分析手順

分析手順

• 分析手順
• RStudioの設定
• Knit
• Session
• データ
• 場所の確認
• 読み込み
• 確認
• 分布の可視化
• モデル
• 分布パタン
• ランダム効果の有無
• 選択
• 効果の可視化
• 検証
• モデルの下位分析及び分析結果のまとめ
• ggeffects
• jtools
• interactionR
• interactions
• reghelper
• phia

 RStudioの設定

Knit

• Knit DirectoryをCurrent Working Directoryにしておく

Session

• Set Working Directory で、実際の作業をするディレクトリ（フォルダー）を選んでおく。

 データ

library(tidyverse)
library(MASS)

場所の確認

• パソコン内のフルパス

読み込み

library(openxlsx)

データ名 <- read.xlsx("エクセルファイル名", sheet="シート名")

もしくは

library(readxl)
read_excel("エクセルファイル名", sheet="シート名")

確認

• データ構造

str(データ名)

• データの一部

head(データ名）

• 記述統計

summary(データ名)

• 型の変換

as.factor()

• 欠損値の扱い

分布の可視化

library(ggplot2)

• 応答変数がどのような分布をしているか確認

g <- ggplot(データ)
g <- g + aes(x= , y= )
g <- g + geom_
plot(g)

• 確率分布

ggplot(データ, aes(x=横軸, fill=グループ)) +
  geom_density(alpha=.7)

• 箱ひげ図

ggplot(データ, aes(x=横軸, y=縦軸)) +
  geom_boxplot()

• 折れ線グラフ

ggplot(データ, aes(x=横軸, y=縦軸, color=ID, group=ID)) +
  geom_line()

• 回帰分析

ggplot(データ, aes(x=横軸, y=縦軸, color=ID, group=ID)) +
   geom_point() +
   geom_smooth(method = "lm", se = F)

 モデル

library(lme4)
library(lmerTest)
library(effects)

分布パタン

• 応答変数がどのような分布をしているかを見極める

https://tjo.hatenablog.com/entry/2013/09/18/235052

• その分布のパタンによってモデル式を選ぶ

https://qiita.com/xolmon/items/bd25b7c62f49ce61c7b5

ランダム効果の有無

## 切片がランダム
モデルa <- lmer(応答変数 ~ 説明変数 + (1|ID), データ)
summary(モデルa)
plot(allEffects(モデルa))

## 傾きも切片もランダム
モデルb <- lmer(応答変数 ~ 説明変数 + (説明変数||ID), データ)

## 比較
anova(モデルa, モデルb)

選択

• フルモデルからstepで減らす
• 理論的にモデルを設定

• AIC

効果の可視化

plot(allEffects(モデル))

• 白黒にするには、, lines=list(col="black")

plot(allEffects(NP.model.all) , main=F, ylab="CN/C", lines=list(col="black")) 

検証

library(performance)

## モデルパフォーマンス
model_performance(モデル)

## 寄与率
r2(モデル)

## 共線性
check_collinearity(モデル)

### 正規性
check_normality(モデル)

### 正規性のグラフ
library(see)
plot(check_normality(モデル))

### 過分散
check_overdispersion(モデル)

### ゼロ過剰
check_zeloinflation(モデル)

 モデルの下位分析及び分析結果のまとめ

ggeffects

jtools

interactionR

interactions

reghelper

phia