Se il valore p complessivo della tabella ANOVA \u00e8 inferiore a un certo livello di significativit\u00e0, allora abbiamo prove sufficienti per affermare che almeno una delle medie del gruppo \u00e8 diversa dalle altre.<\/span><\/p>\n Tuttavia, questo non ci dice quali<\/em> gruppi siano diversi gli uni dagli altri. Questo ci dice semplicemente che non tutte le medie dei gruppi sono uguali. Per sapere esattamente quali gruppi sono diversi tra loro, dobbiamo eseguire un test post hoc<\/a> .<\/span><\/p>\n Uno dei test post hoc pi\u00f9 comunemente utilizzati \u00e8 il test di Tukey<\/strong> , che ci consente di eseguire confronti a coppie tra le medie di ciascun gruppo controllando il tasso di errore familiare<\/a> .<\/span><\/p>\n Questo tutorial spiega come eseguire il test di Tukey in R.<\/span><\/p>\n Nota:<\/strong> se uno qualsiasi dei gruppi del tuo studio \u00e8 considerato un gruppo di controllo, dovresti utilizzare invece il test di Dunnett<\/a> come test post-hoc.<\/em><\/span><\/p>\n Passaggio 1: adattare il modello ANOVA.<\/strong><\/span><\/p>\n Il codice seguente mostra come creare un set di dati falso con tre gruppi (A, B e C) e adattare un modello ANOVA unidirezionale ai dati per determinare se i valori medi di ciascun gruppo sono uguali:<\/span><\/p>\n Possiamo vedere che il valore p complessivo dalla tabella ANOVA \u00e8 7.55e-11<\/strong> . Poich\u00e9 questo numero \u00e8 inferiore a 0,05, abbiamo prove sufficienti per affermare che i valori medi in ciascun gruppo non sono uguali. Quindi, possiamo eseguire il test di Tukey per determinare esattamente quali medie di gruppo sono diverse.<\/span><\/p>\n Passaggio 2: eseguire il test di Tukey.<\/strong><\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione TukeyHSD()<\/strong> per eseguire il test Tukey:<\/span><\/p>\n Il valore p indica se esiste o meno una differenza statisticamente significativa tra ciascun programma. I risultati mostrano che esiste una differenza statisticamente significativa tra la perdita di peso media di ciascun programma al livello di significativit\u00e0 di 0,05.<\/span><\/p>\n Particolarmente:<\/span><\/p>\n Passaggio 3: visualizzare i risultati.<\/strong><\/span><\/p>\n Possiamo anche utilizzare la funzione plot(TukeyHSD())<\/strong> per visualizzare gli intervalli di confidenza:<\/span><\/p>\n Nota: l’argomento las<\/strong> specifica che le etichette dei segni di spunta devono essere perpendicolari (las=2) all’asse.<\/span><\/em> <\/p>\n Possiamo vedere che nessuno degli intervalli di confidenza per il valore medio tra i gruppi contiene il valore zero, indicando che esiste una differenza statisticamente significativa nella perdita media tra i tre gruppi. Ci\u00f2 \u00e8 coerente con tutti i valori p per i nostri test di ipotesi inferiori a 0,05.<\/span><\/p>\n Per questo particolare esempio, possiamo concludere quanto segue:<\/span><\/p>\n Una guida all’utilizzo dei test post-hoc con ANOVA<\/a> Un’ANOVA unidirezionale viene utilizzata per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o pi\u00f9 gruppi indipendenti. Se il valore p complessivo della tabella ANOVA \u00e8 inferiore a un certo livello di significativit\u00e0, allora abbiamo prove sufficienti per affermare che almeno una delle medie del gruppo \u00e8 diversa dalle […]<\/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 Esempio: test di Tukey in R<\/strong><\/span><\/h3>\n
#make this example reproducible<\/span>\nset.seed(0)\n\n#create data<\/span>\ndata <- data.frame(group = rep<\/span> (c(\"A\", \"B\", \"C\"), each<\/span> = 30),\n values = c(runif(30, 0, 3),\n runif(30, 0, 5),\n runif(30, 1, 7)))\n\n#view first six rows of data<\/span>\nhead(data)\n\n group values\n1 A 2.6900916\n2 A 0.7965260\n3 A 1.1163717\n4 A 1.7185601\n5 A 2.7246234\n6 A 0.6050458\n\n#fit one-way ANOVA model<\/span>\nmodel <- aov<\/span> (values~group, data=data)\n\n#view the model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ngroup 2 98.93 49.46 30.83 7.55e-11 ***\nResiduals 87 139.57 1.60 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n #perform Tukey's Test\n<\/span>TukeyHSD(model, conf.level= .95<\/span> ) \n\n Tukey multiple comparisons of means\n 95% family-wise confidence level\n\nFit: aov(formula = values ~ group, data = data)\n\n$group\n diff lwr upr p adj\nBA 0.9777414 0.1979466 1.757536 0.0100545\nCA 2.5454024 1.7656076 3.325197 0.0000000\nCB 1.5676610 0.7878662 2.347456 0.0000199\n<\/strong><\/pre>\n\n
#plot confidence intervals<\/span>\nplot(TukeyHSD(model, conf.level= .95<\/span> ), las = 2<\/span> )\n<\/strong><\/pre>\n![\"Test](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/tukey1.png\")
<\/p>\n\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire l’ANOVA unidirezionale in R<\/a>
Come eseguire l’ANOVA bidirezionale in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"