R တွင် dunnett ၏စမ်းသပ်မှုကိုမည်သို့လုပ်ဆောင်ရမည်နည်း။

Post hoc test သည် မည်သည့်အဖွဲ့၏ အဓိပ္ပါယ်သည် တစ်ခုနှင့်တစ်ခု ကိန်းဂဏန်းအရ သိသာထင်ရှားစွာ ကွာခြားသည်ကို ဆုံးဖြတ်ရန် ANOVA ပြီးနောက် လုပ်ဆောင်သော စမ်းသပ်မှုအမျိုးအစားတစ်ခုဖြစ်သည်။

လေ့လာမှုအုပ်စုများထဲမှ တစ်ခုကို ထိန်းချုပ်ရေးအဖွဲ့ ဟု ယူဆပါက၊ ကျွန်ုပ်တို့သည် Dunnett ၏စမ်းသပ်မှုကို post-hoc စမ်းသပ်မှုအဖြစ် အသုံးပြုသင့်သည်။

ဤသင်ခန်းစာတွင် Dunnett စာမေးပွဲကို R တွင် မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- R တွင် Dunnett စမ်းသပ်မှု

လေ့လာမှုအသစ်နှစ်ခုသည် ကျောင်းသားများ၏ စာမေးပွဲရမှတ်များကို တိုးတက်စေမည့် အလားအလာရှိမရှိ ဆရာတစ်ဦးမှ သိချင်သည်ဆိုပါစို့။ ၎င်းကိုစမ်းသပ်ရန်၊ သူမ၏အတန်းတွင် ကျောင်းသား 30 ကို အောက်ဖော်ပြပါ အုပ်စုသုံးစုဖြင့် ကျပန်းခွဲသည်။

• ထိန်းချုပ်ရေးအဖွဲ့- ကျောင်းသား ၁၀ ဦး
• နည်းပညာလေ့လာမှုအသစ် 1: 10 ကျောင်းသား
• နည်းပညာလေ့လာမှုအသစ် 2: 10 ကျောင်းသား

၎င်းတို့၏ သတ်မှတ်ထားသော လေ့လာမှုနည်းစနစ်ကို အသုံးပြုပြီး တစ်ပတ်အကြာတွင် ကျောင်းသားတစ်ဦးစီသည် တူညီသောစာမေးပွဲကို ဖြေဆိုကြသည်။

ဒေတာအတွဲတစ်ခုဖန်တီးရန်၊ အုပ်စု၏နည်းလမ်းကိုမြင်ယောင်ရန်၊ တစ်ကြောင်း ANOVA လုပ်ဆောင်ရန်နှင့် နောက်ဆုံးတွင် မည်သည့်လေ့လာမှုနည်းပညာအသစ် (ရှိပါက) သည် ထိန်းချုပ်မှုအဖွဲ့နှင့် နှိုင်းယှဉ်ခြင်းဖြင့် ကွဲပြားသောရလဒ်များကိုထုတ်ပေးကြောင်း ဆုံးဖြတ်ရန် R တွင် အောက်ပါအဆင့်များကို ကျွန်ုပ်တို့အသုံးပြုနိုင်ပါသည်။ .

အဆင့် 1: ဒေတာအတွဲကို ဖန်တီးပါ။

အောက်ပါကုဒ်သည် ကျောင်းသား 30 ဦးလုံး၏ စာမေးပွဲရလဒ်များပါရှိသော ဒေတာအတွဲတစ်ခုကို ဖန်တီးနည်းကို ပြသသည်-

 #create data frame
data <- data.frame(technique = rep (c("control", "new1", "new2"), each = 10 ),
                   score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89,
                             81, 82, 83, 83, 83, 84, 87, 90, 92, 93,
                             77, 78, 79, 88, 89, 90, 91, 95, 95, 98))

#view first six rows of data frame
head(data)

  technical score
1 control 76
2 controls 77
3 controls 77
4 controls 81
5 controls 82
6 controls 82

အဆင့် 2- အုပ်စုတစ်ခုစီအတွက် စာမေးပွဲရလဒ်များကို ကြည့်ပါ။

အုပ်စုတစ်ခုစီအတွက် စာမေးပွဲရလဒ်များ ဖြန့်ဝေမှုကို မြင်သာစေရန် boxplots များကို မည်သို့ထုတ်လုပ်ရမည်ကို အောက်ပါကုဒ်တွင် ပြသသည်-

 boxplot(score ~ technique,
        data = data,
        main = "Exam Scores by Studying Technique",
        xlab = "Studying Technique",
        ylab = "Exam Scores",
        col = "steelblue",
        border = "black")

အကွက်ကွက်များမှနေ၍ စာမေးပွဲရမှတ်များ ခွဲဝေမှုသည် လေ့လာမှုနည်းပညာတစ်ခုစီအတွက် အလွန်ကွာခြားသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။ ထို့နောက် ဤကွဲပြားမှုများသည် စာရင်းအင်းအရ သိသာထင်ရှားမှုရှိမရှိ ဆုံးဖြတ်ရန် တစ်လမ်းသွား ANOVA ကို လုပ်ဆောင်ပါမည်။

