So führen sie den dunn-test in r durch

Mithilfe eines Kruskal-Wallis-Tests wird ermittelt, ob ein statistisch signifikanter Unterschied zwischen den Medianwerten von drei oder mehr unabhängigen Gruppen besteht. Sie gilt als nichtparametrisches Äquivalent der einfaktoriellen ANOVA .

Wenn die Ergebnisse eines Kruskal-Wallis-Tests statistisch signifikant sind, ist es angebracht, den Dunn-Test durchzuführen, um genau zu bestimmen, welche Gruppen unterschiedlich sind.

In diesem Tutorial wird erklärt, wie der Dunn-Test in R durchgeführt wird.

Beispiel: Dunn-Test in R

Ein Forscher möchte wissen, ob drei Medikamente unterschiedliche Wirkungen auf Rückenschmerzen haben. Deshalb rekrutiert er 30 Menschen, die alle unter ähnlichen Rückenschmerzen leiden, und teilt sie nach dem Zufallsprinzip in drei Gruppen ein, um entweder Medikament A, Medikament B oder Medikament C zu erhalten. Einen Monat nach der Einnahme des Medikaments bittet der Forscher jeden Einzelnen, seine Rückenschmerzen einzuschätzen Eine Skala von 1 bis 100, wobei 100 den stärksten Schmerz angibt.

Der Forscher führt einen Kruskal-Wallis-Test mit einem Signifikanzniveau von 0,05 durch, um festzustellen, ob es einen statistisch signifikanten Unterschied zwischen den mittleren Rückenschmerzbewertungen in diesen drei Gruppen gibt.

Der folgende Code zeigt, wie man den Datenrahmen in R erstellt und einen Kruskal-Wallis-Test durchführt:

 #make this example reproducible
set.seed(0)

#create data frame
data <- data.frame(drug = rep(c("A", "B", "C"), each = 10),
                   bread = c(runif(10, 40, 60),
                            runif(10, 45, 65),
                            runif(10, 55, 70)))

#view first six rows of data frame
head(data)

# drug pain
#1 A 57.93394
#2 A 45.31017
#3 A 47.44248
#4 A 51.45707
#5 A 58.16416
#6 A 44.03364

#perform Kruskal-Wallis Test
kruskal.test(pain ~ drug, data = data)

	Kruskal-Wallis rank sum test

data: pain by drug
Kruskal-Wallis chi-squared = 11.105, df = 2, p-value = 0.003879

Da der Gesamt-p-Wert ( 0,003879 ) weniger als 0,05 beträgt, bedeutet dies, dass zwischen den drei Medikamenten ein statistisch signifikanter Unterschied in den gemeldeten Schmerzniveaus besteht. So können wir den Dunn-Test durchführen, um genau zu bestimmen, welche Medikamente unterschiedlich sind.

Der folgende Code zeigt, wie der Dunn-Test in R mit der Funktion dunnTest() aus der FSA()- Bibliothek durchgeführt wird:

 #loadlibrary
library(FSA)

#perform Dunn's Test with Bonferroni correction for p-values
dunnTest(pain ~ drug,
         data=data,
         method=" bonferroni ")

Dunn (1964) Kruskal-Wallis multiple comparison
  p-values adjusted with the Bonferroni method.

  Comparison Z P.unadj P.adj
1 A - B -0.8890009 0.374002602 1.000000000
2 A - C -3.2258032 0.001256197 0.003768591
3 B - C -2.3368023 0.019449464 0.058348393

Beachten Sie, dass wir uns für die Verwendung einer Bonferroni-Korrektur für die p-Werte mehrerer Vergleiche entschieden haben. Andere mögliche Optionen sind jedoch:

• „sidak“ (Sidak-Anpassung)
• „holm“ (Holm-Anpassung)
• „hs“ (Holm-Sidak-Anpassung)
• „bs“ (Bonferroni-Sidak-Anpassung)
• „von“ (Benjamin-Yekteili-Anpassung)
• „bh“ ( Benjamini-Hochberg-Verfahren )

Bei α = 0,05 sind die Arzneimittel A und C die einzigen beiden Arzneimittel, die sich statistisch signifikant voneinander unterscheiden (angepasster p-Wert = 0,003768 ).