<\/p>\n
Der Friedman-Test<\/strong> ist eine nichtparametrische Alternative zur ANOVA mit wiederholten Messungen. Es wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr Gruppen besteht, in denen in jeder Gruppe dieselben Probanden vorkommen.<\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie der Friedman-Test in R durchgef\u00fchrt wird.<\/span><\/p>\n Um den Friedman-Test in R durchzuf\u00fchren, k\u00f6nnen wir die Funktion friedman.test()<\/strong> verwenden, die die folgende Syntax verwendet:<\/span><\/p>\n friedman.test (y, Gruppen, Bl\u00f6cke)<\/span><\/strong><\/p>\n Gold:<\/span><\/p>\n Diese Funktion erzeugt eine Chi-Quadrat-Teststatistik und einen entsprechenden p-Wert. Wenn der p-Wert unter einem bestimmten Signifikanzniveau liegt (\u00fcbliche Werte sind 0,10, 0,05 und 0,01), dann gibt es ausreichende Beweise daf\u00fcr, dass die Mittelwerte zwischen den einzelnen Gruppen nicht gleich sind.<\/span><\/p>\n Um die Verwendung dieser Funktion zu veranschaulichen, erstellen wir einen Datensatz, der die Reaktionszeit von f\u00fcnf Patienten auf vier verschiedene Medikamente zeigt. Da bei jedem Patienten jedes der vier Medikamente gemessen wird, verwenden wir den Friedman-Test, um festzustellen, ob sich die durchschnittliche Reaktionszeit zwischen den Medikamenten unterscheidet.<\/span><\/p>\n Zuerst erstellen wir den Datensatz:<\/span><\/p>\n Als n\u00e4chstes f\u00fchren wir den Friedman-Test durch, wobei wir den Score<\/strong> als Antwortvariable, das Medikament<\/strong> als Gruppierungsvariable und die Person<\/strong> als Blockierungsvariable verwenden:<\/span><\/p>\n Die Chi-Quadrat-Teststatistik betr\u00e4gt 13,56<\/strong> und der entsprechende p-Wert betr\u00e4gt 0,00357<\/strong> . Da dieser p-Wert kleiner als 0,05 ist, k\u00f6nnen wir die Nullhypothese zur\u00fcckweisen, dass die durchschnittliche Reaktionszeit f\u00fcr alle vier Medikamente gleich ist. Wir haben gen\u00fcgend Beweise, um zu dem Schluss zu kommen, dass die Art der verwendeten Medikamente zu statistisch signifikanten Unterschieden in der Reaktionszeit f\u00fchrt.<\/span><\/p>\n Obwohl ein Friedman-Test uns sagt, ob es Unterschiede in der durchschnittlichen Reaktionszeit zwischen Medikamenten gibt, sagt er uns nicht genau, welche Medikamente unterschiedliche durchschnittliche Reaktionszeiten haben. Um dies zu verstehen, m\u00fcssen wir Post-hoc-Tests durchf\u00fchren.<\/span><\/p>\n F\u00fcr einen Friedman-Test ist der geeignete Post-hoc-Test der paarweise Wilcoxon-Rangsummentest mit einer Bonferroni-Korrektur, der mit der folgenden Syntax implementiert werden kann:<\/span><\/p>\n pairwise.wilcox.test(data$score, data$drug, p.adj = \u201ebonf\u201c)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Hier ist die Syntax, die wir f\u00fcr unser Beispiel verwenden werden:<\/span><\/p>\n Dadurch wird eine Matrix erstellt, die den p-Wert f\u00fcr jeden paarweisen Wilcoxon-Rangsummentest anzeigt. Wir k\u00f6nnen sehen, dass die einzigen Medikamentengruppen, die einen statistisch signifikanten Unterschied von 0,10 aufweisen, die Gruppen 3 und 4 sind ( p = 0,072<\/strong> ).<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Der Friedman-Test ist eine nichtparametrische Alternative zur ANOVA mit wiederholten Messungen. Es wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr Gruppen besteht, in denen in jeder Gruppe dieselben Probanden vorkommen. In diesem Tutorial wird erkl\u00e4rt, wie der Friedman-Test in R durchgef\u00fchrt wird. Beispiel: der Friedman-Test in […]<\/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: der Friedman-Test in R<\/strong><\/h3>\n
\n
#create data<\/span>\ndata <- data.frame(person = rep(1:5, each=4),\n drug = rep(c(1, 2, 3, 4), times=5),\n score = c(30, 28, 16, 34, 14, 18, 10, 22, 24, 20,\n 18, 30, 38, 34, 20, 44, 26, 28, 14, 30))\n\n#view data<\/span>\ndata\n\n person drug score\n1 1 1 30\n2 1 2 28\n3 1 3 16\n4 1 4 34\n5 2 1 14\n6 2 2 18\n7 2 3 10\n8 2 4 22\n9 3 1 24\n10 3 2 20\n11 3 3 18\n12 3 4 30\n13 4 1 38\n14 4 2 34\n15 4 3 20\n16 4 4 44\n17 5 1 26\n18 5 2 28\n19 5 3 14\n20 5 4 30\n<\/strong><\/pre>\n #perform Friedman Test<\/span>\nfriedman.test(y=data$score, groups=data$drug, blocks=data$person)\n\n\tFriedman rank sum test\n\ndata: data$score, data$drug and data$person\nFriedman chi-squared = 13.56, df = 3, p-value = 0.00357\n<\/strong><\/pre>\n\n
<\/span><\/li>\n<\/ul>\n #perform post-hoc tests<\/span>\npairwise.wilcox.test(data$score, data$drug, p.adj = \"bonf\")\n\tPairwise comparisons using Wilcoxon rank sum test \n\ndata: data$score and data$drug \n\n 1 2 3 \n2 1,000 - - \n3 0.449 0.210 - \n4 1,000 1,000 0.072\n\nP value adjustment method: bonferroni \n<\/strong><\/pre>\n