R에서 3원 분산분석을 수행하는 방법
3원 ANOVA는 세 가지 요인에 걸쳐 분포된 세 개 이상의 독립 그룹의 평균 간에 통계적으로 유의미한 차이가 있는지 여부를 확인하는 데 사용됩니다.
다음 예에서는 R에서 3원 ANOVA를 수행하는 방법을 보여줍니다.
예: R의 삼원 분산분석
연구자가 두 가지 훈련 프로그램이 대학 농구 선수들 사이에서 점프 높이의 평균 향상으로 이어지는지 여부를 확인하려고 한다고 가정해 보겠습니다.
연구원은 성별과 부문(디비전 I 또는 II)도 점프 높이에 영향을 미칠 수 있다고 의심하며, 이것이 그가 이러한 요인에 대한 데이터도 수집하는 이유입니다.
그의 목표는 훈련 프로그램, 성별, 부문이 점프 높이에 어떤 영향을 미치는지 확인하기 위해 3원 분산 분석을 수행하는 것입니다.
R에서 이 3원 분산 분석을 수행하려면 다음 단계를 따르십시오.
1단계: 데이터 생성
먼저 데이터를 보관할 데이터 프레임을 만들어 보겠습니다.
#create dataset df <- data. frame (program=rep(c(1, 2), each= 20 ), gender=rep(c(' M ', ' F '), each= 10 , times= 2 ), division=rep(c(1, 2), each= 5 , times= 4 ), height=c(7, 7, 8, 8, 7, 6, 6, 5, 6, 5, 5, 5, 4, 5, 4, 3, 3, 4, 3, 3, 6, 6, 5, 4, 5, 4, 5, 4, 4, 3, 2, 2, 1, 4, 4, 2, 1, 1, 2, 1)) #view first six rows of dataset head(df) program gender division height 1 1 M 1 7 2 1 M 1 7 3 1 M 1 8 4 1 M 1 8 5 1 M 1 7 6 1 M 2 6
2단계: 기술 통계 보기
3원 분산 분석을 수행하기 전에 dplyr을 사용하여 훈련 프로그램, 성별 및 부문별로 그룹화된 평균 점프 높이 증가를 빠르게 요약할 수 있습니다.
library (dplyr) #calculate mean jumping height increase grouped by program, gender, and division df %>% group_by(program, gender, division) %>% summarize(mean_height = mean(height)) # A tibble: 8 x 4 # Groups: program, gender [4] program gender division mean_height 1 1 F 1 4.6 2 1 F 2 3.2 3 1 M 1 7.4 4 1 M 2 5.6 5 2 F 1 2.6 6 2 F 2 1.4 7 2 M 1 5.2 8 2 M 2 4
결과를 해석하는 방법은 다음과 같습니다.
- 훈련 프로그램 1을 사용한 Division I 여성의 평균 점프 높이 증가는 4.6인치 였습니다.
- 훈련 프로그램 1을 사용한 Division II 여성의 평균 점프 높이 증가는 3.2인치 였습니다.
- 훈련 프로그램 1을 사용한 Division I 남성의 평균 점프 높이 증가는 7.4인치 였습니다.
등등.
3단계: 3원 분산분석 수행
다음으로 aov() 함수를 사용하여 3원 분산 분석을 수행할 수 있습니다.
#perform three-way ANOVA model <- aov(height ~ program * gender * division, data=df) #view summary of three-way ANOVA summary(model) Df Sum Sq Mean Sq F value Pr(>F) program 1 36.1 36.10 65.636 2.98e-09 *** gender 1 67.6 67.60 122.909 1.71e-12 *** division 1 19.6 19.60 35.636 1.19e-06 *** program:gender 1 0.0 0.00 0.000 1.000 program:division 1 0.4 0.40 0.727 0.400 gender:division 1 0.1 0.10 0.182 0.673 program:gender:division 1 0.1 0.10 0.182 0.673 Residuals 32 17.6 0.55 --- Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Pr(>F) 열에는 각 개별 요인에 대한 p-값과 요인 간의 상호 작용이 표시됩니다.
결과를 보면, 세 가지 요인 간의 상호작용 중 어느 것도 통계적으로 유의미하지 않음을 알 수 있습니다.
또한 프로그램, 성별, 부문이라는 세 가지 요인이 각각 통계적으로 유의미하다는 것을 알 수 있습니다.
이제 dplyr을 다시 사용하여 프로그램, 성별 및 부문에 대한 평균 점프 높이 증가를 개별적으로 찾을 수 있습니다.
library (dplyr) #find mean jumping increase by program df %>% group_by(program) %>% summarize(mean_height = mean(height)) # A tibble: 2 x 2 program mean_height 1 1 5.2 2 2 3.3 #find mean jumping increase by gender df %>% group_by(gender) %>% summarize(mean_height = mean(height)) # A tibble: 2 x 2 gender mean_height 1 F 2.95 2M 5.55 #find mean jumping increase by division df %>% group_by(division) %>% summarize(mean_height = mean(height)) # A tibble: 2 x 2 division mean_height 1 1 4.95 2 2 3.55
결과에서 우리는 다음을 관찰할 수 있습니다.
- 훈련 프로그램 1을 사용한 개인의 평균 점프 높이 증가( 5.2인치 )는 훈련 프로그램 2를 사용한 개인의 평균 점프 높이 증가 (3.3인치 )보다 컸습니다.
- 남성의 평균 점프 높이 증가( 5.55인치 )는 여성의 평균 점프 높이 증가 (2.95인치 )보다 컸습니다.
- Division 1 선수의 평균 점프 높이 증가( 4.95인치 )는 Division 2 선수의 평균 점프 높이 증가 (3.55인치 )보다 컸습니다.
결론적으로, 훈련 프로그램, 성별, 부문은 모두 선수의 점프 높이 증가를 나타내는 중요한 지표라고 말할 수 있습니다.
또한 이 세 가지 요소 사이에는 유의미한 상호작용 효과가 없다고 말할 수 있습니다.
추가 리소스
다음 튜토리얼에서는 R에서 다른 ANOVA 모델을 맞추는 방법을 설명합니다.