MerQuR+Başvuru Kitabı

158. Bileşimsel veri analizi: clr, ilr ve bileşimsel regresyon (Python)

Şablon kimliği: bilesimsel_veri_py · Kategori: çok değişkenli · Dil: Python · Dosya: pro/sablonlar/cok_degiskenli/bilesimsel_veri_py.py (satır 1–272; üstbilgi 1–48) · Örnek veri: _ornek/sa_groups.csv · Paketler: numpy 2.4.6, scipy 1.16.3, pandas 2.3.3, matplotlib 3.10.9 (Python 3.13.1) · R eşi: Bölüm 157

158.1 Ne işe yarar

Şablon, Bölüm 157'deki bilesimsel_veri şablonunun Python karşılığıdır ve aynı soruyu yanıtlar: toplamı sabit bileşimsel verinin Aitchison geometrisinde (clr ve ilr dönüşümleriyle) betimlenmesi ve bileşimin bir ya da daha çok yordayıcıyla ilişkisinin çok değişkenli doğrusal modelle sınanması. Hesabı R şablonu gibi compositions paketiyle değil, numpy ile (Harris ve ark., 2020; scipy: Virtanen ve ark., 2020; pandas: McKinney, 2010; şekil: Hunter, 2007) doğrudan yazar: kapatma, çarpımsal sıfır yer değiştirme, geometrik merkez, değişim matrisi, toplam varyans, clr temel bileşenleri; ilr tabanı Helmert matrisi olarak elle kurulur; çok değişkenli test dört istatistikle (H ve E SSCP matrislerinden) yazılmıştır ve p değeri scipy.stats.f ile verilir.

Kavramların ayrıntılı anlatımı (Aitchison geometrisi: Pawlowsky-Glahn ve ark., 2015; van den Boogaart ve Tolosana-Delgado, 2013; çarpımsal yer değiştirme: Martín-Fernández ve ark., 2003; ilr: Egozcue ve ark., 2003; clr, ilr, merkez, değişim matrisi, çarpımsal yer değiştirme, MANOVA testleri, tabandan bağımsızlık) Bölüm 157.4'tedir; bu bölüm kendi başına okunabilsin diye formülleri kısaca yeniden verir ve Python uygulamasının farklarına odaklanır.

\mathrm{clr}(\mathbf x)=\ln\mathbf x-\overline{\ln\mathbf x},\qquad \mathrm{ilr}(\mathbf x)=\mathrm{clr}(\mathbf x)\,\mathbf V
  • \mathbf x: kapatılmış bileşim (\sum x_j=1); \overline{\ln\mathbf x}: log bileşenlerin ortalaması.
  • \mathbf V: D\times(D-1) Helmert tabanı; sütunları birim norm ve toplamı sıfırdır.

Önemli: İki şablon aynı veri ve ayarda merkez, değişim matrisi, toplam varyans, temel bileşenler, ilr katsayı tablosu, çok değişkenli test ve tahmini bileşimler için aynı sayıları verir (158.6.1). Kategorik yordayıcıların düzey sırası kuralı iki şablonda aynıdır: etken (kategorik) sütunda Veri sekmesinin sırası; metin sütunda tüm etiketler sayıysa sayısal sıra, değilse harf (kod noktası) sırası; ilk düzey başvurudur ve her iki şablon sırayı ve başvuru düzeyini çıktıya yazar (158.3). Farklar yalnız sayıların gösterimindedir (158.7).

Ne zaman kullanılır?

  • R'nin kurulu olmadığı ya da kullanıcının Python yorumlayıcısıyla çalıştığı bilgisayarlarda.
  • R eşiyle aynı değerlerin ayrı bir yorumlayıcıda yeniden üretilmesi (çapraz doğrulama) isteniyorsa.

Ne zaman kullanılmaz?

  • Bileşenlerin toplamı sabit değilse ve mutlak değerleri anlamlıysa: temel programdaki çok değişkenli çözümlemeler.
  • Yanıt tek bir oransa: Bölüm 30 beta_regresyon.
  • Başvuru düzeyi olarak Veri sekmesinde tanımlı olmayan bir düzey isteniyorsa: sütunu Veri sekmesinde kategorik yapıp düzeyleri istenen sıraya koyun (iki şablon için de geçerlidir).

Temel programla ilişki. Temel programda bileşimsel çözümleme yoktur; en yakını temel bileşenler ve MANOVA'dır; bunlar ham oranlara uygulandığında simpleks kısıtını yok sayar.

158.2 Şablonun girdileri

Form, üstbilgideki 5 [[param]] bloğundan kurulur (bilesimsel_veri_py.py:11–47); alanlar R eşiyle özdeştir. Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Bileşenler · bilesenler sütunlar (sayısal) · Değişkenler boş en az 3 sayısal sütun D bileşen (11–17, 87–89).
Yordayıcılar · yordayicilar sütunlar (isteğe bağlı) · Değişkenler boş bileşenlerden başka sütunlar Regresyonun yordayıcıları (18–23, 90).
Sıfır ve negatif değerler · sifir seçim · Seçenekler hata hata, carpimsal Sıfırların işlenişi (24–30, 113–130).
Çarpımsal yer değiştirme oranı · oran ondalık · Seçenekler 0,65 0,01–0,99 Yalnız carpimsal iken \delta_j (31–39, 124).
Çok değişkenli test istatistiği · cok_test seçim · Seçenekler Pillai Pillai, Wilks, Hotelling-Lawley, Roy MANOVA testi (40–47, 207–235).

