<\/p>\n
Een eenrichtings-ANOVA<\/a> wordt gebruikt om te bepalen of er al dan niet een statistisch significant verschil bestaat tussen de gemiddelden van drie of meer onafhankelijke groepen.<\/span><\/p>\n Een eenrichtings-ANOVA gebruikt de volgende nul- en alternatieve hypothesen:<\/span><\/p>\n Als de totale p-waarde<\/a> van de ANOVA onder een bepaald significantieniveau ligt (bijvoorbeeld \u03b1 = 0,05), dan verwerpen we de nulhypothese en concluderen we dat niet alle groepsgemiddelden gelijk zijn.<\/span><\/p>\n Om erachter te komen welke groepsgemiddelden verschillend zijn, kunnen we vervolgens post-hoc paarsgewijze vergelijkingen<\/strong> uitvoeren.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u de volgende post-hoc paarsgewijze vergelijkingen in R kunt uitvoeren:<\/span><\/p>\n Stel dat een docent wil weten of drie verschillende studietechnieken al dan niet tot verschillende toetsscores bij studenten leiden. Om dit te testen wijst ze willekeurig<\/a> 10 studenten toe om elke studietechniek te gebruiken en registreert ze hun examenresultaten.<\/span><\/p>\n We kunnen de volgende code in R gebruiken om een eenrichtings-ANOVA uit te voeren om te testen op verschillen in gemiddelde examenscores tussen de drie groepen:<\/span><\/p>\n De totale p-waarde van de ANOVA (0,0476) is kleiner dan \u03b1 = 0,05, dus we zullen de nulhypothese verwerpen dat de gemiddelde examenscore voor elke studietechniek hetzelfde is.<\/span><\/p>\n We kunnen post-hoc paarsgewijze vergelijkingen uitvoeren om te bepalen welke groepen verschillende gemiddelden hebben.<\/span><\/p>\n Het is het beste om de post-hocmethode van Tukey te gebruiken wanneer de steekproefomvang van elke groep gelijk is.<\/span><\/p>\n We kunnen de ingebouwde TukeyHSD()-<\/strong> functie gebruiken om de Tukey post-hoc-methode in R uit te voeren:<\/span><\/p>\n Uit het resultaat kunnen we zien dat de enige p-waarde (\u201c p adj<\/strong> \u201d) kleiner dan 0,05 het verschil is tussen techniek en techniek 3.<\/span><\/p>\n We zouden dus kunnen concluderen dat er slechts een statistisch significant verschil is in de gemiddelde examenscores tussen studenten die Techniek 1 en Techniek 3 gebruikten.<\/span><\/p>\n De Scheffe-methode is de meest conservatieve post-hoc paarsgewijze vergelijkingsmethode en levert de breedste betrouwbaarheidsintervallen op bij het vergelijken van groepsgemiddelden.<\/span><\/p>\n We kunnen de functie ScheffeTest()<\/strong> uit het DescTools-<\/a> pakket gebruiken om de post-hoc-methode Scheffe in R uit te voeren:<\/span><\/p>\n Uit de resultaten kunnen we zien dat er geen p-waarden lager dan 0,05 zijn, dus we zouden kunnen concluderen dat er geen statistisch significant verschil is in gemiddelde examenscores tussen de groepen.<\/span><\/p>\n Het is het beste om de Bonferroni-methode te gebruiken als u een reeks geplande paarsgewijze vergelijkingen wilt uitvoeren.<\/span><\/p>\n We kunnen de volgende syntaxis in R gebruiken om de Bonferroni post hoc-methode uit te voeren:<\/span><\/p>\n Uit het resultaat kunnen we zien dat de enige p-waarde kleiner dan 0,05 het verschil is tussen techniek en techniek 3.<\/span><\/p>\n We zouden dus kunnen concluderen dat er slechts een statistisch significant verschil is in de gemiddelde examenscores tussen studenten die Techniek 1 en Techniek 3 gebruikten.