Se uno dei gruppi di studio \u00e8 considerato il gruppo di controllo<\/em> , allora dovremmo utilizzare il test di Dunnett<\/a> come test post-hoc.<\/span><\/p>\n Questo tutorial spiega come eseguire il test Dunnett in R.<\/span><\/p>\n Supponiamo che un insegnante voglia sapere se due nuove tecniche di studio hanno il potenziale per migliorare i punteggi dei test dei suoi studenti. Per verificarlo, divide casualmente la sua classe di 30 studenti nei seguenti tre gruppi:<\/span><\/p>\n Dopo una settimana di utilizzo della tecnica di studio assegnata, ogni studente sostiene lo stesso esame.<\/span><\/p>\n Possiamo utilizzare i seguenti passaggi in R per creare un set di dati, visualizzare le medie del gruppo, eseguire un’ANOVA unidirezionale e infine eseguire il test di Dunnett per determinare quale nuova tecnica di studio (se presente) produce risultati diversi rispetto al gruppo di controllo .<\/span><\/p>\n Passaggio 1: crea il set di dati.<\/span><\/strong><\/p>\n Il codice seguente mostra come creare un set di dati contenente i risultati degli esami di tutti i 30 studenti:<\/span><\/p>\n Passaggio 2: visualizza i risultati dell’esame per ciascun gruppo.<\/span><\/strong><\/p>\n Il codice seguente mostra come produrre boxplot per visualizzare la distribuzione dei risultati degli esami per ciascun gruppo:<\/span> <\/p>\n Proprio dai box plot possiamo vedere che la distribuzione dei punteggi degli esami \u00e8 molto diversa per ciascuna tecnica di studio. Eseguiremo quindi un’ANOVA unidirezionale per determinare se queste differenze sono statisticamente significative.<\/span><\/p>\n Correlati:<\/strong> Come tracciare pi\u00f9 box plot in un singolo grafico in R<\/a><\/span><\/p>\n Passaggio 3: eseguire un’ANOVA unidirezionale.<\/span><\/strong><\/p>\n Il codice seguente mostra come eseguire un’ANOVA unidirezionale per verificare le differenze tra i punteggi medi degli esami in ciascun gruppo:<\/span><\/p>\n Poich\u00e9 il valore p complessivo ( 0,0476<\/strong> ) \u00e8 inferiore a 0,05, ci\u00f2 indica che ciascun gruppo non ha lo stesso punteggio medio dell’esame. Successivamente, eseguiremo il test Dunnett per determinare quale tecnica di studio produce punteggi medi degli esami che differiscono da quelli del gruppo di controllo.<\/span><\/p>\n Passaggio 4: eseguire il test di Dunnett.<\/span><\/strong><\/p>\n Per eseguire il test Dunnett in R possiamo utilizzare la funzione DunnettTest()<\/strong> della libreria DescTools<\/strong> che utilizza la seguente sintassi:<\/span><\/p>\n Test di Dunnett(x, g)<\/strong><\/span><\/p>\n<\/blockquote>\n Oro:<\/span><\/p>\n Il codice seguente mostra come utilizzare questa funzione per il nostro esempio:<\/span><\/p>\n Il modo di interpretare il risultato \u00e8 il seguente:<\/span><\/p>\n Sulla base dei risultati, possiamo vedere che lo studio della Tecnica 2 \u00e8 l’unica tecnica che produce punteggi medi degli esami significativamente (p = 0,0296) diversi da quelli del gruppo di controllo.<\/span><\/p>\n Un’introduzione all’ANOVA unidirezionale<\/a> Un test post hoc \u00e8 un tipo di test eseguito a seguito di un’ANOVA per determinare quali medie di gruppo differiscono l’una dall’altra in modo statisticamente significativo. Se uno dei gruppi di studio \u00e8 considerato il gruppo di controllo , allora dovremmo utilizzare il test di Dunnett come test post-hoc. Questo tutorial spiega come eseguire […]<\/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 Dunnett in R<\/strong><\/span><\/h3>\n
\n
#create data frame<\/span>\ndata <- data.frame(technique = rep<\/span> (c(\"control\", \"new1\", \"new2\"), each<\/span> = 10<\/span> ),\n score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89,\n 81, 82, 83, 83, 83, 84, 87, 90, 92, 93,\n 77, 78, 79, 88, 89, 90, 91, 95, 95, 98))\n\n#view first six rows of data frame<\/span>\nhead(data)\n\n technical score\n1 control 76\n2 controls 77\n3 controls 77\n4 controls 81\n5 controls 82\n6 controls 82\n<\/strong><\/pre>\n boxplot(score ~ technique,\n data = data,\n main = \"Exam Scores by Studying Technique\",\n xlab = \"Studying Technique\",\n ylab = \"Exam Scores\",\n col = \"steelblue\",\n border = \"black\")\n<\/strong><\/pre>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dunnettsr.png\")
<\/p>\n #fit the one-way ANOVA model<\/span>\nmodel <- aov(score ~ technique, data = data)\n\n#view model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 211.5 105.73 3.415 0.0476 *\nResiduals 27 836.0 30.96 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n\n
\n
#load DescTools library<\/span>\nlibrary(DescTools)\n\n#perform Dunnett's Test\n<\/span>DunnettTest(x=data$score, g=data$technique)\n\n Dunnett's test for comparing several treatments with a control: \n 95% family-wise confidence level\n\n$control\n diff lwr.ci upr.ci pval \nnew1-control 4.2 -1.6071876 10.00719 0.1787 \nnew2-control 6.4 0.5928124 12.20719 0.0296 * \n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1' '1.' 0.1 ' ' 1<\/strong><\/pre>\n\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire l’ANOVA unidirezionale in R<\/a>
Come eseguire il test di Tukey in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"