<\/p>\n
Il test di Friedman<\/strong> \u00e8 un’alternativa non parametrica all’ANOVA a misure ripetute. Viene utilizzato per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o pi\u00f9 gruppi in cui compaiono gli stessi soggetti in ciascun gruppo.<\/span><\/p>\n Questo tutorial spiega come eseguire il test di Friedman in R.<\/span><\/p>\n Per eseguire il test di Friedman in R possiamo utilizzare la funzione friedman.test()<\/strong> , che utilizza la seguente sintassi:<\/span><\/p>\n friedman.test (y, gruppi, blocchi)<\/span><\/strong><\/p>\n Oro:<\/span><\/p>\n Questa funzione produce una statistica del test Chi-quadrato e un valore p corrispondente. Se il valore p \u00e8 inferiore a un certo livello di significativit\u00e0 (le scelte comuni sono 0,10, 0,05 e 0,01), allora ci sono prove sufficienti che le medie tra ciascuno dei gruppi non sono uguali.<\/span><\/p>\n Per illustrare come utilizzare questa funzionalit\u00e0, creeremo un set di dati che mostra il tempo di reazione di cinque pazienti che assumono quattro diversi farmaci. Poich\u00e9 ogni paziente viene misurato su ciascuno dei quattro farmaci, utilizzeremo il test di Friedman per determinare se il tempo di reazione medio differisce tra i farmaci.<\/span><\/p>\n Per prima cosa creeremo il set di dati:<\/span><\/p>\n Successivamente, eseguiremo il test di Friedman utilizzando il punteggio<\/strong> come variabile di risposta, il farmaco<\/strong> come variabile di raggruppamento e la persona<\/strong> come variabile di blocco:<\/span><\/p>\n La statistica del test Chi-quadrato \u00e8 13,56<\/strong> e il corrispondente valore p \u00e8 0,00357<\/strong> . Poich\u00e9 questo valore p \u00e8 inferiore a 0,05, possiamo rifiutare l’ipotesi nulla secondo cui il tempo di risposta medio \u00e8 lo stesso per tutti e quattro i farmaci. Abbiamo prove sufficienti per concludere che il tipo di farmaco utilizzato determina differenze statisticamente significative nel tempo di risposta.<\/span><\/p>\n Sebbene un test di Friedman ci dica se ci sono differenze nei tempi di risposta medi tra i farmaci, non ci dice specificamente quali farmaci hanno tempi di risposta medi diversi. Per capirlo, dobbiamo eseguire test post-hoc.<\/span><\/p>\n Per un test di Friedman, il test post hoc appropriato \u00e8 il test della somma dei ranghi di Wilcoxon a coppie con una correzione di Bonferroni, che pu\u00f2 essere implementato utilizzando la seguente sintassi:<\/span><\/p>\n pairwise.wilcox.test(dati$punteggio, dati$drug, p.adj = \u201cbonf\u201d)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Ecco la sintassi che useremo per il nostro esempio:<\/span><\/p>\n Ci\u00f2 produce una matrice che mostra il valore p per ciascun test della somma dei ranghi di Wilcoxon a coppie. Possiamo vedere che gli unici gruppi di farmaci che hanno una differenza statisticamente significativa pari a 0,10 sono i gruppi 3 e 4 ( p = 0,072<\/strong> ).<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Il test di Friedman \u00e8 un’alternativa non parametrica all’ANOVA a misure ripetute. Viene utilizzato per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o pi\u00f9 gruppi in cui compaiono gli stessi soggetti in ciascun gruppo. Questo tutorial spiega come eseguire il test di Friedman in R. Esempio: il test […]<\/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: il test di Friedman in R<\/strong><\/h3>\n
\n
#create data<\/span>\ndata <- data.frame(person = rep(1:5, each=4),\n drug = rep(c(1, 2, 3, 4), times=5),\n score = c(30, 28, 16, 34, 14, 18, 10, 22, 24, 20,\n 18, 30, 38, 34, 20, 44, 26, 28, 14, 30))\n\n#view data<\/span>\ndata\n\n person drug score\n1 1 1 30\n2 1 2 28\n3 1 3 16\n4 1 4 34\n5 2 1 14\n6 2 2 18\n7 2 3 10\n8 2 4 22\n9 3 1 24\n10 3 2 20\n11 3 3 18\n12 3 4 30\n13 4 1 38\n14 4 2 34\n15 4 3 20\n16 4 4 44\n17 5 1 26\n18 5 2 28\n19 5 3 14\n20 5 4 30\n<\/strong><\/pre>\n #perform Friedman Test<\/span>\nfriedman.test(y=data$score, groups=data$drug, blocks=data$person)\n\n\tFriedman rank sum test\n\ndata: data$score, data$drug and data$person\nFriedman chi-squared = 13.56, df = 3, p-value = 0.00357\n<\/strong><\/pre>\n\n
<\/span><\/li>\n<\/ul>\n #perform post-hoc tests<\/span>\npairwise.wilcox.test(data$score, data$drug, p.adj = \"bonf\")\n\tPairwise comparisons using Wilcoxon rank sum test \n\ndata: data$score and data$drug \n\n 1 2 3 \n2 1,000 - - \n3 0.449 0.210 - \n4 1,000 1,000 0.072\n\nP value adjustment method: bonferroni \n<\/strong><\/pre>\n