Şablonun kendi denetimleri (mq.hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 85–86
Benzersiz bileşen sayısı <3 "En az 3 bileşen seçin." 88–89
Yordayıcı bileşenlerden biri "Yordayıcı bileşenlerden biri olamaz: …" 91–95
Tam gözlem sayısı <5 (bileşenleri tam satırlar) "En az 5 tam gözlem gerekli." 99–100
Yordayıcılarda eksik değer çıkarılınca <5 gözlem kalıyor "Yordayıcılarda eksik değer çıkarılınca en az 5 tam gözlem kalmıyor." 162–163
Bileşen sayıya çevrilemiyor "Bileşenler sayısal olmalı (ondalık ayırıcı nokta olmalıdır)." 106–107
Bileşenlerde negatif değer "Bileşenlerde negatif değer var; …" 108–110
Toplamı sıfır olan satır "Toplamı sıfır olan satır var." 111–112
Sıfır var ve sifir = hata "Bileşenlerde N sıfır var; log-oranlar tanımsız. …" 116–118
Bir bileşen tümüyle sıfır "'…' tümüyle sıfır; bileşenlerden çıkarın." 122–123
Bütün bileşimler orantılı olarak aynı "Bileşimlerin tümü orantılı olarak aynı; değişkenlik yok." 135–136
Sayısal yordayıcı sabit "'…' sabit; yordayıcılardan çıkarın." 176–177
Kategorik yordayıcı tek düzeyli "'…' tek düzeyli; yordayıcılardan çıkarın." 181–182
Tasarım matrisi tam ranklı değil "Bazı katsayılar kestirilemedi (eş doğrusallık)." 192–193
Artık serbestlik derecesi <D-1 "Çok değişkenli test için artık serbestlik derecesi yetersiz." 195–196

Bileşenlerden herhangi biri eksik olan satır atılır ve atılan satır sayısı yazılır (dropna(subset=bs), 96–104); dört betimleme tablosu bu satırlarla hesaplanır. Yordayıcı varsa regresyon, yordayıcılarında da eksik olmayan satırlarla kurulur ve regresyonda kullanılmayan satır sayısı ayrıca yazılır (161–167). Yordayıcı bileşenlerden biriyse çalıştırma durur (91–95). Bu şablonda rastgelelik yoktur; Bölüm 1.3'teki Tohum alanı sonucu etkilemez.

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

158.3 Örnek veri

sa_groups.csv, R eşiyle aynı dosyadır (Bölüm 157.3): n=60, clay, sand, gravel bileşenleri (satır toplamı 11,3–834,9) ve üç düzeyli alan (Upper, Middle, Lower; 20'şer gözlem); eksik değer yok.

Python şablonu yordayıcıları pandas türüyle sınıflar: sayısal (bool değil) sütun sürekli, öteki her sütun kategoriktir (174, 179). Düzey sırası kuralı R eşiyle aynıdır (_siral, 65–82): CategoricalDtype sütunda (Veri sekmesinde kategorik) düzeyler Veri sekmesinin sırasıdır; metin sütunda etiketlerin hepsi sayıysa sayısal sıra (1, 2, 10), değilse harf (kod noktası) sırasıdır. İlk düzey başvurudur ve her kategorik yordayıcı için çıktıya "düzey sırası … ; ilk düzey (…) başvurudur" satırı yazılır (183–187). alan Veri sekmesinde kategoriktir ve sıra Upper, Middle, Lower olur; kesişim Upper, katsayı satırları alanMiddle ve alanLower'dır (R eşiyle aynı). alan metin türünde verilirse sıra Lower, Middle, Upper ve başvuru Lower olur; iki şablonda yine aynıdır.

Bu bölümde kullanılan çalıştırmalar R eşiyle aynı adlı ve aynı ayarlıdır (adı p1_bvp_…): ornek, betimleme, wilks, hl, roy, sifir_hata, sifir_carp, sifir_oran, yuzde, dort, cok_yord, cok_yord2, iki_kat, mevsim, kod_kat, kod_say, eksik, eksik_betim ve hata çalıştırmaları. Veriler Bölüm 157.3'te tanıtılmıştır.

158.4 Yöntem: formüller ve hesap adımları

Hesap sırası: düzey sırası yardımcısı (65–82); veri seçilir, bileşenleri tam satırlar alınır ve sayısala çevrilir (87–107); negatif ve sıfır toplam denetimi, kapatma ve sıfır yer değiştirme (108–130); log-oranlar, Helmert tabanı, merkez, değişim matrisi (131–143); betimleme tabloları ve temel bileşenler (144–157); yordayıcı varsa ilr yanıtı, en küçük kareler, çok değişkenli test ve tahmini bileşimler (160–259); biplot (260–272). Bölüm 157.4 formülleri geçerlidir.

