We gebruiken tweerichtings-ANOVA als we willen weten of twee specifieke factoren een bepaalde responsvariabele be\u00efnvloeden.<\/span><\/p>\n Soms is er echter sprake van een interactie-effect<\/strong> tussen de twee factoren, wat van invloed kan zijn op de manier waarop we de relatie tussen de factoren en de responsvariabele interpreteren.<\/span><\/p>\n We willen bijvoorbeeld weten of de factoren (1) lichaamsbeweging<\/em> en (2) seks<\/em> de responsvariabele gewichtsverlies<\/em> be\u00efnvloeden. Hoewel het mogelijk is dat beide factoren het gewichtsverlies be\u00efnvloeden, is het ook mogelijk dat ze met elkaar interageren.<\/span><\/p>\n Het is bijvoorbeeld mogelijk dat lichaamsbeweging bij mannen en vrouwen in een verschillend tempo gewichtsverlies veroorzaakt. In dit geval is er sprake van een interactie-effect tussen lichaamsbeweging en geslacht.<\/span><\/p>\n De eenvoudigste manier om interactie-effecten tussen twee factoren te detecteren en te begrijpen, is door een interactiegrafiek<\/strong> te gebruiken.<\/span><\/p>\n Dit is een type plot dat de gepaste waarden van een responsvariabele op de y-as en de waarden van de eerste factor op de x-as weergeeft. Ondertussen vertegenwoordigen de lijnen in de grafiek de waarden van de tweede interessante factor.<\/span> <\/p>\n In deze tutorial wordt uitgelegd hoe u een interactieplot in R maakt en interpreteert.<\/span><\/p>\n Laten we zeggen dat onderzoekers willen bepalen of de trainingsintensiteit en het geslacht invloed hebben op het gewichtsverlies. Om dit te testen, rekruteerden ze 30 mannen en 30 vrouwen om deel te nemen aan een experiment waarbij ze willekeurig 10 van hen een maand lang een programma zonder oefeningen, lichte oefeningen of intensieve oefeningen lieten volgen.<\/span><\/p>\n Gebruik de volgende stappen om een dataframe in R te maken, een tweerichtings-ANOVA uit te voeren en een interactieplot te maken om het interactie-effect tussen lichaamsbeweging en geslacht te visualiseren.<\/span><\/p>\n Stap 1: Cre\u00eber de gegevens.<\/strong><\/span><\/p>\n De volgende code laat zien hoe u een dataframe maakt in R:<\/span><\/p>\n Stap 2: Monteer het tweeweg-ANOVA-model.<\/strong><\/span><\/p>\n De volgende code laat zien hoe u een tweerichtings-ANOVA aan de gegevens kunt aanpassen:<\/span><\/p>\n Merk op dat de p-waarde ( 0,0141<\/strong> ) voor de interactieterm tussen lichaamsbeweging en geslacht statistisch significant is, wat aangeeft dat er een significant interactie-effect is tussen de twee factoren.<\/span><\/p>\n Stap 3: Maak het interactieplot.<\/strong><\/span><\/p>\n De volgende code laat zien hoe u een interactieplot voor beweging en geslacht kunt maken:<\/span> <\/p>\n Als de twee lijnen van het interactiediagram evenwijdig zijn, is er over het algemeen geen interactie-effect. Als de lijnen elkaar echter kruisen, is er waarschijnlijk sprake van een interactie-effect.<\/span><\/p>\n Uit deze grafiek kunnen we zien dat de lijnen voor mannen en vrouwen elkaar kruisen, wat aangeeft dat er waarschijnlijk een interactie-effect is tussen de variabelen van de trainingsintensiteit en het geslacht.<\/span><\/p>\n Dit komt overeen met het feit dat de p-waarde in het ANOVA-tabelresultaat statistisch significant was voor de interactieterm in het ANOVA-model.<\/span><\/p>\n Eenrichtings-ANOVA uitvoeren in R<\/a> Een tweerichtings-ANOVA wordt gebruikt om te bepalen of er een verschil is tussen de gemiddelden van drie of meer onafhankelijke groepen die op twee factoren zijn verdeeld. We gebruiken tweerichtings-ANOVA als we willen weten of twee specifieke factoren een bepaalde responsvariabele be\u00efnvloeden. Soms is er echter sprake van een interactie-effect tussen de twee factoren, wat […]<\/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":[],"class_list":["post-1045","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n![\"Interactieplot](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/interactionplot1.png\")
<\/p>\n Voorbeeld: interactieplot in R<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set.seed(10)\n\n#create data frame\n<\/span>data <- data.frame(gender = rep<\/span> (c(\"Male\", \"Female\"), each<\/span> = 30<\/span> ),\n exercise = rep<\/span> (c(\"None\", \"Light\", \"Intense\"), each<\/span> = 10<\/span> , times<\/span> = 2<\/span> ),\n weight_loss = c(runif(10, -3, 3), runif(10, 0, 5), runif(10, 5, 9),\n runif(10, -4, 2), runif(10, 0, 3), runif(10, 3, 8)))\n\n#view first six rows of data frame\n<\/span>head(data)\n\n gender exercise weight_loss\n1 Male None 0.04486922\n2 Male None -1.15938896\n3 Male None -0.43855400\n4 Male None 1.15861249\n5 Male None -2.48918419\n6 Male None -1.64738030<\/strong><\/pre>\n #fit the two-way ANOVA model\n<\/span>model <- aov(weight_loss ~ gender * exercise, data = data)\n\n#view the model output<\/span>\nsummary(model)\n\n# Df Sum Sq Mean Sq F value Pr(>F) \n#gender 1 15.8 15.80 11.197 0.0015 ** \n#exercise 2 505.6 252.78 179.087 <2e-16 ***\n#gender:exercise 2 13.0 6.51 4.615 0.0141 * \n#Residuals 54 76.2 1.41 \n#---\n#Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n interaction.plot(x.factor = data$exercise, #x-axis variable<\/span>\n trace.factor = data$gender, #variable for lines<\/span>\n response = data$weight_loss, #y-axis variable<\/span>\n fun = median, #metric to plot<\/span>\n ylab = \"Weight Loss\",\n xlab = \"Exercise Intensity\",\n col = c(\"pink\", \"blue\"),\n lty = 1, #line type<\/span>\n lwd = 2, #linewidth<\/span>\n trace.label = \"Gender\")\n<\/strong><\/pre>\n<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe tweeweg-ANOVA uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"