!!!分析手順
{{outline}}
----
!!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
{{pre
library(tidyverse)
library(MASS)
}}

!場所の確認
*パソコン内のフルパス

!読み込み
{{pre
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

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


*確率分布
{{pre
ggplot(データ, aes(x=横軸, fill=グループ)) +
  geom_density(alpha=.7)
}}

*箱ひげ図
{{pre
ggplot(データ, aes(x=横軸, y=縦軸)) +
  geom_boxplot()
}}

*折れ線グラフ
{{pre
ggplot(データ, aes(x=横軸, y=縦軸, color=ID, group=ID)) +
  geom_line()
}}

*回帰分析
{{pre
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
{{pre
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
{{pre
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