So erstellen sie ein interaktionsdiagramm in r

Eine zweifaktorielle ANOVA wird verwendet, um zu bestimmen, ob es einen Unterschied zwischen den Mittelwerten von drei oder mehr unabhängigen Gruppen gibt, die nach zwei Faktoren aufgeteilt wurden.

Wir verwenden die Zwei-Wege-ANOVA, wenn wir wissen möchten, ob zwei spezifische Faktoren eine bestimmte Antwortvariable beeinflussen.

Manchmal gibt es jedoch einen Interaktionseffekt zwischen den beiden Faktoren, der sich darauf auswirken kann, wie wir die Beziehung zwischen den Faktoren und der Antwortvariablen interpretieren.

Beispielsweise möchten wir vielleicht wissen, ob die Faktoren (1) Bewegung und (2) Geschlecht die Antwortvariable „Gewichtsverlust“ beeinflussen. Es ist zwar möglich, dass beide Faktoren die Gewichtsabnahme beeinflussen, es ist jedoch auch möglich, dass sie miteinander interagieren.

Beispielsweise ist es möglich, dass Sport bei Männern und Frauen unterschiedlich schnell zu Gewichtsverlust führt. In diesem Fall besteht ein Interaktionseffekt zwischen Bewegung und Geschlecht.

Der einfachste Weg, Interaktionseffekte zwischen zwei Faktoren zu erkennen und zu verstehen, ist die Verwendung eines Interaktionsgraphen .

Dies ist eine Art Diagramm, das die angepassten Werte einer Antwortvariablen auf der y-Achse und die Werte des ersten Faktors auf der x-Achse anzeigt. Unterdessen stellen die Linien in der Grafik die Werte des zweiten interessierenden Faktors dar.

In diesem Tutorial wird erläutert, wie Sie ein Interaktionsdiagramm in R erstellen und interpretieren.

Beispiel: Interaktionsdiagramm in R

Nehmen wir an, Forscher möchten herausfinden, ob Trainingsintensität und Geschlecht einen Einfluss auf die Gewichtsabnahme haben. Um dies zu testen, rekrutierten sie 30 Männer und 30 Frauen für die Teilnahme an einem Experiment, bei dem sie 10 von ihnen nach dem Zufallsprinzip dazu aufforderten, einen Monat lang ein Programm ohne, leichtes oder intensives Training zu absolvieren.

Verwenden Sie die folgenden Schritte, um einen Datenrahmen in R zu erstellen, eine zweifaktorielle ANOVA durchzuführen und ein Interaktionsdiagramm zu erstellen, um den Interaktionseffekt zwischen Bewegung und Geschlecht zu visualisieren.

Schritt 1: Erstellen Sie die Daten.

Der folgende Code zeigt, wie man einen Datenrahmen in R erstellt:

 #make this example reproducible
set.seed(10)

#create data frame
data <- data.frame(gender = rep (c("Male", "Female"), each = 30 ),
                   exercise = rep (c("None", "Light", "Intense"), each = 10 , times = 2 ),
                   weight_loss = c(runif(10, -3, 3), runif(10, 0, 5), runif(10, 5, 9),
                                   runif(10, -4, 2), runif(10, 0, 3), runif(10, 3, 8)))

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

  gender exercise weight_loss
1 Male None 0.04486922
2 Male None -1.15938896
3 Male None -0.43855400
4 Male None 1.15861249
5 Male None -2.48918419
6 Male None -1.64738030

Schritt 2: Passen Sie das zweifaktorielle ANOVA-Modell an.

Der folgende Code zeigt, wie eine zweifaktorielle ANOVA an die Daten angepasst wird:

 #fit the two-way ANOVA model
model <- aov(weight_loss ~ gender * exercise, data = data)

#view the model output
summary(model)

# Df Sum Sq Mean Sq F value Pr(>F)    
#gender 1 15.8 15.80 11.197 0.0015 ** 
#exercise 2 505.6 252.78 179.087 <2e-16 ***
#gender:exercise 2 13.0 6.51 4.615 0.0141 *  
#Residuals 54 76.2 1.41                   
#---
#Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Beachten Sie, dass der p-Wert ( 0,0141 ) für den Interaktionsterm zwischen Bewegung und Geschlecht statistisch signifikant ist, was darauf hinweist, dass zwischen den beiden Faktoren ein signifikanter Interaktionseffekt besteht.

Schritt 3: Erstellen Sie das Interaktionsdiagramm.

Der folgende Code zeigt, wie man ein Interaktionsdiagramm für Bewegung und Geschlecht erstellt:

 interaction.plot(x.factor = data$exercise, #x-axis variable
                 trace.factor = data$gender, #variable for lines
                 response = data$weight_loss, #y-axis variable
                 fun = median, #metric to plot
                 ylab = "Weight Loss",
                 xlab = "Exercise Intensity",
                 col = c("pink", "blue"),
                 lty = 1, #line type
                 lwd = 2, #linewidth
                 trace.label = "Gender")

Wenn die beiden Linien des Interaktionsdiagramms parallel sind, gibt es im Allgemeinen keinen Interaktionseffekt. Wenn sich die Linien jedoch kreuzen, liegt wahrscheinlich ein Interaktionseffekt vor.

Aus dieser Grafik können wir ersehen, dass sich die Linien für Männer und Frauen kreuzen, was darauf hindeutet, dass es wahrscheinlich einen Interaktionseffekt zwischen den Trainingsintensitätsvariablen und dem Geschlecht gibt.

Dies entspricht der Tatsache, dass der p-Wert im ANOVA-Tabellenergebnis für den Interaktionsterm im ANOVA-Modell statistisch signifikant war.

Zusätzliche Ressourcen

So führen Sie eine einfaktorielle ANOVA in R durch
So führen Sie eine zweifaktorielle ANOVA in R durch