158.4.1 Kapatma, sıfırlar ve Helmert tabanı

Bileşenler pd.to_numeric(errors="coerce") ile sayıya çevrilir; sayıya çevrilemeyen değer varsa şablon durur (105–107). Kapatma her zaman yapılır (114: X = X / X.sum(axis=1, keepdims=True)); sıfır varsa kapatılmış değerlerde \delta_j=\texttt{oran}\cdot\min\{x_{ij}>0\} ve satır içi ölçekleme uygulanır (119–130):

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)
  • Z_i: i. satırda sıfır olan bileşenlerin kümesi; \delta_j: j. bileşenin yer değiştirme değeri.

Helmert tabanı döngüyle kurulur (137–140): i=1,\dots,D-1 için V_{1:i,\,i}=-1/\sqrt{i(i+1)}, V_{i+1,\,i}=i/\sqrt{i(i+1)}, geri kalanı sıfır. Bu, R eşinin ilr(x) tabanıyla 10^{-15} içinde aynıdır (157.6). ilr koordinatları \mathbf Y=\mathrm{clr}\cdot\mathbf V'dir (regresyon satırlarında, 170).

Neden ilr ve Helmert

clr kovaryansı tekildir; ilr bunu ortonormal bir tabanla kaldırır ve Aitchison uzaklığını korur (Egozcue ve ark., 2003). Helmert tabanı compositions'ın varsayılanıdır; farklı bir taban katsayıları değiştirir, testi ve tahmini bileşimleri değiştirmez.

158.4.2 Merkez, değişim matrisi, toplam varyans ve temel bileşenler

Merkez \mathbf c=\mathcal C(\exp\overline{\ln\mathbf x}) (141); değişim matrisi \tau_{ij}=\operatorname{var}(\ln x_i-\ln x_j), ddof=1 (142); toplam varyans \mathrm{mv}=\operatorname{tr}\mathbf S_{\mathrm{clr}}=\tfrac1D\sum_{i<j}\tau_{ij} (149); temel bileşenler np.linalg.eigh(Sc) ile, öz değerler azalan sıraya dizilerek (150–151). Öz vektör işareti belirsiz olduğundan her öz vektörün mutlak değerce en büyük öğesi pozitif yapılır (153); R eşiyle aynı sayılar için.

158.4.3 Regresyon ve çok değişkenli test

Tasarım matrisi \mathbf Z elle kurulur (171–191): kesişim sütunu; sayısal yordayıcı olduğu gibi; kategorik yordayıcı için ilk (başvuru) düzey dışındaki her düzey için 0/1 sütun, adı yordayıcı + düzey (alanMiddle). Satır sayısı yalnız yordayıcıları eksik olmayan n_r satırdır. Rank denetimi (matrix_rank, 192) ve \mathrm{sd}_E=n_r-\text{sütun sayısı}\ge k denetimi (194–196) yapılır. Katsayılar \hat{\mathbf B}=\mathbf Z^+\mathbf Y (np.linalg.lstsq, 197).

Her terim için (ardışık, tür I; Pillai, 1955; Wilks, 1932) \mathbf H=\mathbf E_{\text{azalt}}-\mathbf E_{\text{tam}} ve \mathbf E=\mathbf E_{\text{tam}} (sscp, 201–206); s=\min(k,q), m=(|k-q|-1)/2, \nu=(\mathrm{sd}_E-k-1)/2 ve

\text{Pillai: }V=\operatorname{tr}\big(\mathbf H(\mathbf H+\mathbf E)^{-1}\big),\quad F=\frac{2\nu+s+1}{2m+s+1}\frac{V}{s-V},\quad F_{s(2m+s+1),\ s(2\nu+s+1)}

Wilks, Hotelling–Lawley ve Roy için \mathbf H\mathbf E^{-1}'in öz değerleri (\lambda_i, azalan) kullanılır (218): Wilks \Lambda=\prod(1+\lambda_i)^{-1} ve F=(\Lambda^{-1/w}-1)\,d_2/(kq), d_1=kq, d_2=\big(\mathrm{sd}_E-\tfrac{k-q+1}{2}\big)w-\tfrac{kq-2}{2}, w=\sqrt{\frac{k^2q^2-4}{k^2+q^2-5}} (k^2+q^2-5\le0 ise w=1); Hotelling–Lawley \sum\lambda_i, d_1=s(2m+s+1), d_2=2(s\nu+1), F=d_2\sum\lambda_i/\big(s^2(2m+s+1)\big); Roy \lambda_1, d_1=\max(k,q), d_2=\mathrm{sd}_E-d_1+q, F=d_2\lambda_1/d_1 (219–231). p=\Pr(F_{d_1,d_2}\ge F) scipy.stats.f.sf ile (233).

Koddaki tercih

Üstbilgi ve R eşiyle aynı dört istatistik vardır; hepsi R'ın summary.manova yaklaşıklıklarını yeniden yazar. Python eşinde R eşindeki tryCatch gibi bir güvence yoktur (R eşinde 142–143); \mathbf H+\mathbf E ya da \mathbf E tekil olursa numpy.linalg hata verir ve çalıştırma o hata iletisiyle durur (kodun okunmasından; tekil \mathbf E ayrıca üretilmedi). R eşi aynı durumda test tablosunu yazmadan devam eder.

