{"id":1051,"date":"2023-07-27T20:35:01","date_gmt":"2023-07-27T20:35:01","guid":{"rendered":"https:\/\/statorials.org\/id\/tes-dunns-di-sungai\/"},"modified":"2023-07-27T20:35:01","modified_gmt":"2023-07-27T20:35:01","slug":"tes-dunns-di-sungai","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/tes-dunns-di-sungai\/","title":{"rendered":"Bagaimana melakukan tes dunn di r"},"content":{"rendered":"

<\/p>\n

\n

Uji Kruskal-Wallis<\/a> digunakan untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara median tiga atau lebih kelompok independen. Ini dianggap setara nonparametrik dari ANOVA satu arah<\/a> .<\/span><\/p>\n

Jika hasil uji Kruskal-Wallis signifikan secara statistik, maka uji Dunn<\/a> sebaiknya dilakukan untuk menentukan secara pasti kelompok mana yang berbeda.<\/span><\/p>\n

Tutorial ini menjelaskan cara melakukan tes Dunn di R.<\/span><\/p>\n

Contoh: Tes Dunn di R<\/strong><\/span><\/h3>\n

Seorang peneliti ingin mengetahui apakah ketiga obat memiliki efek berbeda terhadap sakit punggung. Jadi dia merekrut 30 orang yang semuanya menderita nyeri punggung serupa dan secara acak membagi mereka menjadi tiga kelompok untuk menerima obat A, obat B, atau obat C. Sebulan setelah meminum obat tersebut, peneliti meminta setiap individu untuk menilai nyeri punggung mereka berdasarkan skala 1 sampai 100, dengan 100 menunjukkan nyeri paling parah.<\/span><\/p>\n

Peneliti melakukan uji Kruskal-Wallis menggunakan tingkat signifikansi 0,05 untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara median peringkat nyeri punggung pada ketiga kelompok ini.<\/span><\/p>\n

Kode berikut menunjukkan cara membuat bingkai data di R dan melakukan pengujian Kruskal-Wallis:<\/span><\/p>\n

 #make this example reproducible\nset.seed(0)\n<\/span>\n#create data frame\ndata <- data.frame(drug = rep(c(\"A\", \"B\", \"C\"), each = 10),\n                   bread = c(runif(10, 40, 60),\n                            runif(10, 45, 65),\n                            runif(10, 55, 70)))<\/span>\n\n#view first six rows of data frame\nhead(data)\n<\/span>\n# drug pain\n#1 A 57.93394\n#2 A 45.31017\n#3 A 47.44248\n#4 A 51.45707\n#5 A 58.16416\n#6 A 44.03364\n\n#perform Kruskal-Wallis Test<\/span>\nkruskal.test(pain ~ drug, data = data)\n\n\tKruskal-Wallis rank sum test\n\ndata: pain by drug\nKruskal-Wallis chi-squared = 11.105, df = 2, p-value = 0.003879\n<\/span><\/span><\/strong><\/pre>\n
 Karena nilai p keseluruhan ( 0,003879<\/strong> ) kurang dari 0,05, ini berarti terdapat perbedaan yang signifikan secara statistik dalam tingkat nyeri yang dilaporkan antara ketiga obat. Jadi kita dapat melakukan uji Dunn untuk menentukan obat mana yang berbeda.<\/span><\/p>\n
 #loadlibrary\nlibrary(FSA)\n\n#perform Dunn's Test with Bonferroni correction for p-values<\/span>\ndunnTest(pain ~ drug,\n         data=data,\n         method=\" bonferroni<\/span> \")\n\nDunn (1964) Kruskal-Wallis multiple comparison\n  p-values adjusted with the Bonferroni method.\n\n  Comparison Z P.unadj P.adj\n1 A - B -0.8890009 0.374002602 1.000000000\n2 A - C -3.2258032 0.001256197 0.003768591\n3 B - C -2.3368023 0.019449464 0.058348393<\/span><\/span><\/strong><\/pre>\n
 Perhatikan bahwa kami memilih untuk menggunakan koreksi Bonferroni untuk nilai p dari beberapa perbandingan, namun opsi lain yang memungkinkan meliputi:<\/span><\/p>\n
 Kode berikut menunjukkan cara melakukan pengujian Dunn di R menggunakan fungsi dunnTest()<\/a> dari pustaka FSA()<\/strong> :<\/span><\/p>\n