Wenn der Gesamt -p-Wert<\/a> der ANOVA-Tabelle unter einem bestimmten Signifikanzniveau liegt, verf\u00fcgen wir \u00fcber ausreichende Beweise daf\u00fcr, dass sich mindestens einer der Gruppenmittelwerte von den anderen unterscheidet.<\/span><\/p>\n Dies sagt uns jedoch nicht, welche<\/em> Gruppen sich voneinander unterscheiden. Dies zeigt uns einfach, dass nicht alle Gruppendurchschnitte gleich sind. Um genau zu wissen, welche Gruppen sich voneinander unterscheiden, m\u00fcssen wir einenPost-hoc-Test<\/a> durchf\u00fchren.<\/span><\/p>\n Einer der am h\u00e4ufigsten verwendeten Post-hoc-Tests ist der Tukey-Test<\/strong> , der es uns erm\u00f6glicht, paarweise Vergleiche zwischen den Mittelwerten jeder Gruppe durchzuf\u00fchren und gleichzeitig die Familienfehlerrate<\/a> zu kontrollieren.<\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie der Tukey-Test in R durchgef\u00fchrt wird.<\/span><\/p>\n Hinweis:<\/strong> Wenn eine der Gruppen in Ihrer Studie als Kontrollgruppe gilt, sollten Sie stattdessen den Dunnett-Test<\/a> als Post-hoc-Test verwenden.<\/em><\/span><\/p>\n Schritt 1: Passen Sie das ANOVA-Modell an.<\/strong><\/span><\/p>\n Der folgende Code zeigt, wie man einen gef\u00e4lschten Datensatz mit drei Gruppen (A, B und C) erstellt und ein einfaktorielles ANOVA-Modell an die Daten anpasst, um zu bestimmen, ob die Mittelwerte jeder Gruppe gleich sind:<\/span><\/p>\n Wir k\u00f6nnen sehen, dass der Gesamt-p-Wert aus der ANOVA-Tabelle 7,55e-11<\/strong> betr\u00e4gt. Da diese Zahl weniger als 0,05 betr\u00e4gt, haben wir gen\u00fcgend Beweise daf\u00fcr, dass die Durchschnittswerte in jeder Gruppe nicht gleich sind. Wir k\u00f6nnen also den Tukey-Test durchf\u00fchren, um genau zu bestimmen, welche Gruppenmittelwerte unterschiedlich sind.<\/span><\/p>\n Schritt 2: F\u00fchren Sie den Tukey-Test durch.<\/strong><\/span><\/p>\n Der folgende Code zeigt, wie Sie die Funktion TukeyHSD()<\/strong> verwenden, um den Tukey-Test durchzuf\u00fchren:<\/span><\/p>\n Der p-Wert gibt an, ob zwischen den einzelnen Programmen ein statistisch signifikanter Unterschied besteht oder nicht. Die Ergebnisse zeigen, dass es einen statistisch signifikanten Unterschied zwischen dem durchschnittlichen Gewichtsverlust jedes Programms auf dem Signifikanzniveau 0,05 gibt.<\/span><\/p>\n Besonders:<\/span><\/p>\n Schritt 3: Visualisieren Sie die Ergebnisse.<\/strong><\/span><\/p>\n Wir k\u00f6nnen auch die Funktion plot(TukeyHSD())<\/strong> verwenden, um Konfidenzintervalle zu visualisieren:<\/span><\/p>\n Hinweis: Das Argument las<\/strong> gibt an, dass die Teilstrichbeschriftungen senkrecht (las=2) zur Achse stehen m\u00fcssen.<\/span><\/em> <\/p>\n Wir k\u00f6nnen sehen, dass keines der Konfidenzintervalle f\u00fcr den Mittelwert zwischen den Gruppen den Wert Null enth\u00e4lt, was darauf hindeutet, dass es einen statistisch signifikanten Unterschied im mittleren Verlust zwischen den drei Gruppen gibt. Dies steht im Einklang damit, dass alle p-Werte f\u00fcr unsere Hypothesentests unter 0,05 liegen.<\/span><\/p>\n F\u00fcr dieses spezielle Beispiel k\u00f6nnen wir Folgendes schlussfolgern:<\/span><\/p>\n Ein Leitfaden zur Verwendung von Post-Hoc-Tests mit ANOVA<\/a> Eine einfaktorielle ANOVA wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht. Wenn der Gesamt -p-Wert der ANOVA-Tabelle unter einem bestimmten Signifikanzniveau liegt, verf\u00fcgen wir \u00fcber ausreichende Beweise daf\u00fcr, dass sich mindestens einer der Gruppenmittelwerte von den anderen unterscheidet. Dies sagt uns jedoch nicht, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Tukey-Test in R<\/strong><\/span><\/h3>\n
#make this example reproducible<\/span>\nset.seed(0)\n\n#create data<\/span>\ndata <- data.frame(group = rep<\/span> (c(\"A\", \"B\", \"C\"), each<\/span> = 30),\n values = c(runif(30, 0, 3),\n runif(30, 0, 5),\n runif(30, 1, 7)))\n\n#view first six rows of data<\/span>\nhead(data)\n\n group values\n1 A 2.6900916\n2 A 0.7965260\n3 A 1.1163717\n4 A 1.7185601\n5 A 2.7246234\n6 A 0.6050458\n\n#fit one-way ANOVA model<\/span>\nmodel <- aov<\/span> (values~group, data=data)\n\n#view the model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ngroup 2 98.93 49.46 30.83 7.55e-11 ***\nResiduals 87 139.57 1.60 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n #perform Tukey's Test\n<\/span>TukeyHSD(model, conf.level= .95<\/span> ) \n\n Tukey multiple comparisons of means\n 95% family-wise confidence level\n\nFit: aov(formula = values ~ group, data = data)\n\n$group\n diff lwr upr p adj\nBA 0.9777414 0.1979466 1.757536 0.0100545\nCA 2.5454024 1.7656076 3.325197 0.0000000\nCB 1.5676610 0.7878662 2.347456 0.0000199\n<\/strong><\/pre>\n\n
#plot confidence intervals<\/span>\nplot(TukeyHSD(model, conf.level= .95<\/span> ), las = 2<\/span> )\n<\/strong><\/pre>\n![\"Tukey-Test](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/tukey1.png\")
<\/p>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine einfaktorielle ANOVA in R durch<\/a>
So f\u00fchren Sie eine zweifaktorielle ANOVA in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"