<\/p>\n
Uji Friedman<\/strong> adalah alternatif nonparametrik untuk pengukuran berulang ANOVA. Hal ini digunakan untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara rata-rata tiga kelompok atau lebih di mana subjek yang sama muncul di setiap kelompok.<\/span><\/p>\n Tutorial ini menjelaskan cara melakukan tes Friedman di R.<\/span><\/p>\n Untuk melakukan pengujian Friedman di R, kita dapat menggunakan fungsi friedman.test()<\/strong> , yang menggunakan sintaks berikut:<\/span><\/p>\n friedman.test (y, grup, blok)<\/span><\/strong><\/p>\n Emas:<\/span><\/p>\n Fungsi ini menghasilkan statistik uji Chi-kuadrat dan nilai p yang sesuai. Jika nilai p berada di bawah tingkat signifikansi tertentu (pilihan umum adalah 0,10, 0,05, dan 0,01), maka terdapat cukup bukti bahwa rata-rata antar masing-masing kelompok tidak sama.<\/span><\/p>\n Untuk mengilustrasikan cara menggunakan fitur ini, kami akan membuat kumpulan data yang menunjukkan waktu reaksi lima pasien terhadap empat obat berbeda. Karena setiap pasien diukur pada masing-masing empat obat, kami akan menggunakan tes Friedman untuk menentukan apakah waktu reaksi rata-rata berbeda antar obat.<\/span><\/p>\n Pertama, kita akan membuat dataset:<\/span><\/p>\n Selanjutnya kita akan melakukan uji Friedman dengan menggunakan skor<\/strong> sebagai variabel respon, obat<\/strong> sebagai variabel pengelompokan, dan orang<\/strong> sebagai variabel penghambat:<\/span><\/p>\n Statistik uji Chi-kuadrat adalah 13,56<\/strong> dan nilai p yang sesuai adalah 0,00357<\/strong> . Karena nilai p ini kurang dari 0,05, kita dapat menolak hipotesis nol yang menyatakan bahwa waktu respons rata-rata untuk keempat obat adalah sama. Kami memiliki cukup bukti untuk menyimpulkan bahwa jenis pengobatan yang digunakan menghasilkan perbedaan waktu respons yang signifikan secara statistik.<\/span><\/p>\n Meskipun uji Friedman memberi tahu kita apakah ada perbedaan waktu respons rata-rata antar obat, uji ini tidak memberi tahu kita secara spesifik obat mana yang memiliki waktu respons rata-rata berbeda. Untuk memahami hal ini, kita perlu melakukan pengujian post-hoc.<\/span><\/p>\n Untuk tes Friedman, tes post hoc yang sesuai adalah tes jumlah peringkat Wilcoxon berpasangan dengan koreksi Bonferroni, yang dapat diimplementasikan menggunakan sintaks berikut:<\/span><\/p>\n berpasangan.wilcox.test(data$skor, data$obat, p.adj = \u201cbonf\u201d)<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Berikut adalah sintaks yang akan kita gunakan untuk contoh kita:<\/span><\/p>\n Ini menghasilkan matriks yang menunjukkan nilai p untuk setiap tes jumlah peringkat Wilcoxon berpasangan. Kita dapat melihat bahwa satu-satunya kelompok obat yang memiliki perbedaan signifikan secara statistik sebesar 0,10 adalah kelompok 3 dan 4 ( p = 0,072<\/strong> ).<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Uji Friedman adalah alternatif nonparametrik untuk pengukuran berulang ANOVA. Hal ini digunakan untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara rata-rata tiga kelompok atau lebih di mana subjek yang sama muncul di setiap kelompok. Tutorial ini menjelaskan cara melakukan tes Friedman di R. Contoh: tes Friedman di R Untuk melakukan pengujian Friedman di […]<\/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: tes Friedman di 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