Angenommen, ein Forscher m\u00f6chte wissen, ob drei verschiedene D\u00fcngemittel ein unterschiedliches Pflanzenwachstum bewirken.<\/span><\/p>\n Um dies zu testen, streuen drei verschiedene Techniker jeweils D\u00fcnger A auf vier Pflanzen, drei weitere Techniker streuen jeweils D\u00fcnger B auf vier Pflanzen und drei weitere Techniker streuen jeweils D\u00fcnger C auf vier Pflanzen.<\/span><\/p>\n In diesem Szenario ist die Reaktionsvariable<\/a> das Pflanzenwachstum und die beiden Faktoren Technik und D\u00fcnger. Es stellt sich heraus, dass der Techniker im D\u00fcnger steckt<\/em> :<\/span> <\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie diese verschachtelte ANOVA in R durchgef\u00fchrt wird.<\/span><\/p>\n Erstellen wir zun\u00e4chst einen Datenrahmen, um unsere Daten in R zu speichern:<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um eine verschachtelte ANOVA in R anzupassen:<\/span><\/p>\n aov(Antwort ~ Faktor A \/ Faktor B)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Der folgende Code zeigt, wie die verschachtelte ANOVA f\u00fcr unseren Datensatz angepasst wird:<\/span><\/p>\n Wir k\u00f6nnen uns die p-Wert-Spalte ansehen, um zu bestimmen, ob jeder Faktor einen statistisch signifikanten Einfluss auf das Pflanzenwachstum hat oder nicht.<\/span><\/p>\n Aus der obigen Tabelle k\u00f6nnen wir ersehen, dass D\u00fcngemittel einen statistisch signifikanten Einfluss auf das Pflanzenwachstum haben (p-Wert < 0,05), der Techniker jedoch nicht (p-Wert = 0,211).<\/span><\/p>\n Das zeigt uns, dass wir uns, wenn wir das Pflanzenwachstum steigern wollen, auf den verwendeten D\u00fcnger konzentrieren m\u00fcssen und nicht auf den einzelnen Techniker, der den D\u00fcnger ausbringt.<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir Boxplots verwenden, um die Verteilung des Pflanzenwachstums nach D\u00fcngemitteln und nach Technikern zu visualisieren:<\/span> <\/p>\n Die Grafik zeigt, dass es erhebliche Wachstumsunterschiede zwischen den drei verschiedenen D\u00fcngemitteln gibt, jedoch nicht so gro\u00dfe Unterschiede zwischen den Technikern innerhalb jeder D\u00fcngemittelgruppe.<\/span><\/p>\n Dies scheint mit den Ergebnissen der verschachtelten ANOVA \u00fcbereinzustimmen und best\u00e4tigt, dass D\u00fcngemittel einen signifikanten Einfluss auf das Pflanzenwachstum haben, einzelne Techniker jedoch nicht.<\/span><\/p>\n So f\u00fchren Sie eine einfaktorielle ANOVA in R durch<\/a> Eine verschachtelte ANOVA ist eine Art ANOVA (\u201eVarianzanalyse\u201c), bei der mindestens ein Faktor in einem anderen Faktor verschachtelt ist. Angenommen, ein Forscher m\u00f6chte wissen, ob drei verschiedene D\u00fcngemittel ein unterschiedliches Pflanzenwachstum bewirken. Um dies zu testen, streuen drei verschiedene Techniker jeweils D\u00fcnger A auf vier Pflanzen, drei weitere Techniker streuen jeweils D\u00fcnger B auf vier […]<\/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](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/imbrique1-1.png\")
<\/p>\n Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h3>\n
#create data\n<\/span>df <- data. frame<\/span> (growth=c(13, 16, 16, 12, 15, 16, 19, 16, 15, 15, 12, 15,\n 19, 19, 20, 22, 23, 18, 16, 18, 19, 20, 21, 21,\n 21, 23, 24, 22, 25, 20, 20, 22, 24, 22, 25, 26),\n fertilizer=c(rep(c(' A<\/span> ', ' B<\/span> ', ' C<\/span> '), each= 12<\/span> )),\n tech=c(rep(1:9, each= 4<\/span> )))\n\n#view first six rows of data\n<\/span>head(df)\n\n growth fertilizer tech\n1 13 A 1\n2 16 A 1\n3 16 A 1\n4 12 A 1\n5 15 A 2\n6 16 A 2<\/strong><\/pre>\n Schritt 2: Passen Sie die verschachtelte ANOVA an<\/strong><\/span><\/h3>\n
\n
#fit nested ANOVA\n<\/span>nest <- aov(df$growth ~ df$fertilizer \/ factor(df$tech))\n\n#view summary of nested ANOVA\n<\/span>summary(nest)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ndf$fertilizer 2 372.7 186.33 53.238 4.27e-10 ***\ndf$fertilizer:factor(df$tech) 6 31.8 5.31 1.516 0.211 \nResiduals 27 94.5 3.50 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n Schritt 3: Interpretieren Sie das Ergebnis<\/strong><\/span><\/h3>\n
Schritt 4: Visualisieren Sie die Ergebnisse<\/strong><\/span><\/h3>\n
#load ggplot2 data visualization package\n<\/span>library<\/span> (ggplot2)\n\n#create boxplots to visualize plant growth\n<\/span>ggplot(df, aes<\/span> (x=factor(tech), y=growth, fill=fertilizer)) +\n geom_boxplot()\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/imbriquer1.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\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":"