您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
基于R语言的空间统计分析研究与应用.pdf55页
本文档一共被下载：
次 ,您可免费全文在线阅读后下载本文档
文档加载中...广告还剩秒
需要金币：168 &&
优秀博硕毕业论文，完美PDF内部资料、支持编辑复制，值得参考！！！
你可能关注的文档：
··········
··········
暨南大学硕士学位论文
现在越来越多的学者已经意识到地理位置的差异对于经济活动的影响,也正
试图将空间维度融合到传统经济分析的理论框架之内,从空间角度出发来研究
各种经济活动和经济现象,空间统计分析的重要性已经成为共识。随着计算机
技术的不断发展,空间统计分析方法的软件化得以实现。如何理解与应用这种
统计方法,在各种统计软件中探索新的空间统计分析的实现方法,是本文想要
讨论和研究的主要问题。本文的主要内容包括以下几个部分:
第一章为绪论,讲述论文的研究意义,空间统计分析的基本理论与研究
现状。本文的意义在于引入空间统计分析方法弥补传统统计分析中忽视数据
的地理属性的不足,而且提出了一个与主流空间统计分析方法完全不同的分
析方式:基于 R语言的空间统计分析方法,并且论证了它具有主流空间统计
分析方法不具备的一些优点。
第二章是空间统计分析的 R语言实现。本章首先对 R语言的特点、R语
言的环境、GUI界面和 R语言的命令做了详细的介绍;然后就 R语言实现空
间统计分析功能的程序包的取得途径、安装、载入等一系列操作进行了概述。第三章主要论述空间自相关度量理论。在本章中阐述空间自相关、空间
权重的含义,介绍空间自相关度量的两种常用方法:Moran'sI系数和 Geary'sC
比率,并说明它们的计算与检验方法。然后再以 oldcol数据集为例,用 R语
言对此部分统计分析方法进行实现。
第四章主要论述局部空间统计方法。首先分别介绍最常用的三种局部空
间统计指标:空间相关的局部指标(LISA), 局部 G统计与 Moran散点图,
阐述了它们的形式和特征、联系与区别。然后再以 afcon 数据集为例,用 R
语言对这三种局部空间统计分析方法进行实现。
正在加载中，请稍后...单性状分析之ASReml-R篇
已有 1804 次阅读
|个人分类:|系统分类:|关键词:ASReml；ASReml-R；单性状分析
以5年生的树高h5为目标性状，进行单性状分析。将区组Rep视为固定效应，家系Fam和小区Plot视为随机效应，分析代码如下：1234567891011121314151617181920212223############ 代码清单 ########## & setwd( “d:\\asreml_data\\data” ) & &# 指定文件路径library(asreml) & & & & & & & & & & # 载入asreml程序包 & df &- asreml.read.table( file = ’fm.csv’, header = T, sep = ’,’ ) & #读入数据# names(df); head(df); str(df); summary(df) & & & & & & & & # 数据集结构 &
& # 分析模型如下：fm &- asreml( h5 ~ 1 &+ Rep, & & & & & & # 固定效应 & & & & & &random = ~ Fam + Plot, & & & # 随机效应 & & & & & &data = df, & & & & & & & & & # 目标数据集 & & & & & &subset = Spacing == '3' , & &# 目标数据选择 & & & & & &maxit = 30 & & & & & & & & & # 最大迭代次数 & & & &) & # 结果提取命令：plot(fm) & & & & & & & &# 查看数据是否合理wald(fm) & & & & & & & &# 查看固定效应中因子的显著性summary(fm)$varcomp & & # 查看方差分量coef(fm)$random & & & & # 查看随机效应值coef(fm)$fixed & & & & &# 查看固定效应值ASReml-r基本分析流程如下:一、判断模型运行后，似然值是否收敛？如未收敛，加大maxit值，或者修改模型。 & & & & & & & & &12345678910111213& fm&-asreml(h5 ~1+ Rep, random =~ & & Fam + Plot, subset = Spacing == '3', data = df ) asreml 3.0-1 (31 August 2012), Library: & & 3.0hj (15 November 2011), IA32 & & LogLik & & & & S2 & & &DF & & &wall & & cpu & &- &
& 551 & & &15:45:43 & & 0.0 (1 & & restrained) & &- &
& 551 & & &15:45:43 & & 0.0 (1 & & restrained) & &- &
& 551 & & &15:45:43 & & 0.0 (1 & & restrained) & &- &
& 551 & & &15:45:43 & & 0.0 (1 & & restrained) & &- &
& 551 & & &15:45:43 & & 0.0 (1 & & restrained) & &- &
