R တွင် friedman စာမေးပွဲကိုမည်သို့လုပ်ဆောင်ရမည်နည်း။
Friedman စမ်းသပ်မှု သည် ANOVA ထပ်ခါတလဲလဲတိုင်းတာမှုများအတွက် parametric မဟုတ်သောအခြားရွေးချယ်စရာတစ်ခုဖြစ်သည်။ အုပ်စုတစ်ခုစီတွင် တူညီသောဘာသာရပ်များ ပေါ်လာသည့် အုပ်စုသုံးစု သို့မဟုတ် ထို့ထက်ပိုသော အုပ်စုများကြားတွင် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားမှု ရှိ၊ မရှိ ဆုံးဖြတ်ရန် ၎င်းကို အသုံးပြုသည်။
ဤသင်ခန်းစာတွင် Friedman စာမေးပွဲကို R တွင် မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။
ဥပမာ- R တွင် Friedman စာမေးပွဲ
R ဖြင့် Friedman စမ်းသပ်မှုကို လုပ်ဆောင်ရန်၊ အောက်ပါ syntax ကိုအသုံးပြုသည့် fryman.test() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။
fryman.test (y၊ အုပ်စုများ၊ ဘလောက်များ)
ရွှေ-
- y- တုံ့ပြန်မှုတန်ဖိုးများ၏ vector တစ်ခု။
- အုပ်စုများ- လေ့လာချက်တစ်ခုပိုင်ဆိုင်သည့် “အုပ်စု” ကို ညွှန်ပြသော တန်ဖိုးများ ကွက်ကွက်။
- ပိတ်ဆို့ခြင်း- “ပိတ်ဆို့ခြင်း” ကိန်းရှင်ကို ညွှန်ပြသော တန်ဖိုးများ ကွက်ကွက်။
ဤလုပ်ဆောင်ချက်သည် Chi-square စမ်းသပ်မှုကိန်းဂဏန်းနှင့် သက်ဆိုင်သော p-value ကိုထုတ်ပေးသည်။ p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက (အများအားဖြင့် ရွေးချယ်မှုများမှာ 0.10၊ 0.05 နှင့် 0.01) ဖြစ်ပါက၊ အုပ်စုတစ်ခုစီကြားရှိ အဓိပ္ပါယ်မှာ မညီမျှကြောင်း လုံလောက်သော အထောက်အထားရှိပါသည်။
ဤအင်္ဂါရပ်ကိုအသုံးပြုပုံကို သရုပ်ဖော်ရန်၊ မတူညီသောဆေးဝါးလေးမျိုးတွင် လူနာငါးဦး၏တုံ့ပြန်မှုအချိန်ကိုပြသသည့်ဒေတာအတွဲတစ်ခုကို ဖန်တီးပါမည်။ လူနာတစ်ဦးစီသည် ဆေးဝါးလေးမျိုးမှ တစ်ခုစီကို တိုင်းတာသောကြောင့်၊ ဆေးဝါးများကြား ပျမ်းမျှတုံ့ပြန်မှုအချိန်ကွာခြားခြင်းရှိမရှိ ဆုံးဖြတ်ရန် Friedman test ကို အသုံးပြုပါမည်။
ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် dataset ကိုဖန်တီးပါမည်-
#create data data <- data.frame(person = rep(1:5, each=4), drug = rep(c(1, 2, 3, 4), times=5), score = c(30, 28, 16, 34, 14, 18, 10, 22, 24, 20, 18, 30, 38, 34, 20, 44, 26, 28, 14, 30)) #view data data person drug score 1 1 1 30 2 1 2 28 3 1 3 16 4 1 4 34 5 2 1 14 6 2 2 18 7 2 3 10 8 2 4 22 9 3 1 24 10 3 2 20 11 3 3 18 12 3 4 30 13 4 1 38 14 4 2 34 15 4 3 20 16 4 4 44 17 5 1 26 18 5 2 28 19 5 3 14 20 5 4 30
