<\/p>\n
Das Eta-Quadrat<\/a> ist ein Ma\u00df f\u00fcr die Effektgr\u00f6\u00dfe<\/a> , das h\u00e4ufig in ANOVA-Modellen verwendet wird.<\/span><\/p>\n Es misst den Anteil der Varianz, der mit jedem Haupteffekt und Interaktionseffekt in einem ANOVA-Modell verbunden ist, und wird<\/span> wie folgt berechnet:<\/span><\/p>\n Eta im Quadrat = SS- Effekt<\/sub> \/ Gesamt-<\/sub> SS<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Der Wert des Eta-Quadrats reicht von 0 bis 1, wobei Werte n\u00e4her bei 1 einen h\u00f6heren Anteil der Varianz anzeigen, der durch eine bestimmte Variable im Modell erkl\u00e4rt werden kann.<\/span><\/p>\n Die folgenden Faustregeln werden zur Interpretation der Eta-Quadrat-Werte verwendet:<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Berechnung des Eta-Quadrats f\u00fcr Variablen in einem ANOVA-Modell in R.<\/span><\/p>\n Nehmen wir an, wir m\u00f6chten herausfinden, ob Trainingsintensit\u00e4t und Geschlecht einen Einfluss auf die Gewichtsabnahme haben.<\/span><\/p>\n Um dies zu testen, rekrutieren wir 30 M\u00e4nner und 30 Frauen f\u00fcr die Teilnahme an einem Experiment, bei dem wir jeweils 10 nach dem Zufallsprinzip dazu auffordern, einen Monat lang ein Programm ohne, leichtes oder intensives Training zu absolvieren.<\/span><\/p>\n Der folgende Code zeigt, wie man einen Datenrahmen erstellt, der die Daten enth\u00e4lt, mit denen wir arbeiten:<\/span><\/p>\n Der folgende Code zeigt, wie eine zweifaktorielle ANOVA<\/a> angepasst wird, wobei Bewegung und Geschlecht als Faktoren und Gewichtsverlust als Antwortvariable<\/a> verwendet werden:<\/span><\/p>\n Wir k\u00f6nnen die Eta-Quadrat-Effektgr\u00f6\u00dfe f\u00fcr jede Variable in unserem Modell mithilfe der Funktion etaSquared()<\/a> aus dem Paket lsr<\/strong> berechnen:<\/span><\/p>\n Die Eta im Quadrat f\u00fcr Sex und Bewegung sind wie folgt:<\/span><\/p>\n Wir w\u00fcrden daraus schlie\u00dfen, dass die Effektgr\u00f6\u00dfe f\u00fcr Bewegung sehr gro\u00df ist, w\u00e4hrend die Effektgr\u00f6\u00dfe f\u00fcr das Geschlecht recht klein ist.<\/span><\/p>\n Diese Ergebnisse entsprechen den im ANOVA-Tabellenergebnis angezeigten p-Werten. Der p-Wert f\u00fcr Bewegung (<0,000) ist viel kleiner als der p-Wert f\u00fcr Geschlecht (0,00263), was darauf hindeutet, dass Bewegung eine viel gr\u00f6\u00dfere Bedeutung f\u00fcr die Vorhersage des Gewichtsverlusts hat.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie man verschiedene ANOVA-Modelle in R anpasst:<\/span><\/p>\n So f\u00fchren Sie eine einfaktorielle ANOVA in R durch<\/a> Das Eta-Quadrat ist ein Ma\u00df f\u00fcr die Effektgr\u00f6\u00dfe , das h\u00e4ufig in ANOVA-Modellen verwendet wird. Es misst den Anteil der Varianz, der mit jedem Haupteffekt und Interaktionseffekt in einem ANOVA-Modell verbunden ist, und wird wie folgt berechnet: Eta im Quadrat = SS- Effekt \/ Gesamt- SS Gold: SS- Effekt : Die Summe der Quadrate eines […]<\/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\n
\n
Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set.seed(10)\n\n#create data frame\n<\/span>data <- data.frame(gender= rep<\/span> (c(\" Male<\/span> \", \" Female<\/span> \"), each<\/span> = 30),\n exercise= rep<\/span> (c(\" None<\/span> \", \" Light<\/span> \", \"Intense\"), each<\/span> = 10, times<\/span> =2),\n weight_loss=c(runif(10, -3, 3), runif(10, 0, 5), runif(10, 5, 9),\n runif(10, -4, 2), runif(10, 0, 3), runif(10, 3, 8)))\n\n#view first six rows of data frame\n<\/span>head(data)\n\n# gender exercise weight_loss\n#1 Male None 0.04486922\n#2 Male None -1.15938896\n#3 Male None -0.43855400\n#4 Male None 1.15861249\n#5 Male None -2.48918419\n#6 Male None -1.64738030\n\n#see how many participants are in each group<\/span>\ntable(data$gender, data$exercise)\n\n# Intense Light None\n# Female 10 10 10\n# Male 10 10 10<\/strong><\/pre>\n Schritt 2: Passen Sie das ANOVA-Modell an<\/strong><\/span><\/h2>\n
#fit the two-way ANOVA model<\/span>\nmodel <- aov(weight_loss ~ gender + exercise, data = data)\n\n#view the model output<\/span>\nsummary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ngender 1 15.8 15.80 9.916 0.00263 ** \nexercise 2 505.6 252.78 158.610 < 2nd-16 ***\nResiduals 56 89.2 1.59 \n<\/strong><\/pre>\n Schritt 3: Berechnen Sie das Eta-Quadrat<\/strong><\/span><\/h2>\n
#load lsr package<\/span>\nlibrary<\/span> (lsr)\n\n#calculate Eta Squared<\/span>\netaSquared(model)\n\n eta.sq eta.sq.part\ngender 0.0258824 0.1504401\nexercise 0.8279555 0.8499543\n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine zweifaktorielle ANOVA in R durch<\/a>
So f\u00fchren Sie eine ANOVA mit wiederholten Messungen in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"