& 551 & & &15:45:43 & & 0.0 & &- &
& 551 & & &15:45:43 & & 0.0 & &- &
& 551 & & &15:45:43 & & 0.0 Finished & & on: Sun Aug 11 15:45:43 2013 &LogLikelihood & & Converged& & & & 运行的迭代结果显示，进行了9次迭代后，似然值(LogLikelihood)收敛。二、判断试验因变量数据是否合理？ & 对于线性模型，因变量数据应当满足正态性、等方差性、线性、独立性的原则。Asreml-r通过plot()函数可以作出四幅图(图1)，用于正态性、线性的判断。上半部分的2幅图是判断因变量数据是否成正态分布，左上角的柱形图应呈正态分布，右上角的图形是QQ图，QQ图中的点应落在45oC角度的直线。下半部分的2幅图是判断因变量与自变量是否成线性关系，图中的点应随机分布于直线两旁。上述的4幅图，均表明，试验数据符合正态性和线性的原则。对于等方差性、独立性的判断，读者可自行采用前文线性回归诊断的方法进行验证。& plot(fm) & & & & & & & & & & & & & & 图1 & 残差图三、判断固定效应中的因子是否显著(F检验)？如不显著，剔除后，重新运行模型。12345678910& wald(fm)Wald tests for fixed effectsResponse: h5Term adjusted for those above & & & & & & &Df Sum of Sq Wald statisticPr(Chisq) &(Intercept) & &1
& & & &19327.2 & 2.2e-16 ***Rep & & & & & &4 &1497380 & & & & &280.8 & 2.2e-16 ***residual (MS) & & & & 5333 & & & & & & & & & & & & & ---Signif. codes: &0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’1对于固定效应，F统计结果表明，因子Rep的F值= 280.8，P值= 2.2e-16 & 0.001，显示区组Rep的效应极显著。四、判断随机效应中的因子是否显著？&简单判断：z.ratio &= 1.5，就认定该因子效应显著。如有不显著的因子时，去掉后，重新运行模型。更为精确的检验方法是LRT检验。12345& summary(fm)$varcomp & & & & & & & & & & gamma & &component & std.error & z.ratio constraintFam!Fam.var & 8. 4. 1. &2.361341 &PositivePlot!Plot.var 1. 5.3. 15.815922 & BoundaryR!variance & &1. 5. 3.15.815922 & Positive方差分量提取结果表明，因子Plot为Boundary，即其方差分量值非常小或负值，需舍弃。而家系Fam和误差R均为positive，且z.ration均大于1.5，显示家系和误差的方差分量显著。因此，去掉不显著的因子Plot，重新运行模型(修改前后模型的迭代情况类似)，并获取方差分量，结果如下：1234&summary(fm)$varcomp & & & & & & & & gamma component std.error & z.ratio constraintFam!Fam.var0.1.84 2.361353 & PositiveR!variance &1.3.6 15.815920 &Positive五、计算单株遗传力遗传力(heritability)是重要的遗传参数之一，可简单理解为亲本性状遗传给子代的能力。在本例中，家系为半同胞家系，考虑到单株遗传力比家系遗传力更有实际应用价值，因此，只计算单株遗传力(individual heritability)。方法一、手动计算遗传力： & & & h2i=4*Vf/(Vf+Ve)=4*441.9941/(441.9941+)= 0.306方法二、通过编程计算遗传力及其误差123pincalc&-dget(&d:/pin.R&) & & & &# 载入pin函数summary(fm)$varcomp[,1:3] & & & &# 提取方差分量pincalc(fm, h2 ~ 4 * V1/(V1 + V2)) &# 计算遗传力运行结果如下：&pincalc(fm, h2 ~ 4 * V1/(V1 + V2)) & &Estimate & & & &SEh2 &0..1239232六、提取育种值 & &育种值(breeding value)是另一重要的遗传参数，是决定数量性状的基因加性效应值。从理论上讲，育种值是能100%的遗传给下代的，但毕竟是根据表型值进行间接估计推导出来的，所以育种值也称为估计育种值。计算育种值的目的, 是预测选择育种的效果。ASReml利用BLUP方法可以获得较精确的育种值。