Je\u015bli og\u00f3lna warto\u015b\u0107 p<\/a> tabeli ANOVA jest poni\u017cej pewnego poziomu istotno\u015bci, w\u00f3wczas mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce co najmniej jedna ze \u015brednich grupowych r\u00f3\u017cni si\u0119 od pozosta\u0142ych.<\/span><\/p>\n Nie m\u00f3wi nam to jednak , kt\u00f3re<\/em> grupy r\u00f3\u017cni\u0105 si\u0119 od siebie. To po prostu m\u00f3wi nam, \u017ce nie wszystkie \u015brednie grupowe s\u0105 r\u00f3wne. Aby dok\u0142adnie wiedzie\u0107, kt\u00f3re grupy si\u0119 od siebie r\u00f3\u017cni\u0105, nale\u017cy przeprowadzi\u0107test post hoc<\/a> .<\/span><\/p>\n Jednym z najcz\u0119\u015bciej stosowanych test\u00f3w post hoc jest test Tukeya<\/strong> , kt\u00f3ry umo\u017cliwia przeprowadzenie por\u00f3wna\u0144 parami pomi\u0119dzy \u015brednimi ka\u017cdej grupy, kontroluj\u0105c jednocze\u015bnie wsp\u00f3\u0142czynnik b\u0142\u0119du rodzinnego<\/a> .<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak wykona\u0107 test Tukeya w j\u0119zyku R.<\/span><\/p>\n Uwaga:<\/strong> Je\u015bli kt\u00f3rakolwiek z grup w Twoim badaniu jest uwa\u017cana za grup\u0119 kontroln\u0105, powiniene\u015b zamiast tego zastosowa\u0107 test Dunnetta<\/a> jako test post-hoc.<\/em><\/span><\/p>\n Krok 1: Dopasuj model ANOVA.<\/strong><\/span><\/p>\n Poni\u017cszy kod pokazuje, jak utworzy\u0107 fa\u0142szywy zbi\u00f3r danych z trzema grupami (A, B i C) i dopasowa\u0107 do danych jednokierunkowy model ANOVA, aby okre\u015bli\u0107, czy \u015brednie warto\u015bci ka\u017cdej grupy s\u0105 r\u00f3wne:<\/span><\/p>\n Widzimy, \u017ce og\u00f3lna warto\u015b\u0107 p z tabeli ANOVA wynosi 7,55e-11<\/strong> . Poniewa\u017c liczba ta jest mniejsza ni\u017c 0,05, mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce \u015brednie warto\u015bci w ka\u017cdej grupie nie s\u0105 r\u00f3wne. Mo\u017cemy wi\u0119c wykona\u0107 test Tukeya, aby dok\u0142adnie okre\u015bli\u0107, kt\u00f3re \u015brednie grupowe s\u0105 r\u00f3\u017cne.<\/span><\/p>\n Krok 2: Wykonaj test Tukeya.<\/strong><\/span><\/p>\n Poni\u017cszy kod pokazuje, jak u\u017cywa\u0107 funkcji TukeyHSD()<\/strong> do przeprowadzenia testu Tukeya:<\/span><\/p>\n Warto\u015b\u0107 p wskazuje, czy istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy ka\u017cdym programem. Wyniki pokazuj\u0105, \u017ce istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy \u015bredni\u0105 utrat\u0105 masy cia\u0142a w ka\u017cdym programie na poziomie istotno\u015bci 0,05.<\/span><\/p>\n Zw\u0142aszcza:<\/span><\/p>\n Krok 3: Wizualizuj wyniki.<\/strong><\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c u\u017cy\u0107 funkcji plot(TukeyHSD())<\/strong> do wizualizacji przedzia\u0142\u00f3w ufno\u015bci:<\/span><\/p>\n Uwaga: Argument las<\/strong> okre\u015bla, \u017ce etykiety znacznik\u00f3w musz\u0105 by\u0107 prostopad\u0142e (las=2) do osi.<\/span><\/em> <\/p>\n Widzimy, \u017ce \u017caden z przedzia\u0142\u00f3w ufno\u015bci dla warto\u015bci \u015bredniej pomi\u0119dzy grupami nie zawiera warto\u015bci zero, co wskazuje, \u017ce istnieje statystycznie istotna r\u00f3\u017cnica w \u015bredniej stracie pomi\u0119dzy trzema grupami. Jest to zgodne z tym, \u017ce wszystkie warto\u015bci p dla naszych test\u00f3w hipotez s\u0105 mniejsze ni\u017c 0,05.<\/span><\/p>\n Dla tego konkretnego przyk\u0142adu mo\u017cemy stwierdzi\u0107, co nast\u0119puje:<\/span><\/p>\n Przewodnik po korzystaniu z test\u00f3w post-hoc z ANOVA<\/a> Jednoczynnikow\u0105 ANOVA stosuje si\u0119 do okre\u015blenia, czy istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy \u015brednimi z trzech lub wi\u0119cej niezale\u017cnych grup. Je\u015bli og\u00f3lna warto\u015b\u0107 p tabeli ANOVA jest poni\u017cej pewnego poziomu istotno\u015bci, w\u00f3wczas mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce co najmniej jedna ze \u015brednich grupowych r\u00f3\u017cni si\u0119 od pozosta\u0142ych. Nie m\u00f3wi nam to jednak , kt\u00f3re grupy […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1009","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: test Tukeya w R<\/strong><\/span><\/h3>\n
#make this example reproducible<\/span>\nset.seed(0)\n\n#create data<\/span>\ndata <- data.frame(group = rep<\/span> (c(\"A\", \"B\", \"C\"), each<\/span> = 30),\n values = c(runif(30, 0, 3),\n runif(30, 0, 5),\n runif(30, 1, 7)))\n\n#view first six rows of data<\/span>\nhead(data)\n\n group values\n1 A 2.6900916\n2 A 0.7965260\n3 A 1.1163717\n4 A 1.7185601\n5 A 2.7246234\n6 A 0.6050458\n\n#fit one-way ANOVA model<\/span>\nmodel <- aov<\/span> (values~group, data=data)\n\n#view the model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ngroup 2 98.93 49.46 30.83 7.55e-11 ***\nResiduals 87 139.57 1.60 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n #perform Tukey's Test\n<\/span>TukeyHSD(model, conf.level= .95<\/span> ) \n\n Tukey multiple comparisons of means\n 95% family-wise confidence level\n\nFit: aov(formula = values ~ group, data = data)\n\n$group\n diff lwr upr p adj\nBA 0.9777414 0.1979466 1.757536 0.0100545\nCA 2.5454024 1.7656076 3.325197 0.0000000\nCB 1.5676610 0.7878662 2.347456 0.0000199\n<\/strong><\/pre>\n\n
#plot confidence intervals<\/span>\nplot(TukeyHSD(model, conf.level= .95<\/span> ), las = 2<\/span> )\n<\/strong><\/pre>\n![\"Test](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/tukey1.png\")
<\/p>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 jednokierunkow\u0105 ANOVA w R<\/a>
Jak wykona\u0107 dwukierunkow\u0105 ANOVA w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"