Jika nilai p keseluruhan tabel ANOVA berada di bawah tingkat signifikansi tertentu, maka kita memiliki cukup bukti untuk mengatakan bahwa setidaknya salah satu mean kelompok berbeda dari mean kelompok lainnya.<\/span><\/p>\n Namun, hal ini tidak memberi tahu kita kelompok mana<\/em> yang berbeda satu sama lain. Hal ini menunjukkan kepada kita bahwa tidak semua rata-rata kelompok adalah sama.<\/span><\/p>\n Untuk mengetahui secara pasti kelompok mana yang berbeda satu sama lain, kita perlu melakukan uji t berpasangan antara masing-masing kelompok<\/span> sambil mengontrol tingkat kesalahan kekeluargaan<\/a> .<\/span><\/p>\n Salah satu cara paling umum untuk mencapai hal ini adalah dengan menggunakan koreksi Bonferroni<\/strong> saat menghitung nilai p untuk setiap uji t berpasangan.<\/span><\/p>\n Tutorial ini menjelaskan cara melakukan koreksi Bonferroni di R.<\/span><\/p>\n Misalkan seorang guru ingin mengetahui apakah tiga teknik belajar yang berbeda menghasilkan nilai ujian yang berbeda di antara siswa.<\/span><\/p>\n Untuk mengujinya, dia secara acak menugaskan 10 siswa untuk menggunakan setiap teknik belajar.<\/span> Setelah seminggu menggunakan teknik belajar yang ditugaskan kepada mereka, setiap siswa mengikuti ujian yang sama.<\/span><\/p>\n Kita dapat menggunakan langkah-langkah berikut di R untuk menyesuaikan ANOVA satu arah dan menggunakan koreksi Bonferroni untuk menghitung perbedaan berpasangan antara hasil ujian masing-masing kelompok.<\/span><\/p>\n Langkah 1: Buat kumpulan data.<\/span><\/strong><\/p>\n Kode berikut menunjukkan cara membuat kumpulan data yang berisi hasil ujian seluruh 30 siswa:<\/span><\/p>\n Langkah 2: Lihat hasil ujian untuk setiap kelompok.<\/span><\/strong><\/p>\n Kode berikut menunjukkan cara membuat diagram kotak untuk memvisualisasikan sebaran hasil ujian tiap kelompok:<\/span> <\/p>\n Langkah 3: Lakukan ANOVA satu arah.<\/span><\/strong><\/p>\n Kode berikut menunjukkan cara melakukan ANOVA satu arah untuk menguji perbedaan antara rata-rata nilai ujian di setiap kelompok:<\/span><\/p>\n Karena nilai p keseluruhan ( 0,0476<\/strong> ) kurang dari 0,05, hal ini menunjukkan bahwa setiap kelompok tidak memiliki rata-rata nilai ujian yang sama.<\/span><\/p>\n Selanjutnya kita akan melakukan uji t berpasangan menggunakan koreksi Bonferroni untuk nilai p untuk menghitung selisih berpasangan antara hasil ujian masing-masing kelompok.<\/span><\/p>\n Langkah 4: Lakukan uji-t berpasangan.<\/strong><\/span><\/p>\n Untuk melakukan uji-t berpasangan dengan koreksi Bonferroni di R, kita dapat menggunakan fungsi pairwise.t.test()<\/a> , yang menggunakan sintaks berikut:<\/span><\/p>\n berpasangan.t.test(x, g, p.adjust.method=\u201dbonferroni\u201d)<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Kode berikut menunjukkan cara menggunakan fungsi ini untuk contoh kita:<\/span><\/p>\n Cara menafsirkan hasilnya adalah sebagai berikut:<\/span><\/p>\n Berdasarkan hasil terlihat bahwa perbedaan yang signifikan hanya terdapat pada teknik 1 dan teknik 3.<\/span><\/p>\n Pengantar ANOVA Satu Arah<\/a> ANOVA satu arah digunakan untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara rata-rata tiga atau lebih kelompok independen. Jika nilai p keseluruhan tabel ANOVA berada di bawah tingkat signifikansi tertentu, maka kita memiliki cukup bukti untuk mengatakan bahwa setidaknya salah satu mean kelompok berbeda dari mean kelompok lainnya. Namun, hal ini tidak memberi […]<\/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 Contoh: Koreksi Bonferroni di R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndata <- data.frame(technique = rep<\/span> (c(\"tech1\", \"tech2\", \"tech3\"), each<\/span> = 10<\/span> ),\n score = c(76, 77, 77, 81, 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<\/span>\nhead(data)\n\n technical score\n1 tech1 76\n2 tech1 77\n3 tech1 77\n4 tech1 81\n5 tech1 82\n6 tech1 82\n<\/strong><\/pre>\n boxplot(score ~ technique,\n data = data,\n main = \"Exam Scores by Studying Technique\",\n xlab = \"Studying Technique\",\n ylab = \"Exam Scores\",\n col = \"steelblue\",\n border = \"black\")\n<\/strong><\/pre>\n
![\"Koreksi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonf1.png\")
<\/p>\n #fit the one-way ANOVA model<\/span>\nmodel <- aov(score ~ technique, data = data)\n\n#view model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 211.5 105.73 3.415 0.0476 *\nResiduals 27 836.0 30.96 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n\n
#perform pairwise t-tests with Bonferroni's correction<\/span>\npairwise.t.test(data$score, data$technique, p.adjust.method=\" bonferroni<\/span> \")\n\n\tPairwise comparisons using t tests with pooled SD \n\ndata: data$score and data$technique \n\n tech1 tech2\ntech2 0.309 - \ntech3 0.048 1.000\n\nP value adjustment method: bonferroni<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Bagaimana melakukan ANOVA satu arah di R<\/a>
Cara melakukan tes Tukey di R<\/a>
Bagaimana melakukan tes Dunnett di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"