ဆက်စပ်- R ဖြင့် ဇယားကွက်တစ်ခုတွင် Multiple Box Plot များကို မည်သို့ဆွဲမည်နည်း။

အဆင့် 3- တစ်လမ်းမောင်း ANOVA လုပ်ဆောင်ပါ။

အုပ်စုတစ်ခုစီရှိ ပျမ်းမျှစာမေးပွဲရမှတ်များကြား မတူညီမှုများကို စမ်းသပ်ရန်အတွက် အောက်ပါကုဒ်သည် တစ်လမ်းသွား ANOVA ကို မည်သို့လုပ်ဆောင်ရမည်ကို ပြသသည်-

 #fit the one-way ANOVA model
model <- aov(score ~ technique, data = data)

#view model output
summary(model)

            Df Sum Sq Mean Sq F value Pr(>F)  
technical 2 211.5 105.73 3.415 0.0476 *
Residuals 27 836.0 30.96                 
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

အလုံးစုံ p-တန်ဖိုး ( 0.0476 ) သည် 0.05 ထက်နည်းသောကြောင့်၊ အုပ်စုတစ်ခုစီတွင် တူညီသောပျမ်းမျှစာမေးပွဲရမှတ်မရှိခြင်းကို ညွှန်ပြသည်။ ထို့နောက်၊ ထိန်းချုပ်မှုအဖွဲ့မှ ကွာခြားသည့် ပျမ်းမျှစာမေးပွဲရမှတ်များကို မည်သည့်လေ့လာမှုနည်းပညာမှထုတ်ပေးသည်ကို ဆုံးဖြတ်ရန် Dunnett စာမေးပွဲကို ကျွန်ုပ်တို့လုပ်ဆောင်ပါမည်။

အဆင့် 4: Dunnett စမ်းသပ်မှုကိုလုပ်ဆောင်ပါ။

R တွင် Dunnett စမ်းသပ်မှုကို လုပ်ဆောင်ရန် အောက်ပါ syntax ကိုအသုံးပြုသည့် DescTools စာကြည့်တိုက်မှ DunnettTest() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

Dunnett စမ်းသပ်မှု(x၊ g)

ရွှေ-

• x- ဒေတာတန်ဖိုးများ၏ ကိန်းဂဏာန်း vector တစ်ခု (ဥပမာ စာမေးပွဲရလဒ်များ)
• g- အုပ်စုများ၏အမည်များကိုသတ်မှတ်ပေးသော vector တစ်ခု (ဥပမာ-လေ့လာမှုနည်းပညာ)

အောက်ပါကုဒ်သည် ကျွန်ုပ်တို့၏ ဥပမာအတွက် ဤလုပ်ဆောင်ချက်ကို အသုံးပြုနည်းကို ပြသသည်-

 #load DescTools library
library(DescTools)

#perform Dunnett's Test
DunnettTest(x=data$score, g=data$technique)

  Dunnett's test for comparing several treatments with a control:  
    95% family-wise confidence level

$control
             diff lwr.ci upr.ci pval    
new1-control 4.2 -1.6071876 10.00719 0.1787    
new2-control 6.4 0.5928124 12.20719 0.0296 *  

---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1' '1.' 0.1 ' ' 1

ရလဒ်ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် နည်းလမ်းမှာ အောက်ပါအတိုင်းဖြစ်သည်။

• လေ့လာမှုနည်းလမ်းသစ် 1 နှင့် ထိန်းချုပ်မှုအဖွဲ့ကြား စာမေးပွဲရမှတ်များ၏ ပျမ်းမျှကွာခြားချက်မှာ 4.2 ဖြစ်သည်။ သက်ဆိုင်ရာ p-value သည် 0.1787 ဖြစ်သည်။
• လေ့လာမှုနည်းလမ်းသစ် 2 နှင့် ထိန်းချုပ်မှုအဖွဲ့ကြား စာမေးပွဲရမှတ်များ၏ ပျမ်းမျှကွာခြားချက်မှာ 6.4 ဖြစ်သည်။ သက်ဆိုင်ရာ p-တန်ဖိုးသည် 0.0296 ဖြစ်သည်။

ရလဒ်များအပေါ် အခြေခံ၍ Technique 2 ကိုလေ့လာခြင်းသည် ထိန်းချုပ်မှုအဖွဲ့နှင့် သိသိသာသာ (p = 0.0296) ကွာခြားသည့် ပျမ်းမျှစာမေးပွဲရမှတ်များကို ထုတ်ပေးသည့် တစ်ခုတည်းသောနည်းလမ်းဖြစ်ကြောင်း ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

One-Way ANOVA မိတ်ဆက်
တစ်လမ်းမောင်း ANOVA ကို R ဖြင့် မည်သို့လုပ်ဆောင်ရမည်နည်း။
R တွင် Tukey စမ်းသပ်မှုပြုလုပ်နည်း