bileşim 1, gravel 0,55765038 0,55765038 0,55765038 1,1e−16 1e−6 ✓
kod_kat: tahmini bileşim 2, clay 0,09123751 0,09123751 0,09123751 8,3e−17 1e−6 ✓
kod_kat: tahmini bileşim 2, gravel 0,48752994 0,48752994 0,48752994 2,8e−16 1e−6 ✓
kod_kat: tahmini bileşim 10, clay 0,10633924 0,10633924 0,10633924 9,7e−17 1e−6 ✓
kod_kat: tahmini bileşim 10, gravel 0,4416733 0,4416733 0,4416733 2,2e−16 1e−6 ✓
kod_say: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
kod_say: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
kod_say: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
kod_say: kod, istatistik 0,01443841 0,01443841 0,01443841 3,0e−16 1e−6 ✓
kod_say: kod, yaklaşık F 0,41752297 0,41752297 0,41752297 1,0e−14 1e−6 ✓
kod_say: kod, pay sd 2 2 2 0 1e−6 ✓
kod_say: kod, payda sd 57 57 57 0 1e−6 ✓
kod_say: kod, -\log_{10}p 0,18001253 0,18001253 0,18001253 3,9e−15 1e−6 ✓
kod_say: katsayı (Intercept), ilr1 0,97460347 0,97460347 0,97460347 1,1e−16 1e−6 ✓
kod_say: katsayı (Intercept), ilr2 0,87735703 0,87735703 0,87735703 6,7e−16 1e−6 ✓
kod_say: katsayı kod, ilr1 0,0059176 0,0059176 0,0059176 9,0e−17 1e−6 ✓
kod_say: katsayı kod, ilr2 −0,03133327 −0,03133327 −0,03133327 6,9e−18 1e−6 ✓
eksik: merkez, clay 0,1023825 0,1023825 0,1023825 1,5e−16 1e−6 ✓
eksik: merkez, gravel 0,47282484 0,47282484 0,47282484 4,4e−16 1e−6 ✓
eksik: toplam varyans 2,21462281 2,21462281 2,21462281 6,0e−16 1e−6 ✓
eksik: alan, istatistik 1,23047152 1,23047152 1,23047152 7,2e−16 1e−6 ✓
eksik: alan, yaklaşık F 43,17284177 43,17284177 43,17284177 8,2e−16 1e−6 ✓
eksik: alan, pay sd 4 4 4 0 1e−6 ✓
eksik: alan, payda sd 108 108 108 0 1e−6 ✓
eksik: alan, -\log_{10}p 20,86517155 20,86517155 20,86517155 5,1e−16 1e−6 ✓
eksik: tahmini bileşim Upper, clay 0,05759638 0,05759638 0,05759638 9,7e−17 1e−6 ✓
eksik: tahmini bileşim Upper, gravel 0,78298626 0,78298626 0,78298626 4,4e−16 1e−6 ✓
eksik: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 1,1e−16 1e−6 ✓
eksik: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 6,4e−16 1e−6 ✓
eksik: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 2,1e−17 1e−6 ✓
eksik: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 5,6e−16 1e−6 ✓
iki_kat: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
iki_kat: merkez, gravel 0,49585287 0,49585287 0,49585287 5,6e−17 1e−6 ✓
iki_kat: toplam varyans 2,2075415 2,2075415 2,2075415 2,4e−15 1e−6 ✓
iki_kat: alan, istatistik 1,282818 1,282818 1,282818 1,9e−15 1e−6 ✓
iki_kat: alan, yaklaşık F 48,29469504 48,29469504 48,29469504 7,4e−16 1e−6 ✓
iki_kat: alan, pay sd 4 4 4 0 1e−6 ✓
iki_kat: alan, payda sd 108 108 108 0 1e−6 ✓
iki_kat: alan, -\log_{10}p 22,49974318 22,49974318 22,49974318 1,6e−16 1e−6 ✓
iki_kat: mevsim, istatistik 0,09216248 0,09216248 0,09216248 3,5e−16 1e−6 ✓
iki_kat: mevsim, yaklaşık F 0,86953142 0,86953142 0,86953142 3,7e−15 1e−6 ✓
iki_kat: mevsim, pay sd 6 6 6 0 1e−6 ✓
iki_kat: mevsim, payda sd 108 108 108 0 1e−6 ✓
iki_kat: mevsim, -\log_{10}p 0,28410206 0,28410206 0,28410206 8,0e−15 1e−6 ✓
iki_kat: tahmini bileşim Upper, clay 0,06737008 0,06737008 0,06737008 5,6e−17 1e−6 ✓
iki_kat: tahmini bileşim Upper, gravel 0,74418942 0,74418942 0,74418942 1,1e−16 1e−6 ✓
iki_kat: tahmini bileşim Middle, clay 0,27433752 0,27433752 0,27433752 0 1e−6 ✓
iki_kat: tahmini bileşim Middle, gravel 0,14081296 0,14081296 0,14081296 3,1e−16 1e−6 ✓
iki_kat: tahmini bileşim Lower, clay 0,04784623 0,04784623 0,04784623 9,0e−17 1e−6 ✓
iki_kat: tahmini bileşim Lower, gravel 0,43393948 0,43393948 0,43393948 2,8e−16 1e−6 ✓
Eksik: gözlem sayısı, yordayıcı seçili (alan eksik: satır atılır) 57 57 57 0 1e−6 ✓
Eksik: gözlem sayısı, yordayıcı yok 58 58 58 0 1e−6 ✓
Değişmezlik: kapatma, merkez (ham ↔ yüzde) 0,40557855 0,40557855 — 0 1e−6 ✓
Değişmezlik: kapatma, Pillai (ham ↔ yüzde) 1,25978584 1,25978584 — 0 1e−6 ✓
Ardışık test: alan Pillai'si, derinlikten önce ↔ sonra (fark) 0,01432499 0,01432499 0,01432499 6,9e−15 1e−6 ✓

