可生成图片类型（推荐）
可生成数据表类型（推荐）
 | |
| 节点状态 |  /  Win10及以上可用在V1.0.2部署
|
|---|---|
Two_Way_ANCOVA  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | Two Way ANCOVA |
| 功能主类别 | 数据分析 |
| 英文缩写 | ANCOVAT |
| 功能亚类别 | 方差分析 |
| 节点类型 | 数据挖掘 |
| 开发语言 | R |
| 节点简介 | |
双因素协方差分析结合了双因素方差分析和协方差分析。该方法用于检验两个分类自变量（因素）和一个连续协变量对一个连续因变量的影响，并且可以控制一个或多个连续协变量的影响。 用途：用于确定因素A、因素B以及它们的交互效应是否显著影响因变量，同时控制了协变量的影响。 参数：选择正态分布数值因变量，两个自变量因素，一个或多个协变量。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 6个 |
| Output-出口 | 2个 |
| Loop-支持循环 | 是 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | One_Way_ANCOVA |
| 下一节点 | 一般线性相关分析 |
节点使用的R语言示例代码
Two Way ANCOVA
aov_ez(
id,
dv,
data,
between = NULL,
within = NULL,
covariate = NULL,
observed = NULL,
type = afex_options("type"),
factorize = afex_options("factorize"),
return = afex_options("return_aov")
)
方法参见R package: afex的官方文档
节点使用指南
- 用于分析两个分类自变量（因子）和一个连续协变量对一个连续因变量的影响
- 能够控制协变量对因变量的影响，从而更准确地估计自变量对因变量的影响
方法选择
- 无方法选择
参数配置
- 因变量：选择正态分布连续型数值变量。如果选择多个，每个变量做一次ANCOVA
- 分组自变量1：选择一个分类分组变量，第一个因素
- 分组自变量2：选择一个分类分组变量，第二个因素
- 协变量: 选择一个或者多个协变量，可以是连续型或者离散型
- 因变量，分组自变量1，分组自变量2和协变量要规避复用
- 此算法兼容空值
注意事项
- 检查数据是否满足正态分布、独立性、方差齐性等基本假设
- 检验协变量和因变量是否有交互作用，如果有，标准ANCOVA可能不适用
- 确保每个组的样本量足够，以便有足够的统计功效检测组间差异
引用
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
