Wenn eine der Studiengruppen als Kontrollgruppe<\/em> betrachtet wird, sollten wir den Dunnett-Test<\/a> als Post-hoc-Test verwenden.<\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie der Dunnett-Test in R durchgef\u00fchrt wird.<\/span><\/p>\n Angenommen, eine Lehrerin m\u00f6chte wissen, ob zwei neue Lerntechniken das Potenzial haben, die Testergebnisse ihrer Sch\u00fcler zu verbessern. Um dies zu testen, teilt sie ihre Klasse mit 30 Sch\u00fclern nach dem Zufallsprinzip in die folgenden drei Gruppen ein:<\/span><\/p>\n Nachdem jeder Sch\u00fcler eine Woche lang die ihm zugewiesene Lerntechnik angewendet hat, legt er die gleiche Pr\u00fcfung ab.<\/span><\/p>\n Wir k\u00f6nnen die folgenden Schritte in R verwenden, um einen Datensatz zu erstellen, die Gruppenmittelwerte zu visualisieren, eine einfaktorielle ANOVA durchzuf\u00fchren und schlie\u00dflich den Dunnett-Test durchzuf\u00fchren, um zu bestimmen, welche neue Studientechnik (falls vorhanden) im Vergleich zur Kontrollgruppe unterschiedliche Ergebnisse liefert .<\/span><\/p>\n Schritt 1: Erstellen Sie den Datensatz.<\/span><\/strong><\/p>\n Der folgende Code zeigt, wie man einen Datensatz erstellt, der die Pr\u00fcfungsergebnisse aller 30 Studenten enth\u00e4lt:<\/span><\/p>\n Schritt 2: Pr\u00fcfungsergebnisse f\u00fcr jede Gruppe anzeigen.<\/span><\/strong><\/p>\n Der folgende Code zeigt, wie Boxplots erstellt werden, um die Verteilung der Pr\u00fcfungsergebnisse f\u00fcr jede Gruppe zu visualisieren:<\/span> <\/p>\n Allein anhand der Boxplots k\u00f6nnen wir erkennen, dass die Verteilung der Pr\u00fcfungsergebnisse f\u00fcr jede Lerntechnik sehr unterschiedlich ist. Anschlie\u00dfend f\u00fchren wir eine einfaktorielle ANOVA durch, um festzustellen, ob diese Unterschiede statistisch signifikant sind.<\/span><\/p>\n Verwandte Themen:<\/strong> So zeichnen Sie mehrere Boxplots in einem einzelnen Diagramm in R<\/a><\/span><\/p>\n Schritt 3: F\u00fchren Sie eine einfaktorielle ANOVA durch.<\/span><\/strong><\/p>\n Der folgende Code zeigt, wie eine einfaktorielle ANOVA durchgef\u00fchrt wird, um Unterschiede zwischen den durchschnittlichen Pr\u00fcfungsergebnissen in jeder Gruppe zu testen:<\/span><\/p>\n Da der Gesamt-p-Wert ( 0,0476<\/strong> ) kleiner als 0,05 ist, weist dies darauf hin, dass nicht jede Gruppe die gleiche durchschnittliche Pr\u00fcfungspunktzahl aufweist. Als n\u00e4chstes f\u00fchren wir den Dunnett-Test durch, um festzustellen, welche Lerntechnik zu durchschnittlichen Pr\u00fcfungsergebnissen f\u00fchrt, die sich von denen der Kontrollgruppe unterscheiden.<\/span><\/p>\n Schritt 4: F\u00fchren Sie den Dunnett-Test durch.<\/span><\/strong><\/p>\n Um den Dunnett-Test in R durchzuf\u00fchren, k\u00f6nnen wir die Funktion DunnettTest()<\/strong> aus der DescTools-<\/strong> Bibliothek verwenden, die die folgende Syntax verwendet:<\/span><\/p>\n Dunnett-Test(x, g)<\/strong><\/span><\/p>\n<\/blockquote>\n Gold:<\/span><\/p>\n Der folgende Code zeigt, wie diese Funktion f\u00fcr unser Beispiel verwendet wird:<\/span><\/p>\n Das Ergebnis l\u00e4sst sich wie folgt interpretieren:<\/span><\/p>\n Anhand der Ergebnisse k\u00f6nnen wir erkennen, dass das Studium von Technik 2 die einzige Technik ist, die zu mittleren Pr\u00fcfungsergebnissen f\u00fchrt, die sich deutlich (p = 0,0296) von denen der Kontrollgruppe unterscheiden.<\/span><\/p>\n Eine Einf\u00fchrung in die einfaktorielle ANOVA<\/a> EinPost-hoc-Test ist eine Art Test, der im Anschluss an eine ANOVA durchgef\u00fchrt wird, um zu bestimmen, welche Gruppenmittelwerte sich statistisch signifikant voneinander unterscheiden. Wenn eine der Studiengruppen als Kontrollgruppe betrachtet wird, sollten wir den Dunnett-Test als Post-hoc-Test verwenden. In diesem Tutorial wird erkl\u00e4rt, wie der Dunnett-Test in R durchgef\u00fchrt wird. Beispiel: Dunnett-Test in R Angenommen, […]<\/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: Dunnett-Test in R<\/strong><\/span><\/h3>\n
\n
#create data frame<\/span>\ndata <- data.frame(technique = rep<\/span> (c(\"control\", \"new1\", \"new2\"), each<\/span> = 10<\/span> ),\n score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89,\n 81, 82, 83, 83, 83, 84, 87, 90, 92, 93,\n 77, 78, 79, 88, 89, 90, 91, 95, 95, 98))\n\n#view first six rows of data frame<\/span>\nhead(data)\n\n technical score\n1 control 76\n2 controls 77\n3 controls 77\n4 controls 81\n5 controls 82\n6 controls 82\n<\/strong><\/pre>\n boxplot(score ~ technique,\n data = data,\n main = \"Exam Scores by Studying Technique\",\n xlab = \"Studying Technique\",\n ylab = \"Exam Scores\",\n col = \"steelblue\",\n border = \"black\")\n<\/strong><\/pre>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dunnettsr.png\")
<\/p>\n #fit the one-way ANOVA model<\/span>\nmodel <- aov(score ~ technique, data = data)\n\n#view model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 211.5 105.73 3.415 0.0476 *\nResiduals 27 836.0 30.96 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n\n
\n
#load DescTools library<\/span>\nlibrary(DescTools)\n\n#perform Dunnett's Test\n<\/span>DunnettTest(x=data$score, g=data$technique)\n\n Dunnett's test for comparing several treatments with a control: \n 95% family-wise confidence level\n\n$control\n diff lwr.ci upr.ci pval \nnew1-control 4.2 -1.6071876 10.00719 0.1787 \nnew2-control 6.4 0.5928124 12.20719 0.0296 * \n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1' '1.' 0.1 ' ' 1<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine einfaktorielle ANOVA in R durch<\/a>
So f\u00fchren Sie den Tukey-Test in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"