Als de totale p-waarde van de ANOVA-tabel onder een bepaald significantieniveau ligt, hebben we voldoende bewijs om te zeggen dat ten minste \u00e9\u00e9n van de groepsgemiddelden verschilt van de andere.<\/span><\/p>\n Dit vertelt ons echter niet welke<\/em> groepen van elkaar verschillen. Dit vertelt ons eenvoudigweg dat niet alle groepsgemiddelden gelijk zijn.<\/span><\/p>\n Om precies te weten welke groepen van elkaar verschillen, moeten we paarsgewijze t-tests uitvoeren tussen elke groep,<\/span> terwijl we controleren voor het familiefoutenpercentage<\/a> .<\/span><\/p>\n Een van de meest gebruikelijke manieren om dit te bereiken is door de Bonferroni-correctie<\/strong> te gebruiken bij het berekenen van p-waarden voor elk van de paarsgewijze t-toetsen.<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u de Bonferroni-correctie uitvoert in R.<\/span><\/p>\n Stel dat een docent wil weten of drie verschillende studietechnieken al dan niet tot verschillende toetsscores bij studenten leiden.<\/span><\/p>\n Om dit te testen wijst ze willekeurig 10 studenten toe om elke studietechniek te gebruiken.<\/span> Na een week gebruik te hebben gemaakt van de toegewezen studietechniek, legt elke student hetzelfde examen af.<\/span><\/p>\n We kunnen de volgende stappen in R gebruiken om een eenrichtings-ANOVA toe te passen en de Bonferroni-correctie gebruiken om de paarsgewijze verschillen tussen de examenresultaten van elke groep te berekenen.<\/span><\/p>\n Stap 1: Maak de gegevensset.<\/span><\/strong><\/p>\n De volgende code laat zien hoe u een dataset maakt met de examenresultaten van alle 30 studenten:<\/span><\/p>\n Stap 2: Bekijk de examenresultaten voor elke groep.<\/span><\/strong><\/p>\n De volgende code laat zien hoe u boxplots kunt maken om de verdeling van de examenresultaten voor elke groep te visualiseren:<\/span> <\/p>\n Stap 3: Voer een eenrichtings-ANOVA uit.<\/span><\/strong><\/p>\n De volgende code laat zien hoe u een eenrichtings-ANOVA uitvoert om te testen op verschillen tussen de gemiddelde examenscores in elke groep:<\/span><\/p>\n Aangezien de totale p-waarde ( 0,0476<\/strong> ) kleiner is dan 0,05, geeft dit aan dat niet elke groep dezelfde gemiddelde examenscore heeft.<\/span><\/p>\n Vervolgens zullen we paarsgewijze t-tests uitvoeren met behulp van de Bonferroni-correctie voor p-waarden om paarsgewijze verschillen tussen de examenresultaten van elke groep te berekenen.<\/span><\/p>\n Stap 4: Voer paarsgewijze t-tests uit.<\/strong><\/span><\/p>\n Om paarsgewijze t-tests uit te voeren met Bonferroni-correctie in R, kunnen we de functie pairwise.t.test()<\/a> gebruiken, die de volgende syntaxis gebruikt:<\/span><\/p>\n pairwise.t.test(x, g, p.adjust.method=\u201dbonferroni\u201d)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n De volgende code laat zien hoe u deze functie voor ons voorbeeld kunt gebruiken:<\/span><\/p>\n De manier om het resultaat te interpreteren is als volgt:<\/span><\/p>\n Op basis van de resultaten kunnen we zien dat het enige significante verschil tussen techniek 1 en techniek 3 ligt.<\/span><\/p>\n Een inleiding tot One-Way ANOVA<\/a> Een eenrichtings-ANOVA wordt gebruikt om te bepalen of er al dan niet een statistisch significant verschil bestaat tussen de gemiddelden van drie of meer onafhankelijke groepen. Als de totale p-waarde van de ANOVA-tabel onder een bepaald significantieniveau ligt, hebben we voldoende bewijs om te zeggen dat ten minste \u00e9\u00e9n van de groepsgemiddelden verschilt van de […]<\/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-1241","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: Bonferroni-correctie in R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndata <- data.frame(technique = rep<\/span> (c(\"tech1\", \"tech2\", \"tech3\"), each<\/span> = 10<\/span> ),\n score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89,\n 81, 82, 83, 83, 83, 84, 87, 90, 92, 93,\n 77, 78, 79, 88, 89, 90, 91, 95, 95, 98))\n\n#view first six rows of data frame<\/span>\nhead(data)\n\n technical score\n1 tech1 76\n2 tech1 77\n3 tech1 77\n4 tech1 81\n5 tech1 82\n6 tech1 82\n<\/strong><\/pre>\n boxplot(score ~ technique,\n data = data,\n main = \"Exam Scores by Studying Technique\",\n xlab = \"Studying Technique\",\n ylab = \"Exam Scores\",\n col = \"steelblue\",\n border = \"black\")\n<\/strong><\/pre>\n
![\"Bonferroni-correctie](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonf1.png\")
<\/p>\n #fit the one-way ANOVA model<\/span>\nmodel <- aov(score ~ technique, data = data)\n\n#view model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 211.5 105.73 3.415 0.0476 *\nResiduals 27 836.0 30.96 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n\n
#perform pairwise t-tests with Bonferroni's correction<\/span>\npairwise.t.test(data$score, data$technique, p.adjust.method=\" bonferroni<\/span> \")\n\n\tPairwise comparisons using t tests with pooled SD \n\ndata: data$score and data$technique \n\n tech1 tech2\ntech2 0.309 - \ntech3 0.048 1.000\n\nP value adjustment method: bonferroni<\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Eenrichtings-ANOVA uitvoeren in R<\/a>
Hoe de Tukey-test uit te voeren in R<\/a>
Hoe de Dunnett-test uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"