<\/span><\/p>\n De Holm-methode wordt ook gebruikt als u vooraf een reeks geplande paarsgewijze vergelijkingen wilt uitvoeren en deze heeft meestal een nog grotere kracht dan de Bonferroni-methode, dus verdient deze vaak de voorkeur.<\/span><\/p>\n We kunnen de volgende syntaxis in R gebruiken om de Holm post-hoc-methode uit te voeren:<\/span><\/p>\n Uit het resultaat kunnen we zien dat de enige p-waarde kleiner dan 0,05 het verschil is tussen techniek en techniek 3.<\/span><\/p>\n We zouden dus opnieuw kunnen concluderen dat er slechts een statistisch significant verschil is in de gemiddelde examenscores tussen studenten die Techniek 1 en Techniek 3 gebruikten.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over ANOVA en post-hoc testen:<\/span><\/p>\n Hoe F-waarde en P-waarde in ANOVA te interpreteren<\/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. Een eenrichtings-ANOVA gebruikt de volgende nul- en alternatieve hypothesen: H 0 : Alle groepsgemiddelden zijn gelijk. H A : Niet alle groepsgemiddelden zijn gelijk. Als de totale p-waarde van […]<\/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-2494","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
Voorbeeld: One-way ANOVA in R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data.frame(technique = rep(c(\" tech1<\/span> \", \" tech2<\/span> \", \" tech3<\/span> \"), each= 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#perform one-way ANOVA\n<\/span>model <- aov(score ~ technique, data = df)\n\n#view output of ANOVA\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 De Tukey-methode<\/strong><\/span><\/h3>\n
#perform the Tukey post-hoc method<\/span>\nTukeyHSD(model, conf. level<\/span> = .95<\/span> )\n\n Tukey multiple comparisons of means\n 95% family-wise confidence level\n\nFit: aov(formula = score ~ technique, data = df)\n\n$technical\n diff lwr upr p adj\ntech2-tech1 4.2 -1.9700112 10.370011 0.2281369\ntech3-tech1 6.4 0.2299888 12.570011 0.0409017\ntech3-tech2 2.2 -3.9700112 8.370011 0.6547756<\/strong><\/pre>\n De Scheffe-methode<\/strong><\/span><\/h3>\n
library<\/span> (DescTools)<\/span>\n\n#perform the Scheffe post-hoc method<\/span>\nScheffeTest(model)\n\n Posthoc multiple comparisons of means: Scheffe Test \n 95% family-wise confidence level\n\n$technical\n diff lwr.ci upr.ci pval \ntech2-tech1 4.2 -2.24527202 10.645272 0.2582 \ntech3-tech1 6.4 -0.04527202 12.845272 0.0519 . \ntech3-tech2 2.2 -4.24527202 8.645272 0.6803 \n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1'''156<\/strong><\/pre>\n De Bonferroni-methode<\/strong><\/span><\/h3>\n
#perform the Bonferroni post-hoc method\npairwise. t<\/span> . test<\/span> (df$score, df$technique, p. adj<\/span> = ' bonferroni<\/span> ')<\/span>\n<\/span>\n\tPairwise comparisons using t tests with pooled SD \n\ndata: df$score and df$technique \n\n tech1 tech2\ntech2 0.309 - \ntech3 0.048 1.000\n\nP value adjustment method: bonferroni<\/strong><\/pre>\n De Holm-methode<\/strong><\/span><\/h3>\n
#perform the Holm post-hoc method\npairwise. t<\/span> . test<\/span> (df$score, df$technique, p. adj<\/span> = ' holm<\/span> ')<\/span>\n<\/span>\n\tPairwise comparisons using t tests with pooled SD \n\ndata: df$score and df$technique \n\n tech1 tech2\ntech2 0.206 - \ntech3 0.048 0.384\n\nP value adjustment method: holm<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
De complete gids: ANOVA-resultaten rapporteren<\/a>
Tukey vs. Bonferroni vs. Scheffe: Welke test moet u gebruiken?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"