Ölçütü karşılayan: 275/275. Bağımsız Python: kapatma, clr, Helmert ilr, EKK ve öz değerlerden çok değişkenli testler (numpy/scipy). Bağımsız R: taban R lm, anova.mlm, car::Manova; ilr tabanı compositions::ilr ile 10^{-15} içinde aynıdır.

157.7 Çıktıyı okuma

Örnek ayarın konsol satırı ve tabloları (p1_bv_ornek):

n = 60 gözlem, D = 3 bileşen; değiştirilen sıfır: 0

Bileşimsel merkez (kapalı geometrik ortalama) ve aritmetik ortalama
bilesen merkez       aritmetik_ortalama
clay    0.09856858   0.12358252
sand    0.40557855   0.38633938
gravel  0.49585287   0.49007810

Değişim matrisi var(log(x_i / x_j))
bilesen clay        sand        gravel
clay    0.00000000  0.70681208  3.42075710
sand    0.70681208  0.00000000  2.49505531
gravel  3.42075710  2.49505531  0.00000000

clr temel bileşenleri (toplam varyans = 2.207541)
bilesen ozdeger     aciklanan   birikimli
TB1     1.90029916  0.86082149  0.86082149
TB2     0.30724234  0.13917851  1.00000000

Regresyon katsayıları (ilr koordinatları; tabana bağlı)
terim        ilr1         ilr2
(Intercept)  0.74516254   1.77780018
alanMiddle  -0.19204028  -2.39497093
alanLower    0.95729192  -0.71369107

Çok değişkenli test (Pillai izi; ardışık)
etki sd Pillai      yaklasik_F  pay_sd payda_sd p
alan 2  1.25978584  48.50474154 4      114      9.157e-24

'alan' düzeylerinde tahmini bileşimler (diğer yordayıcılar ortalamada / ilk düzeyde)
duzey   clay        sand        gravel
Upper   0.05315796  0.15248815  0.79435389
Middle  0.25768467  0.56338860  0.17892673
Lower   0.04102279  0.45566684  0.50331037

Şekil 157.1. Şablonun çizdiği clr biplotu (örnek veri): noktalar ilk iki temel bileşendeki puanlar, kırmızı çizgiler bileşenlerin yük yönleridir.

Öğe Ne yazar Nasıl yorumlanır
Merkez ve aritmetik ortalama Kapalı geometrik ortalama ve kapatılmış oranların aritmetik ortalaması. Bileşimsel veride "ortalama bileşim" geometrik merkezdir; aritmetik ortalama sıfıra yakın değerlerde ve çarpık dağılımda ondan sapar.
Değişim matrisi \operatorname{var}(\ln(x_i/x_j)). Küçük değer: iki bileşen orantılı hareket eder; büyük değer: oran çok değişken. Örnekte kil ve çakıl en bağımsız çifttir (3,42).
clr temel bileşenleri Öz değer, açıklanan ve birikimli oran. TB1 değişkenliğin %86,1'ini açıklar; ilk bileşen çakıla karşı kil ve kumu karşılaştırır (yükler -0{,}52, -0{,}28, 0{,}80).
Regresyon katsayıları İlr koordinatlarında katsayılar; kesişim başvuru düzeyindedir. Tabana ve başvuru düzeyine bağlıdır; tek başına yorumlanmaz, tahmini bileşimlerle ve teste birlikte okunur.
Çok değişkenli test Yordayıcının bileşimin tamamı üzerindeki etkisi. Pillai izi 1,260, F_{4{,}114}=48{,}50, p<0{,}001: üç alanın bileşimleri farklıdır.
Tahmini bileşimler İlr katsayılarından geri çevrilen her düzey için bileşim. Üst alan çakılca zengin (0,794), orta alan kumca zengin (0,563), alt alan kum ve çakıl dengeli.

