<\/p>\n
Le funzioni aov()<\/strong> e anova()<\/strong> in R sembrano simili, ma in realt\u00e0 le utilizziamo in due scenari diversi.<\/span><\/p>\n Usiamo aov()<\/strong> quando vogliamo adattare un modello ANOVA e visualizzare i risultati in una tabella di riepilogo ANOVA.<\/span><\/p>\n Usiamo anova()<\/strong> quando vogliamo confrontare l’adattamento dei modelli di regressione nidificati per determinare se un modello di regressione con un certo insieme di coefficienti fornisce un adattamento significativamente migliore rispetto a un modello con solo un sottoinsieme di coefficienti.<\/span><\/p>\n Gli esempi seguenti mostrano come utilizzare nella pratica ciascuna funzione.<\/span><\/p>\n Supponiamo di voler eseguire un’ANOVA unidirezionale<\/a> per determinare se tre diversi programmi di esercizi hanno un impatto diverso sulla perdita di peso.<\/span><\/p>\n Reclutiamo 90 persone per partecipare a un esperimento in cui assegniamo casualmente 30 persone a seguire il Programma A, il Programma B o il Programma C per un mese.<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione aov()<\/strong> in R per eseguire questa ANOVA unidirezionale:<\/span><\/p>\n Dai risultati del modello, possiamo vedere che il valore p del programma (0,0000000000755) \u00e8 inferiore a 0,05, il che significa che esiste una differenza statisticamente significativa nella perdita di peso media tra i tre programmi.<\/span><\/p>\n Supponiamo di voler utilizzare il numero di ore studiate<\/strong> per prevedere i punteggi degli esami<\/strong> per gli studenti di un determinato college. Possiamo decidere di adattare i seguenti due modelli di regressione:<\/span><\/p>\n Modello completo:<\/strong> punteggio = \u03b2 0<\/sub> + B 1<\/sub> (ore) + B 2<\/sub> (ore) 2<\/sup><\/span><\/p>\n Modello ridotto:<\/strong> punteggio = \u03b2 0<\/sub> + B 1<\/sub> (ore)<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione anova()<\/strong> in R per eseguire un test di adattamento per determinare se il modello completo fornisce un adattamento significativamente migliore rispetto al modello ridotto:<\/span><\/p>\n Poich\u00e9 il valore p nella tabella di output (0,002144) \u00e8 inferiore a 0,05, possiamo rifiutare l’ipotesi nulla del test e concludere che il modello completo fornisce un adattamento migliore, statisticamente significativo, rispetto al modello ridotto.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come eseguire l’ANOVA unidirezionale in R<\/a> Le funzioni aov() e anova() in R sembrano simili, ma in realt\u00e0 le utilizziamo in due scenari diversi. Usiamo aov() quando vogliamo adattare un modello ANOVA e visualizzare i risultati in una tabella di riepilogo ANOVA. Usiamo anova() quando vogliamo confrontare l’adattamento dei modelli di regressione nidificati per determinare se un modello di regressione con […]<\/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 1: come utilizzare aov() in R<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (0)\n\n#create data frame\n<\/span>df <- data. frame<\/span> (program = rep(c(\"A\", \"B\", \"C\"), each= 30<\/span> ),\n weight_loss = c(runif(30, 0, 3),\n runif(30, 0, 5),\n runif(30, 1, 7)))\n\n#fit one-way anova using aov()\n<\/span>fit <- aov(weight_loss ~ program, data=df)\n\n#view results\n<\/span>summary(fit)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 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 Esempio 2: come utilizzare anova() in R<\/strong><\/span><\/h2>\n
#make this example reproducible\nset. seeds<\/span> (1)\n\n#create dataset\n<\/span>df <- data.frame(hours = runif(50, 5, 15), score=50)\ndf$score = df$score + df$hours^3\/150 + df$hours*runif(50, 1, 2)\n\n#view head of data\n<\/span>head(df)\n\n hours score\n1 7.655087 64.30191\n2 8.721239 70.65430\n3 10.728534 73.66114\n4 14.082078 86.14630\n5 7.016819 59.81595\n6 13.983897 83.60510\n\n#fit full model\n<\/span>full <- lm(score ~ poly(hours,2), data=df)\n\n#fit reduced model\n<\/span>reduced <- lm(score ~ hours, data=df)\n\n#perform lack of fit test using anova()\n<\/span>anova(full, reduced)\n\nAnalysis of Variance Table\n\nModel 1: score ~ poly(hours, 2)\nModel 2: score ~ hours\n Res.Df RSS Df Sum of Sq F Pr(>F) \n1 47 368.48 \n2 48 451.22 -1 -82.744 10.554 0.002144 **\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/span><\/span><\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire l’ANOVA bidirezionale in R<\/a>
Come eseguire l’ANOVA a misure ripetute in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"