ထို့နောက်၊ ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုမပြောင်းလဲနိုင်သော၊ ဆေးဝါး အုပ်စုကွဲကိန်းအဖြစ်နှင့် လူကို ပိတ်ဆို့သည့်ကိန်းရှင်အဖြစ် ရမှတ်ကို အသုံးပြု၍ Friedman စမ်းသပ်မှုကို လုပ်ဆောင်ပါမည်။
#perform Friedman Test
friedman.test(y=data$score, groups=data$drug, blocks=data$person)
Friedman rank sum test
data: data$score, data$drug and data$person
Friedman chi-squared = 13.56, df = 3, p-value = 0.00357
Chi-square စမ်းသပ်မှုကိန်းဂဏန်းသည် 13.56 ဖြစ်ပြီး သက်ဆိုင်ရာ p-value သည် 0.00357 ဖြစ်သည်။ ဤ p-value သည် 0.05 ထက်နည်းသောကြောင့်၊ ဆေးဝါးလေးခုလုံးအတွက် ပျမ်းမျှတုံ့ပြန်ချိန်သည် တူညီသည်ဟူသော null hypothesis ကို ငြင်းပယ်နိုင်ပါသည်။ အသုံးပြုသည့်ဆေးဝါးအမျိုးအစားသည် တုံ့ပြန်မှုအချိန်အတွင်း ကိန်းဂဏန်းအချက်အလတ်ပိုင်းခြားနားချက်များကို ဖြစ်ပေါ်စေကြောင်း ကောက်ချက်ချရန် လုံလောက်သောအထောက်အထားရှိသည်။
Friedman စမ်းသပ်မှုတစ်ခုသည် ဆေးဝါးများကြား ပျမ်းမျှတုံ့ပြန်မှုအကြိမ်ရေ ကွာခြားမှုရှိမရှိကို ပြောပြသော်လည်း မည်သည့်ဆေးများသည် ပျမ်းမျှတုံ့ပြန်မှုအကြိမ်များ ကွဲပြားသည်ကို အတိအကျ မပြောနိုင်ပါ။ ဒါကိုနားလည်ဖို့၊ ကျွန်ုပ်တို့ဟာ post-hoc testing လုပ်ဖို့လိုအပ်ပါတယ်။
Friedman စမ်းသပ်မှုတစ်ခုအတွက်၊ သင့်လျော်သော post hoc စမ်းသပ်မှုသည် Bonferroni တည့်မတ်မှုဖြင့် pairwise Wilcoxon အဆင့်စမ်းသပ်မှုဖြစ်ပြီး၊ အောက်ပါ syntax ကိုအသုံးပြု၍ အကောင်အထည်ဖေါ်နိုင်သည်-
pairwise.wilcox.test(data$score၊ data$drug၊ p.adj = “bonf”)
ရွှေ-
- x: တုံ့ပြန်မှု vector
- g- vector အုပ်စုဖွဲ့ခြင်း။
- p.adj: p-value ချိန်ညှိမှုနည်းလမ်း; ရွေးချယ်မှုများတွင် holm၊ hochberg၊ hommel၊ bonferroni၊ BH၊ BY၊ fdr နှင့် none
ဤသည်မှာ ကျွန်ုပ်တို့၏ ဥပမာအတွက် အသုံးပြုမည့် syntax ဖြစ်သည်။
#perform post-hoc tests
pairwise.wilcox.test(data$score, data$drug, p.adj = "bonf")
Pairwise comparisons using Wilcoxon rank sum test
data: data$score and data$drug
1 2 3
2 1,000 - -
3 0.449 0.210 -
4 1,000 1,000 0.072
P value adjustment method: bonferroni
၎င်းသည် pairwise Wilcoxon အဆင့် sum test တစ်ခုစီအတွက် p-value ကိုပြသသည့် matrix ကိုထုတ်ပေးသည်။ 0.10 တွင် စာရင်းအင်းအရ သိသာထင်ရှားသော ခြားနားချက်ရှိသော တစ်ခုတည်းသော ဆေးအုပ်စုများမှာ အုပ်စု 3 နှင့် 4 ( p = 0.072 ) ဖြစ်သည် ။