<\/p>\n
Die Funktionen aov()<\/strong> und anova()<\/strong> in R scheinen \u00e4hnlich zu sein, aber wir verwenden sie tats\u00e4chlich in zwei verschiedenen Szenarien.<\/span><\/p>\n Wir verwenden aov()<\/strong> , wenn wir ein ANOVA-Modell anpassen und die Ergebnisse in einer ANOVA-\u00dcbersichtstabelle anzeigen m\u00f6chten.<\/span><\/p>\n Wir verwenden anova()<\/strong> , wenn wir die Anpassung verschachtelter Regressionsmodelle vergleichen m\u00f6chten, um festzustellen, ob ein Regressionsmodell mit einem bestimmten Satz von Koeffizienten eine deutlich bessere Anpassung bietet als ein Modell mit nur einer Teilmenge von Koeffizienten.<\/span><\/p>\n Die folgenden Beispiele zeigen, wie die einzelnen Funktionen in der Praxis verwendet werden.<\/span><\/p>\n Nehmen wir an, wir m\u00f6chten eine einfache ANOVA<\/a> durchf\u00fchren, um festzustellen, ob drei verschiedene Trainingsprogramme unterschiedliche Auswirkungen auf die Gewichtsabnahme haben.<\/span><\/p>\n Wir rekrutieren 90 Personen f\u00fcr die Teilnahme an einem Experiment, bei dem wir 30 Personen nach dem Zufallsprinzip damit beauftragen, einen Monat lang entweder Programm A, Programm B oder Programm C zu befolgen.<\/span><\/p>\n Der folgende Code zeigt, wie Sie die Funktion aov()<\/strong> in R verwenden, um diese einfaktorielle ANOVA durchzuf\u00fchren:<\/span><\/p>\n Aus den Modellergebnissen k\u00f6nnen wir ersehen, dass der p-Wert des Programms (0,0000000000755) kleiner als 0,05 ist, was bedeutet, dass es einen statistisch signifikanten Unterschied im durchschnittlichen Gewichtsverlust zwischen den drei Programmen gibt.<\/span><\/p>\n Angenommen, wir m\u00f6chten die Anzahl der gelernten Stunden<\/strong> verwenden, um die Pr\u00fcfungsergebnisse<\/strong> f\u00fcr Studenten einer bestimmten Hochschule vorherzusagen. Wir k\u00f6nnen uns entscheiden, die folgenden zwei Regressionsmodelle anzupassen:<\/span><\/p>\n Vollst\u00e4ndiges Modell:<\/strong> Punktzahl = \u03b2 0<\/sub> + B 1<\/sub> (Stunden) + B 2<\/sub> (Stunden) 2<\/sup><\/span><\/p>\n Reduziertes Modell:<\/strong> Punktzahl = \u03b2 0<\/sub> + B 1<\/sub> (Stunden)<\/span><\/p>\n Der folgende Code zeigt, wie Sie mit der Funktion anova()<\/strong> in R einen Test auf mangelnde Anpassung durchf\u00fchren, um festzustellen, ob das vollst\u00e4ndige Modell eine deutlich bessere Anpassung bietet als das reduzierte Modell:<\/span><\/p>\n Da der p-Wert in der Ausgabetabelle (0,002144) kleiner als 0,05 ist, k\u00f6nnen wir die Nullhypothese des Tests ablehnen und daraus schlie\u00dfen, dass das vollst\u00e4ndige Modell eine statistisch signifikant bessere Anpassung bietet als das reduzierte Modell.<\/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> Die Funktionen aov() und anova() in R scheinen \u00e4hnlich zu sein, aber wir verwenden sie tats\u00e4chlich in zwei verschiedenen Szenarien. Wir verwenden aov() , wenn wir ein ANOVA-Modell anpassen und die Ergebnisse in einer ANOVA-\u00dcbersichtstabelle anzeigen m\u00f6chten. Wir verwenden anova() , wenn wir die Anpassung verschachtelter Regressionsmodelle vergleichen m\u00f6chten, um festzustellen, ob ein Regressionsmodell mit […]<\/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 1: Verwendung von aov() in R<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (0)\n\n#create data frame\n<\/span>df <- data. frame<\/span> (program = rep(c(\"A\", \"B\", \"C\"), each= 30<\/span> ),\n weight_loss = c(runif(30, 0, 3),\n runif(30, 0, 5),\n runif(30, 1, 7)))\n\n#fit one-way anova using aov()\n<\/span>fit <- aov(weight_loss ~ program, data=df)\n\n#view results\n<\/span>summary(fit)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 2 98.93 49.46 30.83 7.55e-11 ***\nResiduals 87 139.57 1.60 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n Beispiel 2: Verwendung von anova() in R<\/strong><\/span><\/h2>\n
#make this example reproducible\nset. seeds<\/span> (1)\n\n#create dataset\n<\/span>df <- data.frame(hours = runif(50, 5, 15), score=50)\ndf$score = df$score + df$hours^3\/150 + df$hours*runif(50, 1, 2)\n\n#view head of data\n<\/span>head(df)\n\n hours score\n1 7.655087 64.30191\n2 8.721239 70.65430\n3 10.728534 73.66114\n4 14.082078 86.14630\n5 7.016819 59.81595\n6 13.983897 83.60510\n\n#fit full model\n<\/span>full <- lm(score ~ poly(hours,2), data=df)\n\n#fit reduced model\n<\/span>reduced <- lm(score ~ hours, data=df)\n\n#perform lack of fit test using anova()\n<\/span>anova(full, reduced)\n\nAnalysis of Variance Table\n\nModel 1: score ~ poly(hours, 2)\nModel 2: score ~ hours\n Res.Df RSS Df Sum of Sq F Pr(>F) \n1 47 368.48 \n2 48 451.22 -1 -82.744 10.554 0.002144 **\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/span><\/span><\/strong><\/pre>\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":"