De aannames die bij een eenrichtings-ANOVA worden gebruikt, zijn:<\/span><\/p>\n Als de p-waarde van de ANOVA onder een bepaald significantieniveau ligt (zoals \u03b1 = 0,05), kunnen we de nulhypothese verwerpen en concluderen dat ten minste \u00e9\u00e9n van de groepsgemiddelden verschilt van de andere.<\/span><\/p>\n Maar om precies te weten welke groepen van elkaar verschillen, moeten we een post-hoc test doen.<\/span><\/p>\n Een veelgebruikte post-hoc-test is de Fisher’s minst significante verschil (LSD)-test<\/strong> .<\/span><\/p>\n U kunt de functie LSD.test()<\/strong> uit het agricolae-<\/strong> pakket gebruiken om deze test in R uit te voeren.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat een hoogleraar wil weten of drie verschillende studietechnieken wel of niet tot verschillende toetsscores onder studenten leiden.<\/span><\/p>\n Om dit te testen wijst ze willekeurig 10 studenten toe om elke studietechniek te gebruiken en registreert ze hun examenresultaten.<\/span><\/p>\n De volgende tabel toont de<\/span> examenresultaten van elke student op basis van de gebruikte studietechniek:<\/span> <\/p>\n We kunnen de volgende code gebruiken om deze dataset te maken en er een one-way ANOVA op uit te voeren in R:<\/span><\/p>\n Omdat de p-waarde in de ANOVA-tabel (0,0188) kleiner is dan 0,05, kunnen we concluderen dat niet alle gemiddelde examenscores tussen de drie groepen gelijk zijn.<\/span><\/p>\n We kunnen dus de Fisher’s LSD-test uitvoeren om te bepalen welke groepsgemiddelden verschillend zijn.<\/span><\/p>\n De volgende code laat zien hoe u dit doet:<\/span><\/p>\n Het deel van het resultaat dat ons het meest interesseert, is de sectie genaamd $groups<\/strong> . Technieken met verschillende karakters in de groepenkolom<\/strong> zijn heel verschillend.<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Eenrichtings-ANOVA uitvoeren in R<\/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. De aannames die bij een eenrichtings-ANOVA worden gebruikt, zijn: H 0 : De gemiddelden zijn voor elke groep gelijk. H A : Minstens \u00e9\u00e9n van de manieren is anders […]<\/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-3064","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: Fisher’s LSD-test in R<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/moinssigdiff1.png\")
<\/p>\n #create data frame\ndf <- data. frame<\/span> (technique = rep(c(\"tech1\", \"tech2\", \"tech3\"), each = 10<\/span> ),\n score = c(72, 73, 73, 77, 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\n<\/span>head(df)\n\n technical score\n1 tech1 72\n2 tech1 73\n3 tech1 73\n4 tech1 77\n5 tech1 82\n6 tech1 82\n\n#fit one-way ANOVA\n<\/span>model <- aov(score ~ technique, data = df)\n\n#view summary of one-way ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 341.6 170.80 4.623 0.0188 *\nResiduals 27,997.6 36.95 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/span><\/span><\/strong><\/pre>\n library<\/span> (agricolae)<\/span>\n\n#perform Fisher's LSD\nprint( LSD.test<\/span> (model,\" technic<\/span> \"))\n \n$statistics\n MSerror Df Mean CV t.value LSD\n 36.94815 27 84.6 7.184987 2.051831 5.57767\n\n$parameters\n test p.adjusted name.t ntr alpha\n Fisher-LSD none technical 3 0.05\n\n$means\n std score r LCL UCL Min Max Q25 Q50 Q75\ntech1 80.0 5.868939 10 76.05599 83.94401 72 89 74.00 82.0 83.75\ntech2 85.8 4.391912 10 81.85599 89.74401 81 93 83.00 83.5 89.25\ntech3 88.0 7.557189 10 84.05599 91.94401 77 98 81.25 89.5 94.00\n\n$comparison\nNULL\n\n$groups\n score groups\ntech3 88.0 a\ntech2 85.8a\ntech1 80.0 b\n\nattr(,\"class\")\n[1] \u201cgroup\u201d\n<\/span><\/span><\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Een Bonferroni post-hoc-test uitvoeren in R<\/a>
Hoe de Scheffe post-hoc-test uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"