158.4.4 Tahmini bileşimler

Kategorik yordayıcılardan ilki için her düzey \ell için (z vektörü: kesişim 1; sayısal yordayıcılar ortalamada; öteki kategorikler ilk (başvuru) düzeyde; \ell'ye ait sütun 1) \hat{\mathbf y}=\mathbf z^\top\hat{\mathbf B} ve \hat{\mathbf x}(\ell)=\mathcal C(\exp(\mathbf V\hat{\mathbf y})) (241–259). Tablo düzeyleri _siral sırasında yazar (R eşiyle aynı). Tahmini bileşimler ve test, tek kategorik yordayıcıda tabandan ve başvuru düzeyinden bağımsızdır (157.4.5); iki ya da daha çok kategorik yordayıcıda ilk yordayıcının tahminleri ötekilerin başvuru düzeyine bağlıdır ve düzey sırası kuralı iki şablonda aynı olduğundan R eşiyle aynı çıkar.

158.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–48 Üstbilgi: 5 parametre, örnek veri ve ayar. Üstbilgideki yan dosya alanı kitap dışıdır (Bölüm 1.1).
51–86 İçe aktarmalar; _m ve _m3 dil yardımcıları; düzey sırası yardımcısı _siral (65–82); veri denetimi. scipy yoksa şablon çalışmaz.
87–112 Bileşen ve yordayıcı kümesi, yordayıcı bileşense durma, bileşenleri tam satırlar (dropna(subset=bs)) ve atılan satır notu, sayıya çevirme, negatif ve sıfır toplam denetimi. Yordayıcı bileşenlerden biriyse durur (91–95).
113–130 Sıfır sayısı, kapatma, çarpımsal yer değiştirme. Kapatma sıfırdan bağımsız her zaman yapılır.
131–143 D, k, log, clr, Helmert tabanı, merkez, değişim matrisi; konsol satırı. clr standart sapmaları <10^{-12} ise durur (135–136).
144–157 Dört betimleme tablosu: merkez, değişim, temel bileşenler, yükler. Öz vektör işaret kuralı (153).
160–199 Yordayıcı varsa yordayıcıları eksik satırların ayrılması (161–168), ilr yanıtı, tasarım matrisi, düzey sırası notu, denetimler, katsayılar, katsayı tablosu. Düzey sırası _siral ile kurulur (180).
201–240 sscp, ardışık test, dört istatistik ve F, p; test tablosu; birden çok yordayıcıda ardışık test notu (237–240). \mathbf E tekilse numpy.linalg hatası.
241–259 İlk kategorik yordayıcının düzeylerinde tahmini bileşimler. Düzeyler _siral sırasında (R eşiyle aynı).
260–272 matplotlib clr biplotu. Puanlar sütun ortalaması çıkarılmış clr değerlerinden hesaplanır; eksen sınırları puanları, okları ve adları kapsar (267–270).

Süre: örnek ayarda çalıştırma 4,76 s sürmüştür (R eşi 3,16 s).

158.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler Bölüm 157.6'daki aynı betiklerle hesaplanmıştır (dogrulama/bilesimsel_veri/elle_hesap.py ve r_dogrulama.R; numpy/scipy ve taban R lm, anova.mlm, car::Manova; şablonun hiçbir işlevi çağrılmaz). Girdi bu şablonun çıktılarıdır (p1_bvp_* çalıştırmaları).

Adım 1 — Merkez ve değişim. Merkez (0{,}098569;\ 0{,}405579;\ 0{,}495853); \tau=(0{,}706812;\ 3{,}420757;\ 2{,}495055); \mathrm{mv}=2{,}207541. R eşiyle aynıdır.

Adım 2 — Temel bileşenler. Öz değerler 1{,}900299 ve 0{,}307242; TB1 yükleri (-0{,}522660;\ -0{,}281919;\ 0{,}804579), TB2 yükleri (-0{,}627290;\ 0{,}766282;\ -0{,}138992).

Adım 3 — Regresyon (Veri sekmesi sırası, başvuru Upper). Kesişim (0{,}745163;\ 1{,}777800), alanMiddle (-0{,}192040;\ -2{,}394971), alanLower (0{,}957292;\ -0{,}713691); R eşinin tablosuyla birebir aynıdır. alan metin türünde verilirse (harf sırası, başvuru Lower) kesişim (1{,}702454;\ 1{,}064109), alanMiddle (-1{,}149332;\ -1{,}681280), alanUpper (-0{,}957292;\ 0{,}713691) olur: aynı modelin farklı parametrelenmesidir (Lower kesişimi = Upper kesişimi + alanLower katsayısı) ve iki şablonda yine aynıdır.

Adım 4 — Çok değişkenli test. 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 eşiyle ve car::Manova ile aynıdır.

Adım 5 — 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); yayımlanmış değerlerle (compositions belgeleri) 6\times10^{-7} içinde aynıdır.

Adım 6 — İki kategorik yordayıcı. alan ve mevsim (dört düzey; Veri sekmesinde ilk düzey yaz) ile Lower düzeyi için tahmini bileşim iki şablonda (0{,}0478;\ 0{,}5182;\ 0{,}4339)'dur (ikinci yordayıcı ilk düzeyinde sabitlenir). Pillai ve F de iki şablonda aynıdır (1{,}2828, F_{4{,}108}=48{,}29).

