<\/p>\n
ANOVA tiga arah<\/strong> digunakan untuk menentukan ada atau tidaknya perbedaan yang signifikan secara statistik antara rata-rata tiga atau lebih kelompok independen yang tersebar pada tiga faktor.<\/span><\/p>\n Contoh berikut menunjukkan cara melakukan ANOVA tiga arah di R.<\/span><\/p>\n Misalkan seorang peneliti ingin menentukan apakah dua program pelatihan menghasilkan peningkatan rata-rata yang berbeda dalam tinggi lompatan di antara pemain bola basket perguruan tinggi.<\/span><\/p>\n Peneliti menduga bahwa jenis kelamin dan pembagian (Divisi I atau II) juga dapat mempengaruhi tinggi lompatan, oleh karena itu ia juga mengumpulkan data mengenai faktor-faktor tersebut.<\/span><\/p>\n Tujuannya adalah melakukan ANOVA tiga arah untuk menentukan bagaimana program pelatihan, jenis kelamin, dan pembagian mempengaruhi tinggi lompatan.<\/span><\/p>\n Ikuti langkah-langkah berikut untuk melakukan ANOVA tiga arah ini di R:<\/span><\/p>\n Langkah 1: Buat datanya<\/strong><\/span><\/p>\n Pertama, mari buat bingkai data untuk menampung data:<\/span><\/p>\n Langkah 2: Lihat statistik deskriptif<\/strong><\/span><\/p>\n Sebelum melakukan ANOVA tiga arah, kita dapat menggunakan dplyr<\/a> untuk dengan cepat merangkum rata-rata peningkatan tinggi lompatan yang dikelompokkan berdasarkan program pelatihan, jenis kelamin, dan divisi:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Langkah 3: Lakukan ANOVA tiga arah<\/strong><\/span><\/p>\n Selanjutnya, kita dapat menggunakan fungsi aov()<\/strong> untuk melakukan ANOVA tiga arah:<\/span><\/p>\n Kolom Pr(>F)<\/strong> menampilkan nilai p untuk masing-masing faktor dan interaksi antar faktor.<\/span><\/p>\n Dari hasil tersebut, kita dapat melihat bahwa tidak ada interaksi antara ketiga faktor tersebut yang signifikan secara statistik.<\/span><\/p>\n Kita juga dapat melihat bahwa ketiga faktor tersebut \u2013 program, gender dan pembagian \u2013 signifikan secara statistik.<\/span><\/p>\n Sekarang kita dapat menggunakan dplyr lagi untuk mencari rata-rata peningkatan tinggi lompatan untuk program, gender, dan divisi secara terpisah:<\/span><\/p>\n Dari hasilnya kita dapat mengamati hal-hal berikut:<\/span><\/p>\n Sebagai kesimpulan, kami dapat mengatakan bahwa program pelatihan, gender, dan pembagian merupakan indikator signifikan peningkatan tinggi lompatan pemain.<\/span><\/p>\n Kami juga dapat mengatakan bahwa tidak ada efek interaksi yang signifikan antara ketiga faktor ini.<\/span><\/p>\n Tutorial berikut menjelaskan cara menyesuaikan model ANOVA lainnya di R:<\/span><\/p>\n Bagaimana melakukan ANOVA satu arah di R<\/a> ANOVA tiga arah digunakan untuk menentukan ada atau tidaknya perbedaan yang signifikan secara statistik antara rata-rata tiga atau lebih kelompok independen yang tersebar pada tiga faktor. Contoh berikut menunjukkan cara melakukan ANOVA tiga arah di R. Contoh: ANOVA tiga arah di R Misalkan seorang peneliti ingin menentukan apakah dua program pelatihan menghasilkan peningkatan rata-rata yang […]<\/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: ANOVA tiga arah di R<\/strong><\/span><\/h2>\n
#create dataset\n<\/span>df <- data. frame<\/span> (program=rep(c(1, 2), each= 20<\/span> ),\n gender=rep(c(' M<\/span> ', ' F<\/span> '), each= 10<\/span> , times= 2<\/span> ),\n division=rep(c(1, 2), each= 5<\/span> , times= 4<\/span> ),\n height=c(7, 7, 8, 8, 7, 6, 6, 5, 6, 5,\n 5, 5, 4, 5, 4, 3, 3, 4, 3, 3,\n 6, 6, 5, 4, 5, 4, 5, 4, 4, 3,\n 2, 2, 1, 4, 4, 2, 1, 1, 2, 1)) \n\n#view first six rows of dataset\n<\/span>head(df)\n\n program gender division height\n1 1 M 1 7\n2 1 M 1 7\n3 1 M 1 8\n4 1 M 1 8\n5 1 M 1 7\n6 1 M 2 6<\/strong><\/pre>\n library<\/span> (dplyr)\n\n#calculate mean jumping height increase grouped by program, gender, and division\n<\/span>df %>%\n group_by(program, gender, division) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 8 x 4\n# Groups: program, gender [4]\n program gender division mean_height\n \n1 1 F 1 4.6\n2 1 F 2 3.2\n3 1 M 1 7.4\n4 1 M 2 5.6\n5 2 F 1 2.6\n6 2 F 2 1.4\n7 2 M 1 5.2\n8 2 M 2 4 \n<\/strong><\/pre>\n\n
#perform three-way ANOVA<\/span>\nmodel <- aov(height ~ program * gender * division, data=df)\n\n#view summary of three-way ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 1 36.1 36.10 65.636 2.98e-09 ***\ngender 1 67.6 67.60 122.909 1.71e-12 ***\ndivision 1 19.6 19.60 35.636 1.19e-06 ***\nprogram:gender 1 0.0 0.00 0.000 1.000 \nprogram:division 1 0.4 0.40 0.727 0.400 \ngender:division 1 0.1 0.10 0.182 0.673 \nprogram:gender:division 1 0.1 0.10 0.182 0.673 \nResiduals 32 17.6 0.55 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n library<\/span> (dplyr)\n<\/span>\n#find mean jumping increase by program<\/span>\ndf %>%\n group_by(program) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n program mean_height\n \n1 1 5.2\n2 2 3.3\n\n#find mean jumping increase by gender\n<\/span>df %>%\n group_by(gender) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n gender mean_height\n \n1 F 2.95\n2M 5.55\n\n#find mean jumping increase by division\n<\/span>df %>%\ngroup_by(division) %>%\nsummarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n division mean_height\n \n1 1 4.95\n2 2 3.55<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan ANOVA dua arah di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"