<\/p>\n
Eine dreifache ANOVA<\/strong> wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht, die auf drei Faktoren verteilt wurden.<\/span><\/p>\n Das folgende Beispiel zeigt, wie eine dreifache ANOVA in R durchgef\u00fchrt wird.<\/span><\/p>\n Angenommen, ein Forscher m\u00f6chte herausfinden, ob zwei Trainingsprogramme bei College-Basketballspielern zu unterschiedlichen durchschnittlichen Verbesserungen der Sprungh\u00f6he f\u00fchren.<\/span><\/p>\n Der Forscher vermutet, dass auch Geschlecht und Division (Division I oder II) einen Einfluss auf die Sprungh\u00f6he haben k\u00f6nnten, weshalb er auch Daten zu diesen Faktoren erhebt.<\/span><\/p>\n Sein Ziel ist es, eine Drei-Wege-ANOVA durchzuf\u00fchren, um zu bestimmen, wie sich Trainingsprogramm, Geschlecht und Division auf die Sprungh\u00f6he auswirken.<\/span><\/p>\n Befolgen Sie die folgenden Schritte, um diese dreifache ANOVA in R durchzuf\u00fchren:<\/span><\/p>\n Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/p>\n Erstellen wir zun\u00e4chst einen Datenrahmen zur Aufnahme der Daten:<\/span><\/p>\n Schritt 2: Beschreibende Statistiken anzeigen<\/strong><\/span><\/p>\n Bevor wir die Drei-Wege-ANOVA durchf\u00fchren, k\u00f6nnen wir dplyr<\/a> verwenden, um die durchschnittliche Steigerung der Sprungh\u00f6he schnell zusammenzufassen, gruppiert nach Trainingsprogramm, Geschlecht und Division:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Schritt 3: F\u00fchren Sie die Drei-Wege-ANOVA durch<\/strong><\/span><\/p>\n Als n\u00e4chstes k\u00f6nnen wir die Funktion aov()<\/strong> verwenden, um die dreifache ANOVA durchzuf\u00fchren:<\/span><\/p>\n Die Spalte Pr(>F)<\/strong> zeigt den p-Wert f\u00fcr jeden einzelnen Faktor und die Wechselwirkungen zwischen den Faktoren an.<\/span><\/p>\n Anhand der Ergebnisse k\u00f6nnen wir erkennen, dass keine der Wechselwirkungen zwischen den drei Faktoren statistisch signifikant war.<\/span><\/p>\n Wir k\u00f6nnen auch sehen, dass jeder der drei Faktoren \u2013 Programm, Geschlecht und Abteilung \u2013 statistisch signifikant war.<\/span><\/p>\n Wir k\u00f6nnen dplyr nun erneut verwenden, um die durchschnittliche Sprungh\u00f6henzunahme f\u00fcr Programm, Geschlecht und Division separat zu ermitteln:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir Folgendes beobachten:<\/span><\/p>\n Zusammenfassend w\u00fcrden wir sagen, dass Trainingsprogramm, Geschlecht und Spielklasse allesamt wichtige Indikatoren f\u00fcr eine erh\u00f6hte Sprungh\u00f6he bei Spielern sind.<\/span><\/p>\n Wir w\u00fcrden auch sagen, dass es keine signifikanten Wechselwirkungen zwischen diesen drei Faktoren gibt.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie man andere ANOVA-Modelle in R anpasst:<\/span><\/p>\n So f\u00fchren Sie eine einfaktorielle ANOVA in R durch<\/a> Eine dreifache ANOVA wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht, die auf drei Faktoren verteilt wurden. Das folgende Beispiel zeigt, wie eine dreifache ANOVA in R durchgef\u00fchrt wird. Beispiel: Dreifaktorielle ANOVA in R Angenommen, ein Forscher m\u00f6chte herausfinden, ob zwei Trainingsprogramme bei […]<\/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: Dreifaktorielle ANOVA in R<\/strong><\/span><\/h2>\n
#create dataset\n<\/span>df <- data. frame<\/span> (program=rep(c(1, 2), each= 20<\/span> ),\n gender=rep(c(' M<\/span> ', ' F<\/span> '), each= 10<\/span> , times= 2<\/span> ),\n division=rep(c(1, 2), each= 5<\/span> , times= 4<\/span> ),\n height=c(7, 7, 8, 8, 7, 6, 6, 5, 6, 5,\n 5, 5, 4, 5, 4, 3, 3, 4, 3, 3,\n 6, 6, 5, 4, 5, 4, 5, 4, 4, 3,\n 2, 2, 1, 4, 4, 2, 1, 1, 2, 1)) \n\n#view first six rows of dataset\n<\/span>head(df)\n\n program gender division height\n1 1 M 1 7\n2 1 M 1 7\n3 1 M 1 8\n4 1 M 1 8\n5 1 M 1 7\n6 1 M 2 6<\/strong><\/pre>\n library<\/span> (dplyr)\n\n#calculate mean jumping height increase grouped by program, gender, and division\n<\/span>df %>%\n group_by(program, gender, division) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 8 x 4\n# Groups: program, gender [4]\n program gender division mean_height\n \n1 1 F 1 4.6\n2 1 F 2 3.2\n3 1 M 1 7.4\n4 1 M 2 5.6\n5 2 F 1 2.6\n6 2 F 2 1.4\n7 2 M 1 5.2\n8 2 M 2 4 \n<\/strong><\/pre>\n\n
#perform three-way ANOVA<\/span>\nmodel <- aov(height ~ program * gender * division, data=df)\n\n#view summary of three-way ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 1 36.1 36.10 65.636 2.98e-09 ***\ngender 1 67.6 67.60 122.909 1.71e-12 ***\ndivision 1 19.6 19.60 35.636 1.19e-06 ***\nprogram:gender 1 0.0 0.00 0.000 1.000 \nprogram:division 1 0.4 0.40 0.727 0.400 \ngender:division 1 0.1 0.10 0.182 0.673 \nprogram:gender:division 1 0.1 0.10 0.182 0.673 \nResiduals 32 17.6 0.55 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n library<\/span> (dplyr)\n<\/span>\n#find mean jumping increase by program<\/span>\ndf %>%\n group_by(program) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n program mean_height\n \n1 1 5.2\n2 2 3.3\n\n#find mean jumping increase by gender\n<\/span>df %>%\n group_by(gender) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n gender mean_height\n \n1 F 2.95\n2M 5.55\n\n#find mean jumping increase by division\n<\/span>df %>%\ngroup_by(division) %>%\nsummarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n division mean_height\n \n1 1 4.95\n2 2 3.55<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine zweifaktorielle ANOVA in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"