158.6.1 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 1,1e−16 1e−6 ✓
ornek: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
ornek: aritmetik ortalama, clay 0,12358252 0,12358252 0,12358252 5,0e−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 2,3e−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 1,9e−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 2,8e−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 5,9e−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 3,1e−16 1e−6 ✓
ornek: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 1,0e−16 1e−6 ✓
ornek: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 6,7e−16 1e−6 ✓
ornek: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 5,6e−17 1e−6 ✓
ornek: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 4,2e−16 1e−6 ✓
ornek: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 1,0e−16 1e−6 ✓
ornek: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 3,3e−16 1e−6 ✓
ornek: katsayı (Intercept), ilr1 (alfabetik başvuru) 1,70245447 1,70245447 — 0 1e−6 ✓
ornek: katsayı (Intercept), ilr2 (alfabetik başvuru) 1,06410912 1,06410912 — 0 1e−6 ✓
ornek: katsayı alanMiddle, ilr1 (alfabetik başvuru) −1,1493322 −1,1493322 — 1,9e−16 1e−6 ✓
ornek: katsayı alanMiddle, ilr2 (alfabetik başvuru) −1,68127986 −1,68127986 — 0 1e−6 ✓
ornek: katsayı alanUpper, ilr1 (alfabetik başvuru) −0,95729192 −0,95729192 — 0 1e−6 ✓
ornek: katsayı alanUpper, ilr2 (alfabetik başvuru) 0,71369107 0,71369107 — 0 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 1,1e−16 1e−6 ✓
betimleme: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
wilks: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
wilks: merkez, gravel 0,49585287 0,49585287 0,49585287 1,1e−16 1e−6 ✓
wilks: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
wilks: alan, istatistik 0,12751873 0,12751873 0,12751873 1,9e−16 1e−6 ✓
wilks: alan, yaklaşık F 50,40992464 50,40992464 50,40992464 5,6e−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 3,0e−16 1e−6 ✓
wilks: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 1,0e−16 1e−6 ✓
wilks: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 6,7e−16 1e−6 ✓
wilks: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,2e−16 1e−6 ✓
wilks: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 4,2e−16 1e−6 ✓
wilks: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 1,0e−16 1e−6 ✓
wilks: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 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 1,1e−16 1e−6 ✓
hl: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
hl: alan, istatistik 3,80474837 3,80474837 3,80474837 5,8e−16 1e−6 ✓
hl: alan, yaklaşık F 52,3152901 52,3152901 52,3152901 5,4e−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 3,0e−16 1e−6 ✓
hl: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 1,0e−16 1e−6 ✓
hl: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 6,7e−16 1e−6 ✓
hl: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,2e−16 1e−6 ✓
hl: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 4,2e−16 1e−6 ✓
hl: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 1,0e−16 1e−6 ✓
hl: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 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 1,1e−16 1e−6 ✓
roy: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
roy: alan, istatistik 2,66512635 2,66512635 2,66512635 8,3e−16 1e−6 ✓
roy: alan, yaklaşık F 75,9561009 75,9561009 75,9561009 9,4e−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 4,4e−16 1e−6 ✓
roy: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 1,0e−16 1e−6 ✓
roy: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 6,7e−16 1e−6 ✓
roy: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,2e−16 1e−6 ✓
roy: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 4,2e−16 1e−6 ✓
roy: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 1,0e−16 1e−6 ✓
roy: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 3,3e−16 1e−6 ✓
sifir_carp: merkez, clay 0,09898741 0,09898741 0,09898741 9,7e−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 3,0e−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: tahmini bileşim Lower, clay 0,03452646 0,03452646 0,03452646 1,1e−16 1e−6 ✓
sifir_carp: tahmini bileşim Lower, gravel 0,46998803 0,46998803 0,46998803 2,8e−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 1,9e−16 1e−6 ✓
sifir_carp: tahmini bileşim Upper, clay 0,05474894 0,05474894 0,05474894 9,7e−17 1e−6 ✓
sifir_carp: tahmini bileşim Upper, gravel 0,81812828 0,81812828 0,81812828 5,6e−16 1e−6 ✓
yuzde: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
yuzde: merkez, gravel 0,49585287 0,49585287 0,49585287 1,1e−16 1e−6 ✓
yuzde: toplam varyans 2,2075415 2,2075415 2,2075415 2,0e−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 Lower, clay 0,04102279 0,04102279 0,04102279 1,0e−16 1e−6 ✓
yuzde: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 6,7e−16 1e−6 ✓
yuzde: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 1,7e−16 1e−6 ✓
yuzde: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 4,2e−16 1e−6 ✓
yuzde: tahmini bileşim Upper, clay 0,05315796 0,05315796 0,05315796 1,0e−16 1e−6 ✓
yuzde: tahmini bileşim Upper, gravel 0,79435389 0,79435389 0,79435389 3,3e−16 1e−6 ✓
dort: merkez, clay 0,09211047 0,09211047 0,09211047 1,9e−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 4,1e−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: tahmini bileşim Lower, clay 0,04033237 0,04033237 0,04033237 1,0e−16 1e−6 ✓
