Come eseguire un'anova a tre vie in r
Un’ANOVA a tre vie viene utilizzata per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o più gruppi indipendenti distribuiti su tre fattori.
L’esempio seguente mostra come eseguire un’ANOVA a tre vie in R.
Esempio: ANOVA a tre vie in R
Supponiamo che un ricercatore voglia determinare se due programmi di allenamento portano a diversi miglioramenti medi nell’altezza del salto tra i giocatori di basket del college.
Il ricercatore sospetta che anche il sesso e la divisione (Divisione I o II) possano influenzare l’altezza del salto, motivo per cui raccoglie dati anche su questi fattori.
Il suo obiettivo è eseguire un’ANOVA a tre vie per determinare in che modo il programma di allenamento, il sesso e la divisione influiscono sull’altezza del salto.
Seguire i seguenti passaggi per eseguire questa ANOVA a tre vie in R:
Passaggio 1: creare i dati
Innanzitutto, creiamo un data frame per contenere i dati:
#create dataset df <- data. frame (program=rep(c(1, 2), each= 20 ), gender=rep(c(' M ', ' F '), each= 10 , times= 2 ), division=rep(c(1, 2), each= 5 , times= 4 ), height=c(7, 7, 8, 8, 7, 6, 6, 5, 6, 5, 5, 5, 4, 5, 4, 3, 3, 4, 3, 3, 6, 6, 5, 4, 5, 4, 5, 4, 4, 3, 2, 2, 1, 4, 4, 2, 1, 1, 2, 1)) #view first six rows of dataset head(df) program gender division height 1 1 M 1 7 2 1 M 1 7 3 1 M 1 8 4 1 M 1 8 5 1 M 1 7 6 1 M 2 6
Passaggio 2: visualizza le statistiche descrittive
Prima di eseguire l’ANOVA a tre vie, possiamo utilizzare dplyr per riassumere rapidamente l’aumento medio dell’altezza del salto raggruppato per programma di allenamento, genere e divisione:
library (dplyr) #calculate mean jumping height increase grouped by program, gender, and division df %>% group_by(program, gender, division) %>% summarize(mean_height = mean(height)) # A tibble: 8 x 4 # Groups: program, gender [4] program gender division mean_height 1 1 F 1 4.6 2 1 F 2 3.2 3 1 M 1 7.4 4 1 M 2 5.6 5 2 F 1 2.6 6 2 F 2 1.4 7 2 M 1 5.2 8 2 M 2 4
Ecco come interpretare il risultato:
- L’aumento medio dell’altezza del salto per le donne della Divisione I che hanno utilizzato il Programma di Allenamento 1 è stato di 4,6 pollici .
- L’aumento medio dell’altezza del salto tra le donne della Divisione II che hanno utilizzato il Programma di Allenamento 1 è stato di 3,2 pollici .
- L’aumento medio dell’altezza del salto tra gli uomini della Divisione I che hanno utilizzato il Programma di Allenamento 1 è stato di 7,4 pollici .
E così via.
Passaggio 3: eseguire l’ANOVA a tre vie
Successivamente, possiamo utilizzare la funzione aov() per eseguire l’ANOVA a tre vie:
#perform three-way ANOVA model <- aov(height ~ program * gender * division, data=df) #view summary of three-way ANOVA summary(model) Df Sum Sq Mean Sq F value Pr(>F) program 1 36.1 36.10 65.636 2.98e-09 *** gender 1 67.6 67.60 122.909 1.71e-12 *** division 1 19.6 19.60 35.636 1.19e-06 *** program:gender 1 0.0 0.00 0.000 1.000 program:division 1 0.4 0.40 0.727 0.400 gender:division 1 0.1 0.10 0.182 0.673 program:gender:division 1 0.1 0.10 0.182 0.673 Residuals 32 17.6 0.55 --- Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
La colonna Pr(>F) mostra il valore p per ogni singolo fattore e le interazioni tra i fattori.
Dai risultati possiamo vedere che nessuna delle interazioni tra i tre fattori era statisticamente significativa.
Possiamo anche vedere che ciascuno dei tre fattori – programma, genere e divisione – era statisticamente significativo.
Ora possiamo utilizzare nuovamente dplyr per trovare separatamente l’aumento medio dell’altezza del salto per programma, genere e divisione:
library (dplyr) #find mean jumping increase by program df %>% group_by(program) %>% summarize(mean_height = mean(height)) # A tibble: 2 x 2 program mean_height 1 1 5.2 2 2 3.3 #find mean jumping increase by gender df %>% group_by(gender) %>% summarize(mean_height = mean(height)) # A tibble: 2 x 2 gender mean_height 1 F 2.95 2M 5.55 #find mean jumping increase by division df %>% group_by(division) %>% summarize(mean_height = mean(height)) # A tibble: 2 x 2 division mean_height 1 1 4.95 2 2 3.55
Dal risultato possiamo osservare quanto segue:
- L’aumento medio dell’altezza del salto per gli individui che hanno utilizzato il programma di allenamento 1 ( 5,2 pollici ) è stato maggiore dell’aumento medio per gli individui che hanno utilizzato il programma di allenamento 2 (3,3 pollici ).
- L’aumento medio dell’altezza di salto per gli uomini ( 5,55 pollici ) è stato maggiore dell’aumento medio per le donne (2,95 pollici ).
- L’aumento medio dell’altezza di salto tra i giocatori della Divisione 1 ( 4,95 pollici ) è stato maggiore dell’aumento medio tra i giocatori della Divisione 2 (3,55 pollici ).
In conclusione, diremmo che il programma di allenamento, il genere e la divisione sono tutti indicatori significativi dell’aumento dell’altezza di salto nei giocatori.
Diremmo anche che non ci sono effetti di interazione significativi tra questi tre fattori.
Risorse addizionali
I seguenti tutorial spiegano come adattare altri modelli ANOVA in R:
Come eseguire l’ANOVA unidirezionale in R
Come eseguire l’ANOVA bidirezionale in R