Come eseguire confronti a coppie post-hoc in r
Un’ANOVA unidirezionale viene utilizzata per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o più gruppi indipendenti.
Un’ANOVA unidirezionale utilizza le seguenti ipotesi nulle e alternative:
- H 0 : tutte le medie dei gruppi sono uguali.
- H A : Non tutte le medie dei gruppi sono uguali.
Se il valore p complessivo dell’ANOVA è inferiore a un certo livello di significatività (ad esempio α = 0,05), allora rifiutiamo l’ipotesi nulla e concludiamo che tutte le medie dei gruppi non sono uguali.
Per scoprire quali medie di gruppo sono diverse, possiamo quindi eseguire confronti a coppie post-hoc .
L’esempio seguente mostra come eseguire i seguenti confronti a coppie post-hoc in R:
- Il metodo Tukey
- Il metodo Scheffe
- Il metodo Bonferroni
- Il metodo Holm
Esempio: ANOVA unidirezionale in R
Supponiamo che un insegnante voglia sapere se tre diverse tecniche di studio portano o meno a punteggi diversi nei test tra gli studenti. Per verificarlo, assegna in modo casuale 10 studenti a utilizzare ciascuna tecnica di studio e registra i risultati degli esami.
Possiamo utilizzare il seguente codice in R per eseguire un’ANOVA unidirezionale per verificare le differenze nei punteggi medi degli esami tra i tre gruppi:
#create data frame df <- data.frame(technique = rep(c(" tech1 ", " tech2 ", " tech3 "), each= 10 ), score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89, 81, 82, 83, 83, 83, 84, 87, 90, 92, 93, 77, 78, 79, 88, 89, 90, 91, 95, 95, 98)) #perform one-way ANOVA model <- aov(score ~ technique, data = df) #view output of ANOVA summary(model) Df Sum Sq Mean Sq F value Pr(>F) technical 2 211.5 105.73 3.415 0.0476 * Residuals 27 836.0 30.96 --- Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Il valore p complessivo dell’ANOVA (0,0476) è inferiore a α = 0,05, quindi rifiuteremo l’ipotesi nulla secondo cui il punteggio medio dell’esame è lo stesso per ciascuna tecnica di studio.
Possiamo eseguire confronti a coppie post-hoc per determinare quali gruppi hanno medie diverse.
Il metodo Tukey
È preferibile utilizzare il metodo post hoc di Tukey quando la dimensione del campione di ciascun gruppo è uguale.
Possiamo utilizzare la funzione integrata TukeyHSD() per eseguire il metodo post-hoc Tukey in R:
#perform the Tukey post-hoc method TukeyHSD(model, conf. level = .95 ) Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = score ~ technique, data = df) $technical diff lwr upr p adj tech2-tech1 4.2 -1.9700112 10.370011 0.2281369 tech3-tech1 6.4 0.2299888 12.570011 0.0409017 tech3-tech2 2.2 -3.9700112 8.370011 0.6547756
Dal risultato, possiamo vedere che l’unico valore p (“ p adj ”) inferiore a 0,05 è la differenza tra tecnica e tecnica 3.
Pertanto, potremmo concludere che esiste solo una differenza statisticamente significativa nei punteggi medi degli esami tra gli studenti che hanno utilizzato la Tecnica 1 e la Tecnica 3.
Il metodo Scheffe
Il metodo Scheffe è il metodo di confronto a coppie post-hoc più conservativo e produce gli intervalli di confidenza più ampi quando si confrontano le medie dei gruppi.
Possiamo usare la funzione ScheffeTest() dal pacchetto DescTools per eseguire il metodo post-hoc Scheffe in R:
library (DescTools)
#perform the Scheffe post-hoc method
ScheffeTest(model)
Posthoc multiple comparisons of means: Scheffe Test
95% family-wise confidence level
$technical
diff lwr.ci upr.ci pval
tech2-tech1 4.2 -2.24527202 10.645272 0.2582
tech3-tech1 6.4 -0.04527202 12.845272 0.0519 .
tech3-tech2 2.2 -4.24527202 8.645272 0.6803
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1'''156
Dai risultati possiamo vedere che non esistono valori p inferiori a 0,05, quindi concluderemmo che non esiste alcuna differenza statisticamente significativa nei punteggi medi degli esami tra i gruppi.
Il metodo Bonferroni
È preferibile utilizzare il metodo Bonferroni quando si desidera eseguire una serie di confronti a coppie pianificati.
Possiamo utilizzare la seguente sintassi in R per eseguire il metodo post hoc Bonferroni:
#perform the Bonferroni post-hoc method
pairwise. t . test (df$score, df$technique, p. adj = ' bonferroni ')
Pairwise comparisons using t tests with pooled SD
data: df$score and df$technique
tech1 tech2
tech2 0.309 -
tech3 0.048 1.000
P value adjustment method: bonferroni
Dal risultato, possiamo vedere che l’unico valore p inferiore a 0,05 è la differenza tra tecnica e tecnica 3.
Pertanto, potremmo concludere che esiste solo una differenza statisticamente significativa nei punteggi medi degli esami tra gli studenti che hanno utilizzato la Tecnica 1 e la Tecnica 3.
Il metodo Holm
Il metodo Holm viene utilizzato anche quando si desidera eseguire in anticipo una serie di confronti a coppie pianificati e tende ad avere una potenza ancora maggiore rispetto al metodo Bonferroni, quindi è spesso preferito.
Possiamo usare la seguente sintassi in R per eseguire il metodo Holm post-hoc:
#perform the Holm post-hoc method
pairwise. t . test (df$score, df$technique, p. adj = ' holm ')
Pairwise comparisons using t tests with pooled SD
data: df$score and df$technique
tech1 tech2
tech2 0.206 -
tech3 0.048 0.384
P value adjustment method: holm
Dal risultato possiamo vedere che l’unico valore p inferiore a 0,05 è la differenza tra tecnica e tecnica 3.
Quindi, ancora una volta, concluderemmo che esiste solo una differenza statisticamente significativa nei punteggi medi degli esami tra gli studenti che hanno utilizzato la Tecnica 1 e la Tecnica 3.
Risorse addizionali
Le esercitazioni seguenti forniscono informazioni aggiuntive sull’ANOVA e sui test post-hoc:
Come interpretare il valore F e il valore P in ANOVA
La guida completa: come riportare i risultati ANOVA
Turchia vs. Bonferroni vs. Scheffe: quale test dovresti usare?