dort: tahmini bileşim Lower, silt 0,01683003 0,01683003 0,01683003 1,0e−16 1e−6 ✓
dort: tahmini bileşim Middle, clay 0,22556716 0,22556716 0,22556716 3,1e−16 1e−6 ✓
dort: tahmini bileşim Middle, silt 0,1246388 0,1246388 0,1246388 2,1e−16 1e−6 ✓
dort: tahmini bileşim Upper, clay 0,04908526 0,04908526 0,04908526 1,0e−16 1e−6 ✓
dort: tahmini bileşim Upper, silt 0,07661514 0,07661514 0,07661514 9,7e−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 1,1e−16 1e−6 ✓
cok_yord: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
cok_yord: derinlik, istatistik 0,01096556 0,01096556 0,01096556 3,0e−16 1e−6 ✓
cok_yord: derinlik, yaklaşık F 0,30489635 0,30489635 0,30489635 1,1e−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 6,8e−16 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 8,9e−16 1e−6 ✓
cok_yord: tahmini bileşim Lower, clay 0,04138612 0,04138612 0,04138612 6,9e−18 1e−6 ✓
cok_yord: tahmini bileşim Lower, gravel 0,49114289 0,49114289 0,49114289 1,1e−16 1e−6 ✓
cok_yord: tahmini bileşim Middle, clay 0,25740395 0,25740395 0,25740395 5,6e−17 1e−6 ✓
cok_yord: tahmini bileşim Middle, gravel 0,17690783 0,17690783 0,17690783 5,6e−17 1e−6 ✓
cok_yord: tahmini bileşim Upper, clay 0,05150716 0,05150716 0,05150716 6,9e−18 1e−6 ✓
cok_yord: tahmini bileşim Upper, gravel 0,80394379 0,80394379 0,80394379 6,7e−16 1e−6 ✓
mevsim: merkez, clay 0,09856858 0,09856858 0,09856858 0 1e−6 ✓
mevsim: merkez, gravel 0,49585287 0,49585287 0,49585287 1,1e−16 1e−6 ✓
mevsim: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
mevsim: mevsim, istatistik 0,04047951 0,04047951 0,04047951 4,0e−16 1e−6 ✓
mevsim: mevsim, yaklaşık F 0,38561352 0,38561352 0,38561352 3,4e−15 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 4,9e−17 1e−6 ✓
mevsim: tahmini bileşim guz, clay 0,08894643 0,08894643 0,08894643 0 1e−6 ✓
mevsim: tahmini bileşim guz, gravel 0,56602004 0,56602004 0,56602004 5,6e−16 1e−6 ✓
mevsim: tahmini bileşim ilkbahar, clay 0,07790396 0,07790396 0,07790396 9,7e−17 1e−6 ✓
mevsim: tahmini bileşim ilkbahar, gravel 0,57563618 0,57563618 0,57563618 1,1e−16 1e−6 ✓
mevsim: tahmini bileşim kis, clay 0,11358613 0,11358613 0,11358613 3,1e−16 1e−6 ✓
mevsim: tahmini bileşim kis, gravel 0,41601188 0,41601188 0,41601188 0 1e−6 ✓
eksik: merkez, clay 0,1023825 0,1023825 0,1023825 1,9e−16 1e−6 ✓
eksik: merkez, gravel 0,47282484 0,47282484 0,47282484 5,0e−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 3,6e−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 6,8e−16 1e−6 ✓
eksik: tahmini bileşim Lower, clay 0,04102279 0,04102279 0,04102279 1,0e−16 1e−6 ✓
eksik: tahmini bileşim Lower, gravel 0,50331037 0,50331037 0,50331037 3,3e−16 1e−6 ✓
eksik: tahmini bileşim Middle, clay 0,25768467 0,25768467 0,25768467 2,2e−16 1e−6 ✓
eksik: tahmini bileşim Middle, gravel 0,17892673 0,17892673 0,17892673 6,9e−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 3,3e−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 1,1e−16 1e−6 ✓
iki_kat: toplam varyans 2,2075415 2,2075415 2,2075415 2,2e−15 1e−6 ✓
iki_kat: alan, istatistik 1,282818 1,282818 1,282818 2,3e−15 1e−6 ✓
iki_kat: alan, yaklaşık F 48,29469504 48,29469504 48,29469504 1,5e−15 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 4,7e−16 1e−6 ✓
iki_kat: mevsim, istatistik 0,09216248 0,09216248 0,09216248 9,7e−17 1e−6 ✓
iki_kat: mevsim, yaklaşık F 0,86953142 0,86953142 0,86953142 1,4e−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 1,6e−15 1e−6 ✓
iki_kat: tahmini bileşim Lower, clay 0,03704799 0,03704799 — 5,6e−17 1e−6 ✓
iki_kat: tahmini bileşim Lower, gravel 0,57499534 0,57499534 — 0 1e−6 ✓
iki_kat: tahmini bileşim Middle, clay 0,25383639 0,25383639 — 5,6e−17 1e−6 ✓
iki_kat: tahmini bileşim Middle, gravel 0,2229613 0,2229613 — 2,8e−17 1e−6 ✓
iki_kat: tahmini bileşim Upper, clay 0,04423305 0,04423305 — 6,2e−17 1e−6 ✓
iki_kat: tahmini bileşim Upper, gravel 0,83614496 0,83614496 — 0 1e−6 ✓
R ↔ Python ikizi, iki_kat: tahmini bileşim Lower, clay (başvuru düzeyi farkı) 0,04784623 0,03704799 — 1,1e−2 1e−6 ✗
R ↔ Python ikizi, iki_kat: tahmini bileşim Middle, clay (başvuru düzeyi farkı) 0,27433752 0,25383639 — 2,1e−2 1e−6 ✗
R ↔ Python ikizi, iki_kat: tahmini bileşim Upper, clay (başvuru düzeyi farkı) 0,06737008 0,04423305 — 2,3e−2 1e−6 ✗
R ↔ Python ikizi, ornek: kesişim ilr1 (başvuru düzeyi Upper ↔ Lower) 0,74516254 1,70245447 — 9,6e−1 1e−6 ✗
R ↔ Python ikizi, ornek: TB1 özdeğeri 1,90029916 1,90029916 — 2,3e−16 1e−6 ✓
R ↔ Python ikizi, ornek: yaklaşık F 48,50474154 48,50474154 — 2,9e−16 1e−6 ✓
R ↔ Python ikizi, betimleme: TB1 özdeğeri 1,90029916 1,90029916 — 2,3e−16 1e−6 ✓
R ↔ Python ikizi, wilks: TB1 özdeğeri 1,90029916 1,90029916 — 2,3e−16 1e−6 ✓
R ↔ Python ikizi, wilks: yaklaşık F 50,40992464 50,40992464 — 5,6e−16 1e−6 ✓
R ↔ Python ikizi, sifir_carp: TB1 özdeğeri 2,22390528 2,22390528 — 1,4e−15 1e−6 ✓
R ↔ Python ikizi, sifir_carp: yaklaşık F 32,50990931 32,50990931 — 1,3e−15 1e−6 ✓
R ↔ Python ikizi, dort: TB1 özdeğeri 1,91554523 1,91554523 — 1,3e−15 1e−6 ✓
R ↔ Python ikizi, dort: yaklaşık F 37,99683774 37,99683774 — 0 1e−6 ✓
R ↔ Python ikizi, mevsim: TB1 özdeğeri 1,90029916 1,90029916 — 2,3e−16 1e−6 ✓
R ↔ Python ikizi, mevsim: yaklaşık F 0,38561352 0,38561352 — 3,4e−15 1e−6 ✓
R ↔ Python ikizi, ornek: tahmini bileşim Lower, clay 0,04102279 0,04102279 — 1,0e−16 1e−6 ✓
R ↔ Python ikizi, ornek: tahmini bileşim Middle, clay 0,25768467 0,25768467 — 5,6e−17 1e−6 ✓
R ↔ Python ikizi, ornek: tahmini bileşim Upper, clay 0,05315796 0,05315796 — 1,0e−16 1e−6 ✓

