<\/p>\n
Un’ANOVA a tre vie<\/strong> viene utilizzata per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o pi\u00f9 gruppi indipendenti distribuiti su tre fattori.<\/span><\/p>\n L’esempio seguente mostra come eseguire un’ANOVA a tre vie in R.<\/span><\/p>\n 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.<\/span><\/p>\n 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.<\/span><\/p>\n Il suo obiettivo \u00e8 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.<\/span><\/p>\n Seguire i seguenti passaggi per eseguire questa ANOVA a tre vie in R:<\/span><\/p>\n Passaggio 1: creare i dati<\/strong><\/span><\/p>\n Innanzitutto, creiamo un data frame per contenere i dati:<\/span><\/p>\n Passaggio 2: visualizza le statistiche descrittive<\/strong><\/span><\/p>\n Prima di eseguire l’ANOVA a tre vie, possiamo utilizzare dplyr<\/a> per riassumere rapidamente l’aumento medio dell’altezza del salto raggruppato per programma di allenamento, genere e divisione:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n E cos\u00ec via.<\/span><\/p>\n Passaggio 3: eseguire l’ANOVA a tre vie<\/strong><\/span><\/p>\n Successivamente, possiamo utilizzare la funzione aov()<\/strong> per eseguire l’ANOVA a tre vie:<\/span><\/p>\n La colonna Pr(>F)<\/strong> mostra il valore p per ogni singolo fattore e le interazioni tra i fattori.<\/span><\/p>\n Dai risultati possiamo vedere che nessuna delle interazioni tra i tre fattori era statisticamente significativa.<\/span><\/p>\n Possiamo anche vedere che ciascuno dei tre fattori \u2013 programma, genere e divisione \u2013 era statisticamente significativo.<\/span><\/p>\n Ora possiamo utilizzare nuovamente dplyr per trovare separatamente l’aumento medio dell’altezza del salto per programma, genere e divisione:<\/span><\/p>\n Dal risultato possiamo osservare quanto segue:<\/span><\/p>\n In conclusione, diremmo che il programma di allenamento, il genere e la divisione sono tutti indicatori significativi dell\u2019aumento dell\u2019altezza di salto nei giocatori.<\/span><\/p>\n Diremmo anche che non ci sono effetti di interazione significativi tra questi tre fattori.<\/span><\/p>\n I seguenti tutorial spiegano come adattare altri modelli ANOVA in R:<\/span><\/p>\n Come eseguire l’ANOVA unidirezionale in R<\/a> Un’ANOVA a tre vie viene utilizzata per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o pi\u00f9 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 […]<\/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: ANOVA a tre vie in R<\/strong><\/span><\/h2>\n
#create dataset\n<\/span>df <- data. frame<\/span> (program=rep(c(1, 2), each= 20<\/span> ),\n gender=rep(c(' M<\/span> ', ' F<\/span> '), each= 10<\/span> , times= 2<\/span> ),\n division=rep(c(1, 2), each= 5<\/span> , times= 4<\/span> ),\n height=c(7, 7, 8, 8, 7, 6, 6, 5, 6, 5,\n 5, 5, 4, 5, 4, 3, 3, 4, 3, 3,\n 6, 6, 5, 4, 5, 4, 5, 4, 4, 3,\n 2, 2, 1, 4, 4, 2, 1, 1, 2, 1)) \n\n#view first six rows of dataset\n<\/span>head(df)\n\n program gender division height\n1 1 M 1 7\n2 1 M 1 7\n3 1 M 1 8\n4 1 M 1 8\n5 1 M 1 7\n6 1 M 2 6<\/strong><\/pre>\n library<\/span> (dplyr)\n\n#calculate mean jumping height increase grouped by program, gender, and division\n<\/span>df %>%\n group_by(program, gender, division) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 8 x 4\n# Groups: program, gender [4]\n program gender division mean_height\n \n1 1 F 1 4.6\n2 1 F 2 3.2\n3 1 M 1 7.4\n4 1 M 2 5.6\n5 2 F 1 2.6\n6 2 F 2 1.4\n7 2 M 1 5.2\n8 2 M 2 4 \n<\/strong><\/pre>\n\n
#perform three-way ANOVA<\/span>\nmodel <- aov(height ~ program * gender * division, data=df)\n\n#view summary of three-way ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 1 36.1 36.10 65.636 2.98e-09 ***\ngender 1 67.6 67.60 122.909 1.71e-12 ***\ndivision 1 19.6 19.60 35.636 1.19e-06 ***\nprogram:gender 1 0.0 0.00 0.000 1.000 \nprogram:division 1 0.4 0.40 0.727 0.400 \ngender:division 1 0.1 0.10 0.182 0.673 \nprogram:gender:division 1 0.1 0.10 0.182 0.673 \nResiduals 32 17.6 0.55 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n library<\/span> (dplyr)\n<\/span>\n#find mean jumping increase by program<\/span>\ndf %>%\n group_by(program) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n program mean_height\n \n1 1 5.2\n2 2 3.3\n\n#find mean jumping increase by gender\n<\/span>df %>%\n group_by(gender) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n gender mean_height\n \n1 F 2.95\n2M 5.55\n\n#find mean jumping increase by division\n<\/span>df %>%\ngroup_by(division) %>%\nsummarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n division mean_height\n \n1 1 4.95\n2 2 3.55<\/strong><\/pre>\n\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire l’ANOVA bidirezionale in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"