<\/p>\n
Een drieweg-ANOVA<\/strong> wordt gebruikt om te bepalen of er al dan niet een statistisch significant verschil bestaat tussen de gemiddelden van drie of meer onafhankelijke groepen die over drie factoren zijn verdeeld.<\/span><\/p>\n In het volgende voorbeeld ziet u hoe u een drieweg-ANOVA in R uitvoert.<\/span><\/p>\n Stel dat een onderzoeker wil bepalen of twee trainingsprogramma’s leiden tot verschillende gemiddelde verbeteringen in de spronghoogte onder universiteitsbasketbalspelers.<\/span><\/p>\n De onderzoeker vermoedt dat geslacht en divisie (Divisie I of II) ook van invloed kunnen zijn op de spronghoogte, daarom verzamelt hij ook gegevens over deze factoren.<\/span><\/p>\n Zijn doel is om een drieweg-ANOVA uit te voeren om te bepalen hoe trainingsprogramma, geslacht en divisie de spronghoogte be\u00efnvloeden.<\/span><\/p>\n Volg de volgende stappen om deze drieweg-ANOVA in R uit te voeren:<\/span><\/p>\n Stap 1: Cre\u00eber de gegevens<\/strong><\/span><\/p>\n Laten we eerst een dataframe maken om de gegevens in op te slaan:<\/span><\/p>\n Stap 2: Beschrijvende statistieken bekijken<\/strong><\/span><\/p>\n Voordat we de drieweg-ANOVA uitvoeren, kunnen we dplyr<\/a> gebruiken om snel de gemiddelde toename van de spronghoogte samen te vatten, gegroepeerd op trainingsprogramma, geslacht en divisie:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Enzovoort.<\/span><\/p>\n Stap 3: Voer de drieweg-ANOVA uit<\/strong><\/span><\/p>\n Vervolgens kunnen we de functie aov()<\/strong> gebruiken om de drieweg-ANOVA uit te voeren:<\/span><\/p>\n De kolom Pr(>F)<\/strong> toont de p-waarde voor elke individuele factor en de interacties tussen de factoren.<\/span><\/p>\n Uit de resultaten kunnen we opmaken dat geen van de interacties tussen de drie factoren statistisch significant was.<\/span><\/p>\n We kunnen ook zien dat elk van de drie factoren \u2013 programma, geslacht en verdeeldheid \u2013 statistisch significant was.<\/span><\/p>\n We kunnen nu dplyr opnieuw gebruiken om de gemiddelde spronghoogtetoename voor programma, geslacht en divisie afzonderlijk te vinden:<\/span><\/p>\n Uit het resultaat kunnen we het volgende opmaken:<\/span><\/p>\n Concluderend zouden we kunnen zeggen dat trainingsprogramma, geslacht en divisie allemaal belangrijke indicatoren zijn voor de toegenomen spronghoogte bij spelers.<\/span><\/p>\n We zouden ook zeggen dat er geen significante interactie-effecten zijn tussen deze drie factoren.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere ANOVA-modellen in R kunt passen:<\/span><\/p>\n Eenrichtings-ANOVA uitvoeren in R<\/a> Een drieweg-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 die over drie factoren zijn verdeeld. In het volgende voorbeeld ziet u hoe u een drieweg-ANOVA in R uitvoert. Voorbeeld: Drieweg-ANOVA in R Stel dat een onderzoeker wil bepalen […]<\/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-2548","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: Drieweg-ANOVA in R<\/strong><\/span><\/h2>\n
#create dataset\n<\/span>df <- data. frame<\/span> (program=rep(c(1, 2), each= 20<\/span> ),\n gender=rep(c(' M<\/span> ', ' F<\/span> '), each= 10<\/span> , times= 2<\/span> ),\n division=rep(c(1, 2), each= 5<\/span> , times= 4<\/span> ),\n height=c(7, 7, 8, 8, 7, 6, 6, 5, 6, 5,\n 5, 5, 4, 5, 4, 3, 3, 4, 3, 3,\n 6, 6, 5, 4, 5, 4, 5, 4, 4, 3,\n 2, 2, 1, 4, 4, 2, 1, 1, 2, 1)) \n\n#view first six rows of dataset\n<\/span>head(df)\n\n program gender division height\n1 1 M 1 7\n2 1 M 1 7\n3 1 M 1 8\n4 1 M 1 8\n5 1 M 1 7\n6 1 M 2 6<\/strong><\/pre>\n library<\/span> (dplyr)\n\n#calculate mean jumping height increase grouped by program, gender, and division\n<\/span>df %>%\n group_by(program, gender, division) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 8 x 4\n# Groups: program, gender [4]\n program gender division mean_height\n \n1 1 F 1 4.6\n2 1 F 2 3.2\n3 1 M 1 7.4\n4 1 M 2 5.6\n5 2 F 1 2.6\n6 2 F 2 1.4\n7 2 M 1 5.2\n8 2 M 2 4 \n<\/strong><\/pre>\n\n
#perform three-way ANOVA<\/span>\nmodel <- aov(height ~ program * gender * division, data=df)\n\n#view summary of three-way ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 1 36.1 36.10 65.636 2.98e-09 ***\ngender 1 67.6 67.60 122.909 1.71e-12 ***\ndivision 1 19.6 19.60 35.636 1.19e-06 ***\nprogram:gender 1 0.0 0.00 0.000 1.000 \nprogram:division 1 0.4 0.40 0.727 0.400 \ngender:division 1 0.1 0.10 0.182 0.673 \nprogram:gender:division 1 0.1 0.10 0.182 0.673 \nResiduals 32 17.6 0.55 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n library<\/span> (dplyr)\n<\/span>\n#find mean jumping increase by program<\/span>\ndf %>%\n group_by(program) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n program mean_height\n \n1 1 5.2\n2 2 3.3\n\n#find mean jumping increase by gender\n<\/span>df %>%\n group_by(gender) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n gender mean_height\n \n1 F 2.95\n2M 5.55\n\n#find mean jumping increase by division\n<\/span>df %>%\ngroup_by(division) %>%\nsummarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n division mean_height\n \n1 1 4.95\n2 2 3.55<\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe tweeweg-ANOVA uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"