八、完整可运行代码

# ============================================================

install.packages(c('car'。'ggplot2','multcompView','emmeans'),dependencies=T)

library;library，library;library

----------------------------------------------------------

数据读取 与 准备 -------------------------

----------------------------------------------------------

dat <- read.csv dat$Ecosys←factor # 若字段名不同自行修改！ dat$NitroL←factor(dat$NitrogenLevel, levels=c)

----------------------------------------------------------

步骤① 前提检验 ---------------------------

----------------------------------------------------------

fit_one <- aov; shapiro.test); leveneTest

----------------------------------------------------------

步骤② 单 因子 Anova + Tukey --------------------

----------------------------------------------------------

summary;tukres<-TukeyHSD; tukres

----------------------------------------------------------

步骤③ 双 因子 Anova ----------------------------------

----------------------------------------------------------

fittwonoInt<-aov; fittwoint<-aov;

summary;summary，

shapiro.test);leveneTest~ interaction(dat$NitroL,dat.EcoSys))

----------------------------------------------------------

步骤④ 可视化 ------------------------------

----------------------------------------------------------

单 因 子箱线图 + 字母 ----------

letsingle<-multcompLetters$NitroL)$Letters; labsingle<-data.frame,'\-',fixed=T)], letters=strsub)。y=tapply(dat$Diversity,dat.NITROl,max)+max*.02);ggboxsingle<- ggplot)+geomboxplot+geomjitter+geom_text)。size=paste,fontface='bold')+labs;print，

双 因 子分面箱线图 ----------

byecosys<-by.dat{m=aov); mk.t=&$NitroL); lv=factor); pm=mkt.matrix,ncol=len, dimnames=list); for){vp=strsplit];pm=mk.t}，multcompLetters$Letter});labelsfacet<-do.call, function{df.filter=cut.dat(df=data, Nitrol)})); ggfacet<- ggplot)+geomboxpl... ...

替换步骤:

\
• - 准备 CSV 文件，其中列名对应因子和响应变量。
\
• - 用 factor 把所有分类变量转换成 factor 类型。其实，
\
• - 修改 read.csv 方法还有公式中的变量名。例如 aov。\ • 如果发现方差齐性失衡，可改用 oneway.test 或其它稳健方法。\ • 对混合结构请改为 lmer 并加随机项。不过，\ \end{list}

九、实用方法汇总 — 快速查表与常见陷阱 🚩

\ • 公式写法速查 — aov 为单元；aov 为加法主效应；aov 为包含交互等价 A+B+A:B'。\ • 先检查残余 — Shapiro/Wilks 与 Levene 必须基于最终使用的 model 残余，而不是初始单元或自定义 subset。\ • Levene vs Bartlett — Levene 在非正态下更稳健；Bartlett 对轻微偏离极其敏感。\ • P>.05 是“不拒绝”。不是“证明成立” — 大样本极易导致微小偏离产生显著小 p 值，需要结合 Q‑QQ 图判断。\ • 事后比较必须选择合适方法 — 全部 pairwise 用 Tukey 控制 family-wise error；话说回来，若只关乎 Control，可选 Dunnett。其实，\ • 字母标注是一种通俗可视化方式 — 利用 multcompView::multcompLetters 简化实现。老实说，\ • 剂量梯度建议使用同色系渐变 — 更直观传达递增关系。而非硬拼配色，\ • 出现显著互动需谨慎解读主效应 — 主效应该在特定情境下讨论，如 “在草地中低浓度仍低于控制。” \ • 伪重复警告 — 同一地点多个测量不可视为独立，需要混合模型或者嵌套设计调整自由度。\ • 去除交互须依据研究假设与理论基础，而非纯粹 P 值决定 — 简化模型需结合科学意义及信息准则 AIC/BIC 等评估。其实，\ • 对于不满足等方差但又无法采用 Welch 的复杂设计。应考虑置换测试或广义线性混合模型。 \ \end{list}

©2026 R 学习社区 • 这篇文章内容仅供学习交流，请勿直接引用用于正式发表。在实际项目中请，一路顺风～🎉💻🌱✈️🦄🦜🛸👩‍🔬🧪📊📈🎢⚖️✨🔬💡💃🏽🐳🚁🚂🛳️🏆🏅🔧🎯🔥👊🌟🍃🌲☁️😎🙌👏🚩🙇‍♂️📚🏗️📚❗️‼️❓✒️💬🔭🤔😇👁‍🗨🤓🌈🥇🥈🥉💬👍❤❤❤❤️⚽🍕🍦🍰⚖️🚧🔍⌛📅⏳📘🏺⚙️🔑🗝️🧩✂️🎭🌺♻️♞♟︎↗↘↙↖➡⬅⬆⬇⇄⏪⏩🕒⌚⌛⏰⌨︎☕☕☕🍵 🍲🍜🥤🥃🍺🍷🥂 🐾🐶🐱🐯🐻🐘🐹🐰🐨 🐬 🦈 🐳 🐋 ⛰山 湖海河河江海 🌊 🌴 🌳 🌴 🌻 ☁ ☂ ☃ 💡 🔋 🔌 ⚡ 🔋 📡 📶 📺 🎙 🎧 🎤 🎼 🎹 🎸 🎷 ⚙ ⚒ 🛠 ⛏ 🏗 👷‍♀ 👷‍♂ 👩‍💻 👨‍💻 🧑‍🔬 ➤ ◀︎ ❎ ✅ ⭕ ➜ 👉 💭 💬 ✉ 📨 ✉"