Rapor cümlesi (örnek ayar): "Kil, kum ve çakıl payları (n=60) Aitchison geometrisinde ilr koordinatlarına dönüştürülmüş ve alana göre çok değişkenli doğrusal modelle çözümlenmiştir. Alan, bileşimin tamamı üzerinde anlamlı bir etki göstermiştir (Pillai izi =1{,}260, F_{4,\,114}=48{,}50, p<0{,}001). Tahmini bileşimler: üst alan (0{,}053;\ 0{,}152;\ 0{,}794), orta alan (0{,}258;\ 0{,}563;\ 0{,}179), alt alan (0{,}041;\ 0{,}456;\ 0{,}503)."

157.8 Sık hatalar ve tuzaklar

  • İlr katsayılarını doğrudan yorumlamak. Katsayılar Helmert koordinatlarındadır; "kil/kum oranı" gibi okunamaz ve başvuru düzeyi değişince değişir. Sonuç olarak tahmini bileşimleri ve Pillai testini rapor edin.
  • Sıfırları sessizce değiştirmek. Sıfır oranı yüksekse sonuç oran seçimine duyarlıdır (örnekte toplam varyans 2,94 ile 3,05). Her çalıştırmada değiştirilen sıfır sayısı konsol satırında yazılır; kaç satırdan geldiğini ayrıca kontrol edin.
  • Yordayıcı olarak bir bileşen seçmek. Çalıştırma "Yordayıcı bileşenlerden biri olamaz" iletisiyle durur (yord_bilesen); bileşeni yordayıcılardan çıkarın.
  • Eksik değerli satırlar. Betimleme tabloları yordayıcıdan bağımsızdır: sa_eksik.csv için betimleme n=58, yordayıcılı regresyon n=57 ve çıktı iki sayıyı da yazar. Eksik değerin rastgele olup olmadığını ayrıca düşünün.
  • Ardışık test ve sıra. İki yordayıcıda sıra değişince alan Pillai izi 1{,}285 ile 1{,}300 arasında değişir; şablon çıktıya "ardışıktır (tür I)" notu düşer, ama tür II seçeneği yoktur; çok yordayıcılı modelde tüm sıralar raporlanmalıdır.
  • Sayı etiketli düzeyler. Veri sekmesinde "kategorik" yapılmamış 1/2/10 gibi bir sütun sürekli yordayıcı olur (tek serbestlik derecesi); kategorik yapılırsa üç düzeyli faktör olur (iki serbestlik derecesi; kod_say ↔ kod_kat).
  • Ondalık virgüllü metin bileşen. Çalıştırma durur ("sayısal sütun değil"); sütunu sayıya çevirin.
  • Çok az gözlem. n=5 ve üç bileşende model kurulur ama artık serbestlik derecesi çok küçüktür; F ve p güvenilmez.
  • Biplot. Puanlar sütun ortalaması çıkarılmış clr değerlerinden hesaplanır (bulut orijinde ortalanır) ve eksen sınırları oklar ile değişken adlarını kapsayacak biçimde kurulur; çok sayıda gözlemde puan bulutu ok uçlarının ölçeğini belirler.
  • Tahmini bileşim tablosu yalnız ilk kategorik yordayıcı içindir. İkinci kategorik yordayıcı ilk düzeyinde sabitlenir; hangi düzeyin başvuru sayıldığı çıktıdaki düzey sırası notunda yazar (Bölüm 1.3).

157.9 Uzman soruları

S1. Neden ham oranlar üzerinde MANOVA ya da korelasyon yapmak yanlış?

Toplamı sabit bileşenlerin kovaryans matrisi tekildir ve bileşenler arasında zorunlu bir negatif korelasyon vardır (biri artınca öbürleri azalır); bu "sahte korelasyon" Pearson'ın yorumunu bozar (Aitchison, 1982). Log-oranlar uzayında değişkenler kısıtsız olduğundan klasik yöntemler uygulanabilir.

S2. İlr katsayıları tabana bağlıyken test neden bağlı değil?

Taban değişimi ilr koordinatlarını ortogonal bir \mathbf Q ile döndürür; \mathbf H\mathbf E^{-1}'in öz değerleri döndürmeye göre değişmez. Pillai, Wilks, Hotelling–Lawley ve Roy bu öz değerlerin işlevleri olduğundan hepsi taban bağımsızdır. Örnekte Upper ve Lower başvurulu iki modelin Pillai değeri aynıdır (1{,}259786).

S3. Çarpımsal yer değiştirme ne zaman uygun değildir?