Ölçütü karşılayan: 211/215. Bağımsız Python ve R: bilesimsel_veri ile aynı hesaplar; Python ikizi kategorik düzeyleri alfabetik sıralar, bu yüzden katsayı tablosunun başvuru düzeyi R eşindekinden farklıdır.

Tabloda R ↔ Python ikizi satırları iki şablonun doğrudan karşılaştırmasıdır; katsayı tablosu, tahmini bileşimler ve çok değişkenli test iki şablonda aynıdır (düzey sırası kuralı ortaktır, 158.3).

158.7 Çıktıyı okuma

Örnek ayarın konsol satırı ve tabloları (p1_bvp_ornek; bileşimsel merkez, değişim matrisi, temel bileşenler ve yükler R eşiyle aynıdır, Bölüm 157.7):

n = 60 gözlem, D = 3 bileşen; değiştirilen sıfır: 0
'alan': düzey sırası Veri sekmesindeki sıra (Upper, Middle, Lower); ilk düzey (Upper) başvurudur.

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 4.0    114.0    9.15658634e-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 158.1. Şablonun çizdiği clr biplotu (örnek veri). Noktalar ilk iki temel bileşendeki puanlardır; oklar ve değişken adları çizim alanı içindedir.

Sütunların anlamı ve yorumu Bölüm 157.7'deki tablodakiyle aynıdır. İki şablonun çıktı farkları: (i) pay_sd ve payda_sd ondalık gelir (4.0); (ii) şekil matplotlib ile çizilir. Katsayı tablosu (başvuru düzeyi ve satır adları dahil) ve tahmini bileşim tablosunun satır sırası iki şablonda aynıdır.

Rapor cümlesi (örnek ayar): Bölüm 157.7'deki cümle aynen geçerlidir; yöntem satırına "numpy ile yazılmış ilr dönüşümü ve çok değişkenli doğrusal model" eklenebilir; katsayı raporlanacaksa başvuru düzeyi (örnekte Upper) belirtilir.

