Bei diesem Designtyp hat eine unabh\u00e4ngige Variable zwei Ebenen<\/a> und die andere unabh\u00e4ngige Variable vier Ebenen.<\/span> <\/p>\n Angenommen, ein Botaniker m\u00f6chte die Auswirkungen von Sonnenlicht (kein, niedrig, mittel oder hoch) und der Bew\u00e4sserungsh\u00e4ufigkeit (t\u00e4glich oder w\u00f6chentlich) auf das Wachstum einer bestimmten Pflanzenart verstehen.<\/span> <\/p>\n Dies ist ein Beispiel f\u00fcr einen 2 \u00d7 4-faktoriellen Entwurf, da es zwei unabh\u00e4ngige Variablen gibt, eine mit zwei Ebenen und eine mit vier Ebenen:<\/span><\/p>\n Und es gibt eine abh\u00e4ngige Variable: das Pflanzenwachstum.<\/span><\/p>\n Ein 2\u00d74-faktorielles Design erm\u00f6glicht die Analyse folgender Effekte:<\/span><\/p>\n Haupteffekte:<\/strong> Dies sind die Auswirkungen, die eine einzelne unabh\u00e4ngige Variable auf die abh\u00e4ngige Variable hat.<\/span><\/p>\n In unserem vorherigen Szenario k\u00f6nnten wir beispielsweise die folgenden Haupteffekte analysieren:<\/span><\/p>\n Interaktionseffekte:<\/strong> Sie treten auf, wenn die Wirkung einer unabh\u00e4ngigen Variablen auf die abh\u00e4ngige Variable vom Niveau der anderen unabh\u00e4ngigen Variablen abh\u00e4ngt.<\/span><\/p>\n In unserem vorherigen Szenario k\u00f6nnten wir beispielsweise die folgenden Interaktionseffekte analysieren:<\/span><\/p>\n Wir k\u00f6nnen eine zweifaktorielle ANOVA<\/a> durchf\u00fchren, um formal zu testen, ob die unabh\u00e4ngigen Variablen eine statistisch signifikante Beziehung zur abh\u00e4ngigen Variablen haben oder nicht.<\/span><\/p>\n Der folgende Code zeigt beispielsweise, wie eine zweifaktorielle ANOVA f\u00fcr unser hypothetisches Fabrikszenario in R durchgef\u00fchrt wird:<\/span><\/p>\n So interpretieren Sie das ANOVA-Ergebnis:<\/span><\/p>\n Haupteffekt Nr. 1 (Sonnenlicht)<\/strong> : Der mit Sonnenlicht verbundene p-Wert betr\u00e4gt <2e-16<\/strong> . Da dieser Wert unter 0,05 liegt, bedeutet dies, dass die Sonneneinstrahlung einen statistisch signifikanten Einfluss auf das Pflanzenwachstum hat.<\/span><\/p>\n Haupteffekt Nr. 2 (Wasser)<\/strong> : Der mit Wasser verbundene p-Wert betr\u00e4gt 0,016<\/strong> . Da dieser Wert unter 0,05 liegt, bedeutet dies, dass die Bew\u00e4sserungsh\u00e4ufigkeit auch einen statistisch signifikanten Einfluss auf das Pflanzenwachstum hat.<\/span><\/p>\n Wechselwirkungseffekt<\/strong> : Der p-Wert f\u00fcr die Wechselwirkung zwischen Sonnenlicht und Wasser betr\u00e4gt 0,000061<\/strong> . Da dieser Wert unter 0,05 liegt, bedeutet dies, dass es einen Wechselwirkungseffekt zwischen Sonnenlicht und Wasser gibt.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zum experimentellen Design und zur Analyse:<\/span><\/p>\n Eine vollst\u00e4ndige Anleitung: der 2 \u00d7 2-faktorielle Versuchsplan<\/a> Ein 2 \u00d7 4-faktorielles Design ist eine Art experimentelles Design, das es Forschern erm\u00f6glicht, die Auswirkungen zweier unabh\u00e4ngiger Variablen auf eine einzelne abh\u00e4ngige Variable zu verstehen. Bei diesem Designtyp hat eine unabh\u00e4ngige Variable zwei Ebenen und die andere unabh\u00e4ngige Variable vier Ebenen. Angenommen, ein Botaniker m\u00f6chte die Auswirkungen von Sonnenlicht (kein, niedrig, mittel oder hoch) […]<\/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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/2x4_1.jpg\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/2x4_2.jpg\")
<\/p>\n\n
\n
\n
Der Zweck eines 2 \u00d7 4-faktoriellen Designs<\/strong><\/span><\/h2>\n
\n
\n
\n
\n
So analysieren Sie einen 2 \u00d7 4-faktoriellen Versuchsplan<\/strong><\/span><\/h2>\n
#make this example reproducible<\/span>\nset. seeds<\/span> (0)\n\n#createdata\n<\/span>df <- data. frame<\/span> (sunlight = rep(c(' None<\/span> ', ' Low<\/span> ', ' Medium<\/span> ', ' High<\/span> '), each= 10<\/span> , times= 2<\/span> ),\n water = rep(c(' Daily<\/span> ', ' Weekly<\/span> '), each= 40<\/span> , times= 2<\/span> ),\n growth = c(rnorm(10, 8, 2), rnorm(10, 8, 3), rnorm(10, 13, 2),\n rnorm(10, 14, 3), rnorm(10, 10, 4), rnorm(10, 12, 3),\n rnorm(10, 13, 2), rnorm(10, 14, 4)))\n\n#fit the two-way ANOVA model\n<\/span>model <- aov(growth ~ sunlight * water, data = df)\n\n#view the model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nsunlight 3 744.1 248.04 34.16 < 2e-16 ***\nwater 1 43.1 43.05 5.93 0.016 * \nsunlight:water 3 195.8 65.27 8.99 1.61e-05 ***\nResiduals 152 1103.5 7.26 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
Eine vollst\u00e4ndige Anleitung: der 2 \u00d7 3-faktorielle Versuchsplan<\/a>
Was ist eine faktorielle ANOVA?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"