R ဖြင့် eta နှစ်ထပ်ကိန်း တွက်နည်း

Eta နှစ်ထပ်ကိန်း သည် ANOVA မော်ဒယ်များတွင် အသုံးများသော အကျိုးသက်ရောက်မှုအရွယ်အစား အတိုင်းအတာတစ်ခုဖြစ်သည်။

၎င်းသည် ANOVA မော်ဒယ်တွင် ပင်မအကျိုးသက်ရောက်မှုနှင့် အပြန်အလှန်အကျိုးသက်ရောက်မှုတစ်ခုစီနှင့် ဆက်စပ်နေသော ကွဲလွဲမှုအချိုးအစားကို တိုင်းတာပြီး အောက်ပါအတိုင်း တွက်ချက်သည်-

Eta နှစ်ထပ်ကိန်း = SS _{အကျိုးသက်ရောက်မှု} / _{စုစုပေါင်း} SS

ရွှေ-

• SS _Effect : ကိန်းရှင်တစ်ခုအတွက် အကျိုးသက်ရောက်မှုတစ်ခု၏ နှစ်ထပ်ကိန်းများ။
• _{စုစုပေါင်း} SS- ANOVA မော်ဒယ်ရှိ စုစုပေါင်းစတုရန်းများ။

Eta နှစ်ထပ်ကိန်း၏တန်ဖိုးသည် 0 မှ 1 အထိရှိပါသည်၊ 1 နှင့်ပိုမိုနီးစပ်သောတန်ဖိုးများသည် မော်ဒယ်ရှိပေးထားသည့် variable ဖြင့်ရှင်းပြနိုင်သည့်ပိုမိုမြင့်မားသောကွဲလွဲမှုအချိုးအစားကိုဖော်ပြသည်။

အောက်ဖော်ပြပါ လက်မ၏ စည်းမျဉ်းများကို Eta နှစ်ထပ်တန်ဖိုးများကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် အသုံးပြုသည်-

• .01: သေးငယ်သောအကျိုးသက်ရောက်မှုအရွယ်အစား
• .06: ပျမ်းမျှအကျိုးသက်ရောက်မှုအရွယ်အစား
• .14 သို့မဟုတ် ထို့ထက်ကြီးသည်- ကြီးမားသောအကျိုးသက်ရောက်မှုအရွယ်အစား

ဤသင်ခန်းစာသည် R ရှိ ANOVA မော်ဒယ်ရှိ variable များအတွက် Eta နှစ်ထပ်ကိန်းများကို တွက်ချက်နည်း အဆင့်ဆင့် ဥပမာကို ပေးပါသည်။

အဆင့် 1: ဒေတာကိုဖန်တီးပါ။

လေ့ကျင့်ခန်း ပြင်းထန်မှုနှင့် လိင်မှုရေးရာ အကျိုးသက်ရောက်မှုရှိမရှိ ဆုံးဖြတ်ရန်လိုသည်ဆိုကြပါစို့။

၎င်းကို စမ်းသပ်ရန်အတွက် တစ်လတာ လေ့ကျင့်ခန်းမလုပ်ဘဲ ပေါ့ပေါ့ပါးပါး လေ့ကျင့်ခန်း သို့မဟုတ် ပြင်းထန်သော လေ့ကျင့်ခန်းအစီအစဉ်ကို လိုက်နာရန် တစ်ဦးလျှင် 10 ဦးကို ကျပန်းသတ်မှတ်ပေးသည့် စမ်းသပ်မှုတွင် ပါဝင်ရန် အမျိုးသား အယောက် 30 နှင့် အမျိုးသမီး 30 ဦးတို့ကို စုဆောင်းထားပါသည်။

အောက်ပါကုဒ်သည် ကျွန်ုပ်တို့နှင့် လုပ်ဆောင်နေသော ဒေတာကို ထိန်းသိမ်းရန် ဒေတာဘောင်တစ်ခု ဖန်တီးနည်းကို ပြသသည်-

 #make this example reproducible
set.seed(10)

