Die in einer einfaktoriellen ANOVA verwendeten Annahmen<\/a> sind:<\/span><\/p>\n Wenn der p-Wert<\/a> der ANOVA unter einem bestimmten Signifikanzniveau liegt (z. B. \u03b1 = 0,05), k\u00f6nnen wir die Nullhypothese ablehnen und daraus schlie\u00dfen, dass sich mindestens einer der Gruppenmittelwerte von den anderen unterscheidet.<\/span><\/p>\n Um jedoch genau zu wissen, welche Gruppen sich voneinander unterscheiden, m\u00fcssen wir einen Post-hoc-Test durchf\u00fchren.<\/span><\/p>\n Ein h\u00e4ufig verwendeter Post-hoc-Test ist der LSD-Test (Least Significant Difference) nach Fisher<\/strong> .<\/span><\/p>\n Sie k\u00f6nnen die Funktion LSD.test()<\/strong> aus dem Paket agricolae<\/strong> verwenden, um diesen Test in R durchzuf\u00fchren.<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, ein Professor m\u00f6chte wissen, ob drei verschiedene Lerntechniken zu unterschiedlichen Testergebnissen bei den Studenten f\u00fchren.<\/span><\/p>\n Um dies zu testen, weist sie nach dem Zufallsprinzip 10 Studenten zu, jede Lerntechnik anzuwenden, und zeichnet ihre Pr\u00fcfungsergebnisse auf.<\/span><\/p>\n Die folgende Tabelle zeigt<\/span> die Pr\u00fcfungsergebnisse jedes Studenten basierend auf der verwendeten Lerntechnik:<\/span> <\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um diesen Datensatz zu erstellen und eine einfaktorielle ANOVA darauf in R durchzuf\u00fchren:<\/span><\/p>\n Da der p-Wert in der ANOVA-Tabelle (0,0188) kleiner als 0,05 ist, k\u00f6nnen wir daraus schlie\u00dfen, dass nicht alle durchschnittlichen Pr\u00fcfungsergebnisse zwischen den drei Gruppen gleich sind.<\/span><\/p>\n Daher k\u00f6nnen wir den LSD-Test nach Fisher durchf\u00fchren, um festzustellen, welche Gruppenmittelwerte unterschiedlich sind.<\/span><\/p>\n Der folgende Code zeigt, wie das geht:<\/span><\/p>\n Der Teil des Ergebnisses, der uns am meisten interessiert, ist der Abschnitt namens $groups<\/strong> . Techniken, die in der Gruppenspalte<\/strong> unterschiedliche Zeichen haben, sind sehr unterschiedlich.<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir sehen:<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfaktorielle ANOVA in R durch<\/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. Die in einer einfaktoriellen ANOVA verwendeten Annahmen sind: H 0 : Die Mittelwerte sind f\u00fcr jede Gruppe gleich. H A : Zumindest eine der M\u00f6glichkeiten unterscheidet sich von den anderen. Wenn der […]<\/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
Beispiel: Fishers LSD-Test in R<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/moinssigdiff1.png\")
<\/p>\n #create data frame\ndf <- data. frame<\/span> (technique = rep(c(\"tech1\", \"tech2\", \"tech3\"), each = 10<\/span> ),\n score = c(72, 73, 73, 77, 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\n<\/span>head(df)\n\n technical score\n1 tech1 72\n2 tech1 73\n3 tech1 73\n4 tech1 77\n5 tech1 82\n6 tech1 82\n\n#fit one-way ANOVA\n<\/span>model <- aov(score ~ technique, data = df)\n\n#view summary of one-way ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 341.6 170.80 4.623 0.0188 *\nResiduals 27,997.6 36.95 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/span><\/span><\/strong><\/pre>\n library<\/span> (agricolae)<\/span>\n\n#perform Fisher's LSD\nprint( LSD.test<\/span> (model,\" technic<\/span> \"))\n \n$statistics\n MSerror Df Mean CV t.value LSD\n 36.94815 27 84.6 7.184987 2.051831 5.57767\n\n$parameters\n test p.adjusted name.t ntr alpha\n Fisher-LSD none technical 3 0.05\n\n$means\n std score r LCL UCL Min Max Q25 Q50 Q75\ntech1 80.0 5.868939 10 76.05599 83.94401 72 89 74.00 82.0 83.75\ntech2 85.8 4.391912 10 81.85599 89.74401 81 93 83.00 83.5 89.25\ntech3 88.0 7.557189 10 84.05599 91.94401 77 98 81.25 89.5 94.00\n\n$comparison\nNULL\n\n$groups\n score groups\ntech3 88.0 a\ntech2 85.8a\ntech1 80.0 b\n\nattr(,\"class\")\n[1] \u201cgroup\u201d\n<\/span><\/span><\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie einen Bonferroni-Post-hoc-Test in R durch<\/a>
So f\u00fchren Sie den Scheffe-Post-hoc-Test in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"