Fisheri test 2 X 2 sagedutabeli jaoks
Andmed peipsi_zpl.csv.
Loeme kokku, mitu korda esinesid liigid Rot3 ja Clad2 valimis - kummaski järveosas eraldi. Kuna andmestikus on antud arvud, mis tähistavad liigi arvukust mõõduvahendis, siis teisendan enne sagedustabeli leidmist selle tunnuse 0-1 tunnuseks.
Odds ratio - eestikeelne vaste on šansside suhe (vaata loengumaterjalidest või Internetist)
Analoogselt saame testida, kasvõi iga liigi korral, kas järveosades on liigi leidumise šanss statistiliselt erinev.Sellise mitmese testimise puhul tuleks p-väärtuse põhjal järeldust tehes jälle arvesse võtta Bonferroni vms. parandus. Ehk siis olulisuse nivood α tuleks vähendada jagades seda võrdluste arvuga. Kümne võrdluse korral
α=0.05/10=0.005.
Pea meeles! R Fisheri test leiab sansside suhte 0 vs 1! Kuigi loogiline oleks vastupidi. Kuna aga jagatis on nagunii pöördvõrdeline tehe, siis on võimalik tulemus 1 jaoks lihtsalt pöördväärtust võttes ümber arvutada, alljärgneva näite puhul nii ka teeme.
Loeme kokku, mitu korda esinesid liigid Rot3 ja Clad2 valimis - kummaski järveosas eraldi. Kuna andmestikus on antud arvud, mis tähistavad liigi arvukust mõõduvahendis, siis teisendan enne sagedustabeli leidmist selle tunnuse 0-1 tunnuseks.
Odds ratio - eestikeelne vaste on šansside suhe (vaata loengumaterjalidest või Internetist)
Analoogselt saame testida, kasvõi iga liigi korral, kas järveosades on liigi leidumise šanss statistiliselt erinev.Sellise mitmese testimise puhul tuleks p-väärtuse põhjal järeldust tehes jälle arvesse võtta Bonferroni vms. parandus. Ehk siis olulisuse nivood α tuleks vähendada jagades seda võrdluste arvuga. Kümne võrdluse korral
α=0.05/10=0.005.
Pea meeles! R Fisheri test leiab sansside suhte 0 vs 1! Kuigi loogiline oleks vastupidi. Kuna aga jagatis on nagunii pöördvõrdeline tehe, siis on võimalik tulemus 1 jaoks lihtsalt pöördväärtust võttes ümber arvutada, alljärgneva näite puhul nii ka teeme.
|
Rot=as.numeric(I(Rot3>0))
Clad=as.numeric(I(Clad2>0)) t1=table(Rot,Clad);t1 Clad Rot 0 1 0 10 11 1 8 9 fisher.test(t1) Fisher's Exact Test for Count Data p-value = 1 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.2371719 4.4316335 sample estimates: odds ratio 1.022129 |
Teeme arvukustest 0-1 ehk "leidumise" tunnuse.
Teeme sagedustabeli, millele rakendame. Tundub, et mingit sõltuvust ei ole, mõlemaid leidub samapalju. Fisheri test. Jääb kehtima H0, kahe liigi leidumise vahel Peipsi järves (Peipsi järve põhjal) ei ole olulist seost, šansside suhte usalduspiirid, number 1 jääb piiridesse; p-väärtus=1. šansside suhe on 1. |
Märkus:
selline arvukuse teisendamine "leidumise/mitteleidumise" tunnuseks on oluline info kadu, seetõttu soovitan siiski kasutada meetodeid, mis arvukuste põhjal järeldusi teevad. Teiselt poolt, arvukused on tihti liiga suure hajuvusega, mistõttu näiteks ANOVA kasutamine on problemaatiline. Teooretiliselt võiks arvukus olla näiteks Poissoni või negatiivse binoomjaotusega (sellest alalõigus Üldistatud lineaarne mudel).
Tee ise Fisheri test kontrollimaks, kas liigi Cop2 esinemise šanss on Lämmijärves ja Peipsi Suurjärves sama.
Tee ka ANOVA liigi Cop2 arvukuse erinevuse kohta järveosades. Kontrolli enne hajuvust!
Kontrolli
selline arvukuse teisendamine "leidumise/mitteleidumise" tunnuseks on oluline info kadu, seetõttu soovitan siiski kasutada meetodeid, mis arvukuste põhjal järeldusi teevad. Teiselt poolt, arvukused on tihti liiga suure hajuvusega, mistõttu näiteks ANOVA kasutamine on problemaatiline. Teooretiliselt võiks arvukus olla näiteks Poissoni või negatiivse binoomjaotusega (sellest alalõigus Üldistatud lineaarne mudel).
Tee ise Fisheri test kontrollimaks, kas liigi Cop2 esinemise šanss on Lämmijärves ja Peipsi Suurjärves sama.
Tee ka ANOVA liigi Cop2 arvukuse erinevuse kohta järveosades. Kontrolli enne hajuvust!
Kontrolli