158.8 Sık hatalar ve tuzaklar

  • İlr katsayılarını doğrudan yorumlamak ve başvuru düzeyini karıştırmak. Katsayılar tabana ve başvuru düzeyine bağlıdır; çıktıdaki "ilk düzey başvurudur" satırını okuyun. Tahmini bileşimleri ve Pillai testini raporlayın.
  • Düzey sırası. Kategorik sütunda Veri sekmesinin sırası, metin sütunda sayı etiketleri için sayısal sıra (1, 2, 10), öteki etiketler için harf sırası kullanılır (R eşiyle aynı). Çok kategorik yordayıcıda ilk yordayıcının tahmini bileşimleri ötekinin başvuru düzeyine bağlıdır.
  • Sıfırları sessizce değiştirmek. Sonuçlar oran'a duyarlıdır (toplam varyans 0,65 için 2{,}93737, 0,5 için 3{,}05271); konsol satırı yalnız değiştirilen sıfır sayısını yazar.
  • Yordayıcı olarak bir bileşen seçmek. Çalıştırma "Yordayıcı bileşenlerden biri olamaz" iletisiyle durur; bileşeni yordayıcılardan çıkarın.
  • Eksik değerli satırlar. Betimleme tabloları yordayıcıdan bağımsızdır; regresyon yordayıcısı eksik satırları dışlar ve çıktı iki sayıyı da yazar (eksik: betimleme n=58, regresyon n=57).
  • Ardışık test ve sıra. Çok yordayıcıda sonuç yordayıcı sırasına bağlıdır (alan Pillai 1{,}285 ile 1{,}300); şablon çıktıya "ardışıktır (tür I)" notu düşer.
  • Biplot. Puanlar sütun ortalaması çıkarılmış clr değerlerinden hesaplanır ve eksen sınırları oklar ile adları kapsar.
  • Ondalık virgüllü metin bileşen. Çalıştırma "Bileşenler sayısal olmalı (ondalık ayırıcı nokta olmalıdır)" iletisiyle durur; sütunu sayıya çevirin.
  • Tekil \mathbf E. Çok az gözlemde ya da neredeyse tam doğrusal bağımlı ilr koordinatlarında test hesabı hata ile durabilir (kodun okunmasından); R eşi tabloyu yazmadan devam eder.

158.9 Uzman soruları

S1. Python şablonu neden `compositions` yerine kendi ilr tabanını kuruyor?

Şablon compositions ya da scikit-bio çağırmaz; Helmert tabanını ve testleri numpy ile kendi yazar. Gerekçe kodda yazılı değildir; sonuç, R kurulu olmayan bir bilgisayarda aynı analizin çalışmasıdır. Taban compositions::ilr ile 10^{-15} içinde aynıdır (158.6).

S2. Başvuru düzeyi sonucu nasıl değiştirir?

Test ve tahmini bileşimler (tek kategorik yordayıcıda) değişmez; ilr katsayıları ve kesişim değişir: Lower kesişimi = Upper kesişimi + alanLower katsayısı. İki kategorik yordayıcıda ilk yordayıcının tahminleri ikinci yordayıcının başvuru düzeyine bağlıdır; düzey sırası kuralı iki şablonda aynı olduğundan iki şablon aynı sayıyı verir.

S3. Pillai izi neden iki şablonda aynı çıkıyor?

Pillai, \mathbf H(\mathbf H+\mathbf E)^{-1}'in izidir ve ilr tabanının ortogonal dönüşümü altında değişmez; ayrıca başvuru düzeyi değişimi tasarım matrisinin yeniden parametrelenmesi olduğundan terim SSCP'si (\mathbf H) aynı kalır. İki şablonda F_{4{,}114}=48{,}504742.

S4. Python eşinde Wilks için neden w=1 durumu var?

k^2+q^2-5=0 olduğunda (k=2 ve q=1 gibi tek serbestlik dereceli terimlerde; örnekte iki düzeyli cins yordayıcısı) Rao yaklaşımındaki w paydası sıfır olurdu; bu durumda F zaten tamdır ve kod w=1 alır (172–173; R'ın summary.manova'sı da aynıdır). Üç düzeyli alan için (k=q=2) w=2'dir.

S5. R eşi ile hangi durumda farklı sayı beklenmeli?

Düzey sırası kuralı ortak olduğundan beklenmemelidir. Olası tek ayrım, Veri sekmesinde kategorik olmayıp harici yorumlayıcıda sayısal gelen bir sütundur (S6); bu durumda sütun iki şablonda da sürekli yordayıcı olur.

S6. Sayısal bir sütun Veri sekmesinde "kategorik" yapılırsa ne olur?

Harici yorumlayıcı yolunda sütun Categorical (Veri sekmesinin düzey sırasıyla) gelir ve kategorik yordayıcı olur; sayı etiketli metin sütunda sıra sayısaldır (1, 2, 10). Gömülü işçide df pandas türünü taşır (Bölüm 1.3); bu yolda sayısal dtype'lı sütunun Veri sekmesindeki "kategorik" türü şablona ulaşmaz ve sütun sürekli yordayıcı sayılır (gömülü işçi lisans gerektirdiğinden denenmedi).

S7. Rastgelelik yok mu? Tohum sonucu etkiler mi?

Yoktur; şablonun hiçbir adımı rastgele sayı kullanmaz. Bölüm 1.3'teki Tohum alanı sonucu değiştirmez.

158.10 Kaynaklar

  • 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
  • Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
  • Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
  • 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
  • McKinney, W. (2010). Data structures for statistical computing in Python. Proceedings of the 9th Python in Science Conference, 56–61. https://doi.org/10.25080/Majora-92bf1922-00a
  • 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. (2013). Analyzing compositional data with R. Springer. https://doi.org/10.1007/978-3-642-36809-7
  • Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
  • 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