Bij dit type ontwerp heeft \u00e9\u00e9n onafhankelijke variabele twee niveaus<\/a> en de andere onafhankelijke variabele vier niveaus.<\/span> <\/p>\n Stel bijvoorbeeld dat een botanicus inzicht wil krijgen in de effecten van zonlicht (geen, laag, gemiddeld of hoog) en de waterfrequentie (dagelijks of wekelijks) op de groei van een bepaalde plantensoort.<\/span> <\/p>\n Dit is een voorbeeld van een 2 \u00d7 4 factorieel ontwerp omdat er twee onafhankelijke variabelen zijn, \u00e9\u00e9n met twee niveaus en \u00e9\u00e9n met vier niveaus:<\/span><\/p>\n En er is een afhankelijke variabele: plantengroei.<\/span><\/p>\n Een 2\u00d74 factorieel ontwerp maakt het mogelijk om de volgende effecten te analyseren:<\/span><\/p>\n Belangrijkste effecten:<\/strong> Dit zijn de effecten die een enkele onafhankelijke variabele heeft op de afhankelijke variabele.<\/span><\/p>\n In ons vorige scenario konden we bijvoorbeeld de volgende hoofdeffecten analyseren:<\/span><\/p>\n Interactie-effecten:<\/strong> Ze treden op wanneer het effect van \u00e9\u00e9n onafhankelijke variabele op de afhankelijke variabele afhangt van het niveau van de andere onafhankelijke variabele.<\/span><\/p>\n In ons vorige scenario konden we bijvoorbeeld de volgende interactie-effecten analyseren:<\/span><\/p>\n We kunnen een tweerichtings-ANOVA<\/a> uitvoeren om formeel te testen of de onafhankelijke variabelen al dan niet een statistisch significante relatie hebben met de afhankelijke variabele.<\/span><\/p>\n De volgende code laat bijvoorbeeld zien hoe u een tweerichtings-ANOVA uitvoert voor ons hypothetische fabrieksscenario in R:<\/span><\/p>\n Zo interpreteert u het ANOVA-resultaat:<\/span><\/p>\n Hoofdeffect #1 (zonlicht)<\/strong> : De p-waarde geassocieerd met zonlicht is <2e-16<\/strong> . Omdat dit getal minder dan 0,05 bedraagt, betekent dit dat blootstelling aan zonlicht een statistisch significant effect heeft op de plantengroei.<\/span><\/p>\n Hoofdeffect nr. 2 (Water)<\/strong> : De p-waarde geassocieerd met water is 0,016<\/strong> . Omdat dit cijfer minder dan 0,05 bedraagt, betekent dit dat de waterfrequentie ook een statistisch significant effect heeft op de plantengroei.<\/span><\/p>\n Interactie-effect<\/strong> : De p-waarde voor de interactie tussen zonlicht en water is 0,000061<\/strong> . Omdat deze waarde kleiner is dan 0,05, betekent dit dat er een interactie-effect is tussen zonlicht en water.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over experimenteel ontwerp en analyse:<\/span><\/p>\n Een complete gids: het 2 \u00d7 2 factori\u00eble ontwerp<\/a> Een 2 \u00d7 4 factorieel ontwerp is een soort experimenteel ontwerp waarmee onderzoekers de effecten van twee onafhankelijke variabelen op een enkele afhankelijke variabele kunnen begrijpen. Bij dit type ontwerp heeft \u00e9\u00e9n onafhankelijke variabele twee niveaus en de andere onafhankelijke variabele vier niveaus. Stel bijvoorbeeld dat een botanicus inzicht wil krijgen in de effecten 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-3404","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/2x4_1.jpg\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/2x4_2.jpg\")
<\/p>\n\n
\n
\n
Het doel van een 2 \u00d7 4 factorieel ontwerp<\/strong><\/span><\/h2>\n
\n
\n
\n
\n
Hoe een 2 \u00d7 4 factorieel ontwerp te analyseren<\/strong><\/span><\/h2>\n
#make this example reproducible<\/span>\nset. seeds<\/span> (0)\n\n#createdata\n<\/span>df <- data. frame<\/span> (sunlight = rep(c(' None<\/span> ', ' Low<\/span> ', ' Medium<\/span> ', ' High<\/span> '), each= 10<\/span> , times= 2<\/span> ),\n water = rep(c(' Daily<\/span> ', ' Weekly<\/span> '), each= 40<\/span> , times= 2<\/span> ),\n growth = c(rnorm(10, 8, 2), rnorm(10, 8, 3), rnorm(10, 13, 2),\n rnorm(10, 14, 3), rnorm(10, 10, 4), rnorm(10, 12, 3),\n rnorm(10, 13, 2), rnorm(10, 14, 4)))\n\n#fit the two-way ANOVA model\n<\/span>model <- aov(growth ~ sunlight * water, data = df)\n\n#view the model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nsunlight 3 744.1 248.04 34.16 < 2e-16 ***\nwater 1 43.1 43.05 5.93 0.016 * \nsunlight:water 3 195.8 65.27 8.99 1.61e-05 ***\nResiduals 152 1103.5 7.26 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Een complete gids: het 2 \u00d7 3 factori\u00eble ontwerp<\/a>
Wat is een factori\u00eble ANOVA?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"