&ASReml-r提取育种值的部分结果如下：& coef(fm)$random & & & & & & & effectFam_70001 &-4.8627845Fam_70002 & 7.0716240Fam_70003 &-3.2965300Fam_3219Fam_70005 &-2.9936053Fam_79264Fam_4327Fam_70008 &-5.3405846Fam_4921Fam_70010 &-4.2185406Fam_76541Fam_70012 &-8.5259029Fam_70015 &-3.2158516Fam_70016 &-1.4967663Fam_70017 & 8.9747632Fam_70018 &-4.4080512……最后，pin()函数代码如下：1234567891011121314151617181920###### &pin()函数代码 ######function (object, transform){ &pframe &- as.list(object$gammas) &names(pframe) &- paste(&V&, seq(1, length(pframe)), sep = &&) &tvalue &- eval(deriv(transform[[length(transform)]], names(pframe)), & & & & & & & & pframe) &X &- as.vector(attr(tvalue, &gradient&)) &X[object$gammas.type == 1] &- 0 &tname &- if (length(transform) == 3) & &transform[[2]] &else && &n &- length(pframe) &i &- rep(1:n, 1:n) &j &- sequence(1:n) &k &- 1 + (i & j) &Vmat &- object$ai &se &- sqrt(sum(Vmat * X[i] * X[j] * k)) &data.frame(row.names = tname, Estimate = tvalue, SE = se)}
转载本文请联系原作者获取授权，同时请注明本文来自科学网博客，链接地址：
当前推荐数：0
评论 ( 个评论)
扫一扫，分享此博文
作者的其他最新博文
热门博文导读
Powered by
Copyright &君，已阅读到文档的结尾了呢~~
基于R语言的空间统计分析研究与应用,r语言与统计分析,统计建模与r语言,r语言统计入门,语言文字应用研究所,r语言,r语言 分组统计,社会研究的统计应用,r语言实战,统计建模与r软件,数据挖掘与r语言
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于R语言的空间统计分析研究与应用
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口ASReml-R与复杂模型
已有 1136 次阅读
|个人分类:|系统分类:
ASReml到底能分析多复杂的数据，因受版本的限制，这里只演示ASReml-R。此外，由于没有现成的试验数据，因此采用R程序包agridat里内置的高粱和油菜数据为例，进行复杂模型的探究。模型不一定有现实意义，目的只是想看看可以处理哪些复杂的模型。遗憾的是，这些数据没有行列号，不然，还可探究能否加入空间模型。例子1，agridat包内置的高粱数据，含有多年，多地点的数据。1234567891011121314####### example 1library(agridat);library(asreml)dat &- adugna.sorghumdat$year&-as.factor(dat$year)dat$yield&-0.01*dat$yieldstr(dat)summary(dat) & & & & & & & & & & & & & & & & & & & & & & & & & &dd.asr&-asreml(yield~1+year+year/trial+year/trial/loc+year/env,maxit=50, & & & & & & & random=~diag(pol(year,3)):at(loc):gen, & & & & & & & data=dat)&summary(dd.asr)$varcompwald(dd.asr)例子2，agridat包内置的油菜数据，含有多年，多地点的数据。1234567891011121314151617####### example 2library(agridat);library(asreml)dat &- brandle.rapedat$year&-as.factor(dat$year)dat$yield&-0.01*dat$yieldstr(dat)summary(dat)&dd2.asr&-asreml(yield~1+year+year/loc, & & & & & & & &random=~diag(pol(year,2)):at(loc):gen, & & & & & & & &rcov=~units:diag(year), & & & & & & & &as.multivariate=year, & & & & & & & &maxit=30,data=dat)&&summary(dd2.asr)$varcompwald(dd2.asr)上述2例子所列的模型，都可运行，结果不展示了。感兴趣的朋友，可以自己运行，以及修改模型，再探索其它方面。
转载本文请联系原作者获取授权，同时请注明本文来自科学网博客，链接地址：
上一篇：下一篇：
当前推荐数：0
评论 ( 个评论)
扫一扫，分享此博文
作者的其他最新博文
热门博文导读
Powered by
Copyright &