#create data frame
data <- data.frame(gender= rep (c(" Male ", " Female "), each = 30),
                   exercise= rep (c(" None ", " Light ", "Intense"), each = 10, times =2),
                   weight_loss=c(runif(10, -3, 3), runif(10, 0, 5), runif(10, 5, 9),
                                 runif(10, -4, 2), runif(10, 0, 3), runif(10, 3, 8)))

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

# gender exercise weight_loss
#1 Male None 0.04486922
#2 Male None -1.15938896
#3 Male None -0.43855400
#4 Male None 1.15861249
#5 Male None -2.48918419
#6 Male None -1.64738030

#see how many participants are in each group
table(data$gender, data$exercise)

# Intense Light None
# Female 10 10 10
# Male 10 10 10

အဆင့် 2- ANOVA မော်ဒယ်ကို အံကိုက်လုပ်ပါ။

အောက်ဖော်ပြပါ ကုဒ်သည် တုံ့ပြန်မှုပုံစံပြောင်းလဲသည့် အတိုင်း လေ့ကျင့်ခန်းနှင့် ကျား၊မ တို့ကို အသုံးပြု၍ နှစ်လမ်းသွား ANOVA နှင့် အံဝင်ခွင်ကျဖြစ်ပုံကို ပြသည်-

 #fit the two-way ANOVA model
model <- aov(weight_loss ~ gender + exercise, data = data)

#view the model output
summary(model)

            Df Sum Sq Mean Sq F value Pr(>F)    
gender 1 15.8 15.80 9.916 0.00263 ** 
exercise 2 505.6 252.78 158.610 < 2nd-16 ***
Residuals 56 89.2 1.59       

အဆင့် 3- Eta နှစ်ထပ်ကို တွက်ချက်ပါ။

lsr ပက်ကေ့ခ်ျမှ etaSquared() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ ကျွန်ုပ်တို့၏မော်ဒယ်ရှိ ကိန်းရှင်တစ်ခုစီအတွက် Eta နှစ်ထပ်အကျိုးသက်ရောက်မှုအရွယ်အစားကို တွက်ချက်နိုင်သည်-

 #load lsr package
library (lsr)

#calculate Eta Squared
etaSquared(model)

            eta.sq eta.sq.part
gender 0.0258824 0.1504401
exercise 0.8279555 0.8499543

လိင်နှင့်လေ့ကျင့်ခန်းအတွက် Eta နှစ်ထပ်ကိန်းသည် အောက်ပါအတိုင်းဖြစ်သည်။

• လိင်အတွက် Eta နှစ်ထပ်ကိန်း- 0.0258824
• လေ့ကျင့်ခန်းအတွက် Eta နှစ်ထပ်ကိန်း- 0.8279555

လေ့ကျင့်ခန်းအတွက် အကျိုးသက်ရောက်မှု အရွယ်အစားသည် အလွန်ကြီးမားသည်ဟု ကျွန်ုပ်တို့ ကောက်ချက်ချရပေမည်။

ဤရလဒ်များသည် ANOVA ဇယားရလဒ်တွင်ပြသထားသော p တန်ဖိုးများနှင့် ကိုက်ညီပါသည်။ လေ့ကျင့်ခန်းအတွက် p-value (<0.000) သည် p-value for gender (0.00263) ထက် များစွာသေးငယ်သည်၊ လေ့ကျင့်ခန်းသည် ကိုယ်အလေးချိန်ကျခြင်းကို ခန့်မှန်းရာတွင် ပို၍အရေးပါကြောင်း ညွှန်ပြပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ပါသင်ခန်းစာများသည် R တွင် မတူညီသော ANOVA မော်ဒယ်များနှင့် အံဝင်ခွင်ကျဖြစ်ပုံကို ရှင်းပြထားသည်။

တစ်လမ်းမောင်း ANOVA ကို R ဖြင့် မည်သို့လုပ်ဆောင်ရမည်နည်း။
R ဖြင့် နှစ်လမ်းသွား ANOVA ကို မည်သို့လုပ်ဆောင်ရမည်နည်း
R ဖြင့် ANOVA ထပ်ခါတလဲလဲတိုင်းတာနည်း