Sıfırların "ölçüm sınırı altı" kısıtlı değerler olduğu varsayımına dayanır. Sıfırlar gerçek yokluksa (kompozisyonda eksik bileşen) ya da çok fazlaysa (bir bileşende %10'dan fazla) başka yöntemler (alt bileşim çözümlemesi, sıfır şişkin modeller) gerekir. Şablon yalnız tek bir sabit oran sunar.

S4. Değişim matrisi neden n-1 paydalı?

Şablon stats::var kullanır (98); örnek varyansıdır. Toplam varyans clr kovaryansının izi olarak n-1 paydalı hesaplanır ve \tfrac1D\sum_{i<j}\tau_{ij} ile aynıdır; paydayı n almak her iki sayıyı (n-1)/n çarpanıyla küçültür.

S5. Ardışık test yerine tür II ya da III kullanmak sonucu nasıl değiştirir?

Tek yordayıcıda üçü aynıdır. Çok yordayıcıda tür I, her terimi yalnız öncekilere göre düzeltir; tür II tüm öteki terimlere göre. Örnekte derinlik önce girerse Pillai 0{,}0110 (F_{2{,}55}=0{,}305), alan 1{,}2998; alan önce girerse alan 1{,}2854, derinlik 0{,}1071 (F=3{,}30). Şablon yalnız tür I sunar.

S6. Başka bir yazılımın ilr katsayıları neden farklı çıkar?

İlr tabanı seçilebilir (Helmert, dengeler, ardışık ikili bölümleme); katsayılar buna bağlıdır. Tahmini bileşimler, Pillai testi ve Aitchison uzaklıkları aynı kalır; başka yazılımla karşılaştırırken bunlar karşılaştırılmalıdır.

S7. Biplot yorumu neden dikkatli yapılmalı?

clr biplotunda ok uzunlukları bileşenin değişkenliğini, oklar arası açı korelasyonu gösterir; ancak puanlar sütun ortalaması çıkarılmış clr değerlerinden hesaplandığından bulut orijin etrafındadır (157.8). Yine de iki eksenin açıkladığı payı (temel bileşen tablosu) birlikte okuyun.

S8. Bu şablon ile `robCompositions` gibi sağlam yöntemlerin farkı nedir?

Şablon klasik (ortalama ve kovaryans tabanlı) yöntemlerle çalışır; aykırı bileşimler merkez, değişim matrisi ve test sonuçlarını bozabilir. Sağlam kestiriciler (Filzmoser ve ark., 2009) bu şablonda yoktur.

157.10 Kaynaklar

  • Aitchison, J. (1982). The statistical analysis of compositional data. Journal of the Royal Statistical Society: Series B (Methodological), 44(2), 139–160. https://doi.org/10.1111/j.2517-6161.1982.tb01195.x
  • Egozcue, J. J., Pawlowsky-Glahn, V., Mateu-Figueras, G., & Barceló-Vidal, C. (2003). Isometric logratio transformations for compositional data analysis. Mathematical Geology, 35(3), 279–300. https://doi.org/10.1023/A:1023818214614
  • Filzmoser, P., Hron, K., & Reimann, C. (2009). Principal component analysis for compositional data with outliers. Environmetrics, 20(6), 621–632. https://doi.org/10.1002/env.966
  • Martín-Fernández, J. A., Barceló-Vidal, C., & Pawlowsky-Glahn, V. (2003). Dealing with zeros and missing values in compositional data sets using nonparametric imputation. Mathematical Geology, 35(3), 253–278. https://doi.org/10.1023/A:1023866030544
  • Pawlowsky-Glahn, V., & Egozcue, J. J. (2001). Geometric approach to statistical analysis on the simplex. Stochastic Environmental Research and Risk Assessment, 15(5), 384–398. https://doi.org/10.1007/s004770100077
  • Pawlowsky-Glahn, V., Egozcue, J. J., & Tolosana-Delgado, R. (2015). Modelling and analysis of compositional data. Wiley. https://doi.org/10.1002/9781119003144
  • Pillai, K. C. S. (1955). Some new test criteria in multivariate analysis. The Annals of Mathematical Statistics, 26(1), 117–121. https://doi.org/10.1214/aoms/1177728599
  • van den Boogaart, K. G., & Tolosana-Delgado, R. (2008). "compositions": A unified R package to analyze compositional data. Computers & Geosciences, 34(4), 320–338. https://doi.org/10.1016/j.cageo.2006.11.017
  • van den Boogaart, K. G., & Tolosana-Delgado, R. (2013). Analyzing compositional data with R. Springer. https://doi.org/10.1007/978-3-642-36809-7
  • Wilks, S. S. (1932). Certain generalizations in the analysis of variance. Biometrika, 24(3–4), 471–494. https://doi.org/10.1093/biomet/24.3-4.471