Näide5.1
laius=seq(10,80,10)
temp=c(32,31,27,26,25,19,18,14)
taim=c(68,38,49,36,28,36,15,5)
data=data.frame(laius,temp,taim)
plot(data)
#risttabel hajuvusgraafikutest

mudel1=lm(taim~laius) #regressioon
anova(mudel1)
summary(mudel1)
mudel2=lm(taim~temp) #regressioon
anova(mudel2)
summary(mudel2)
mudel3=lm(taim~temp+laius) #regressioon
anova(mudel3)
summary(mudel3)
mudel4=lm(taim~laius+temp) #regressioon
anova(mudel4)
summary(mudel4)
#ss1 sums (anova) vs ss3 sums (summary) 
#ss3 summasid saab ka drop1 käsuga

Näide5.2
trea=(rep(c("p","k"),c(5,5)))
wei=c(3:7,3:7)
fec=c(3.5,4.1,4.5,5.1,5.5,5.1,6,7.1,8,9.1)
swei=wei-5
plot(wei,fec,pch=trea,xlim=c(0,8),ylim=c(0,10))
mudel5=lm(fec~wei+as.factor(trea)) 
anova(mudel5)
summary(mudel5)

mudel6=lm(fec~wei*as.factor(trea)) 
anova(mudel6)
summary(mudel6)
#kuigi koosmõju olulisuse korral ei ole peamõju olulisus tähtis

mudel6=lm(fec~swei*as.factor(trea)) 
anova(mudel6)
summary(mudel6)

Näide5.3
trea=factor(rep(c("a","b","c"),c(5,5,5)))
#trea=gl(3,5,labels=c("a","b","c"))
kaal=c(3,4,5,7,6,2,4,4,5,6,3,4,5,5,8)
muna=c(4,5,8,7,9,3,5,4,9,9,1,4,4,5,7)
mudel7=lm(muna~trea+kaal,contrasts = list(trea="contr.SAS"))
anova(mudel7)
summary(mudel7)
#Ris on baastasemeks vaikimisi faktori esimene tase, SASis viimane


Näide 5.4
#võib ka kasutada paketti multcomp
mudel8=aov(muna~trea+kaal,contrasts = list(trea="contr.SAS"))
TukeyHSD(mudel8,"trea")
plot(TukeyHSD(mudel8,"trea"))
#üldiselt soovitatakse pigem kasutada kontraste kui mitmeseid võrdlusi
#nii näiteks dunneti mitmese võrdlemise testi analoog ongi sisuliselt summary() tulemus kui kasutada R vaikimisi mudelimaatriksit

Näide 5.5
 plot(trea,residuals(mudel7)) #jääkide jaotused klassiti
plot(kaal,residuals(mudel7))

Näide 5.6 #mitmene regressioon
pikkus=c(1,4,5,7,6,4,7,11,10,3,4)
temp=c(12,18,18,18,18,19,13,22,23,14,15)
valgus=c(3.6,11.4,12.1,16.5,14.3,9.2,17.2,22.2,20.0,6.5,8.9)
mudel9=lm(pikkus~temp+valgus)
summary(mudel9)

Näide 5.7#koos ruutliikmega
valgusruut=valgus**2
mudel10=lm(pikkus~temp+valgus+valgusruut)
summary(mudel10)

Näide 5.8 #nested anova
liik=as.factor(rep(c("a","b"),each=20))
sugu=as.factor(rep(c("f","m","m","f"),each=10))
sulg=rep(c(4,5,6,11,14,34,2,1,11,14,16,27,13,22,32,11,26,18,21,4),2)
mudel11=aov(sulg~liik/sugu)
summary(mudel11)

Näide5.9 #mixed model
library(nlme)
pesak=as.factor(rep(letters[1:5],each=6))
toit=rep(as.factor(rep(letters[1:2],each=3)),5)
kaal=c(5,5,6,11,12,11,3,4,5,7,8,9,5,7,6,8,10,12,9,9,9,11,12,12,12,11,12,17,16,14)
mudel12=lme(kaal~toit, random=~1|pesak) #5.9A, annab standardhälbed, mitte dispersioonid nagu SAS
summary(mudel12)
mudel13=lme(kaal~toit, random=~1|pesak/toit ) #5.9C
summary(mudel13)

Näide5.11 #"kordusmõõtmised", ka SASis saab sama mudeli teha ka aasta randomiks määrates, ent siis tuleks seal ddfm parameeter määrata  year=rep(c("2003","2004","2005"),each=10)
temp=rep(c(1,1.6,0.3),each=10)
karv=c(1.1,1.2,1.6,2.1,3.0,4,3.5,1.1,2.5,2.2,0.9,0.5,0.9,1.1,1.3,1.6,1.2,0.2,0.5,0.9,2.1,3.3,2.2,1.1,1.5,1.9,2.8,2.3,3,3.2)
mudel14=lme(karv~temp, random=~1|year)
summary(mudel14)

Näide 5.12 #kordusmõõtmised
nr=rep(1:6,each=4)
trea=factor(rep(c("a","b"),each=12))
time=rep(1:4,6)
para=c(1,2,3,4,2,2,3,4,2,3,4,5,1,4,4,4,2,5,5,4,2,6,5,5)
mudel15=gls(para~trea*time,corr=corAR1(,form=~time|nr))
summary(mudel15)
anova(mudel15)
#alternatiivne variant
mudel16=lme(para~trea*time,random=~1|nr,correlation=corAR1(,form=~time|nr))
anova(mudel16)