<\/p>\n
ANOVA z powtarzanymi pomiarami<\/a> s\u0142u\u017cy do okre\u015blenia, czy istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy \u015brednimi z trzech lub wi\u0119cej grup, w kt\u00f3rych w ka\u017cdej grupie pojawiaj\u0105 si\u0119 ci sami pacjenci.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak wykona\u0107 jednokierunkow\u0105 ANOVA z powtarzanymi pomiarami w R.<\/span><\/p>\n Naukowcy chc\u0105 wiedzie\u0107, czy cztery r\u00f3\u017cne leki powoduj\u0105 r\u00f3\u017cne czasy reakcji. Aby to sprawdzi\u0107, zmierzyli czas reakcji pi\u0119ciu pacjent\u00f3w na cztery r\u00f3\u017cne leki. Poniewa\u017c u ka\u017cdego pacjenta badany jest ka\u017cdy z czterech lek\u00f3w, zastosujemy ANOVA z powtarzanymi pomiarami, aby okre\u015bli\u0107, czy \u015bredni czas reakcji r\u00f3\u017cni si\u0119 w zale\u017cno\u015bci od leku.<\/span><\/p>\n Wykonaj poni\u017csze kroki, aby wykona\u0107 powtarzane pomiary ANOVA w R.<\/span><\/p>\n Krok 1: Wprowad\u017a dane.<\/strong><\/span><\/p>\n Najpierw utworzymy ramk\u0119 danych do przechowywania naszych danych:<\/span><\/p>\n Krok 2: Wykonaj powtarzane pomiary ANOVA.<\/strong><\/span><\/p>\n Nast\u0119pnie wykonamy powtarzane pomiary ANOVA przy u\u017cyciu funkcji aov()<\/strong> :<\/span><\/p>\n Krok 3: Interpretacja wynik\u00f3w.<\/strong><\/span><\/p>\n W analizie ANOVA z powtarzanymi pomiarami stosuje si\u0119 nast\u0119puj\u0105ce hipotezy zerowe i alternatywne:<\/span><\/p>\n Hipoteza zerowa (H 0<\/sub> ):<\/strong> \u00b5 1<\/sub> = \u00b5 2<\/sub> = \u00b5 3<\/sub> (wszystkie \u015brednie populacji s\u0105 r\u00f3wne)<\/span><\/p>\n Hipoteza alternatywna: (Ha):<\/strong> co najmniej jedna \u015brednia populacji r\u00f3\u017cni si\u0119 od pozosta\u0142ych<\/span><\/p>\n W tym przyk\u0142adzie statystyka testu F wynosi 24,76<\/strong> , a odpowiadaj\u0105ca jej warto\u015b\u0107 p wynosi 1,99e-05<\/strong> . Poniewa\u017c ta warto\u015b\u0107 p jest mniejsza ni\u017c 0,05, odrzucamy hipotez\u0119 zerow\u0105 i stwierdzamy, \u017ce istnieje statystycznie istotna r\u00f3\u017cnica w \u015brednim czasie reakcji pomi\u0119dzy czterema lekami.<\/span><\/p>\n Krok 4: Og\u0142o\u015b wyniki.<\/strong><\/span><\/p>\n Na koniec przedstawimy wyniki naszych powtarzanych pomiar\u00f3w ANOVA.<\/span><\/p>\n Oto przyk\u0142ad, jak to zrobi\u0107:<\/span><\/p>\n U pi\u0119ciu os\u00f3b przeprowadzono jednokierunkow\u0105 ANOVA z powtarzanymi pomiarami, aby zbada\u0107 wp\u0142yw czterech r\u00f3\u017cnych lek\u00f3w na czas odpowiedzi.<\/span><\/p>\n Wyniki wykaza\u0142y, \u017ce rodzaj stosowanego leku wp\u0142ywa\u0142 na istotne statystycznie r\u00f3\u017cnice w czasie odpowiedzi (F(3, 12) = 24,76, p < 0,001).<\/span><\/p>\n<\/blockquote>\n Powtarzane pomiary ANOVA: definicja, wz\u00f3r i przyk\u0142ad<\/a> ANOVA z powtarzanymi pomiarami s\u0142u\u017cy do okre\u015blenia, czy istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy \u015brednimi z trzech lub wi\u0119cej grup, w kt\u00f3rych w ka\u017cdej grupie pojawiaj\u0105 si\u0119 ci sami pacjenci. W tym samouczku wyja\u015bniono, jak wykona\u0107 jednokierunkow\u0105 ANOVA z powtarzanymi pomiarami w R. Przyk\u0142ad: ANOVA z powtarzanymi pomiarami w R Naukowcy chc\u0105 wiedzie\u0107, czy cztery r\u00f3\u017cne […]<\/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-1096","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: ANOVA z powtarzanymi pomiarami w R<\/strong><\/span><\/h3>\n
#create data<\/span>\ndf <- data.frame(patient= rep<\/span> (1:5, each<\/span> =4),\n drug= rep<\/span> (1:4, times<\/span> =5),\n response=c(30, 28, 16, 34,\n 14, 18, 10, 22,\n 24, 20, 18, 30,\n 38, 34, 20, 44,\n 26, 28, 14, 30))\n\n#view data<\/span>\ndf\n\n patient drug response\n1 1 1 30\n2 1 2 28\n3 1 3 16\n4 1 4 34\n5 2 1 14\n6 2 2 18\n7 2 3 10\n8 2 4 22\n9 3 1 24\n10 3 2 20\n11 3 3 18\n12 3 4 30\n13 4 1 38\n14 4 2 34\n15 4 3 20\n16 4 4 44\n17 5 1 26\n18 5 2 28\n19 5 3 14\n20 5 4 30<\/strong><\/pre>\n #fit repeated measures ANOVA model<\/span>\nmodel <- aov(response~ factor<\/span> (drug)+ Error<\/span> ( factor<\/span> (patient)), data = df)\n\n#view model summary<\/span>\nsummary(model)\n<\/span>\nError: factor(patient)\n Df Sum Sq Mean Sq F value Pr(>F)\nResiduals 4 680.8 170.2 \n\nError: Within\n Df Sum Sq Mean Sq F value Pr(>F) \nfactor(drug) 3 698.2 232.7 24.76 1.99e-05 ***\nResiduals 12 112.8 9.4 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak r\u0119cznie wykona\u0107 ANOVA z powtarzanymi pomiarami<\/a>
Jak wykona\u0107 powtarzalne pomiary ANOVA w Pythonie<\/a>
Jak wykona\u0107 ANOVA z powtarzanymi pomiarami w programie Excel<\/a>
Jak wykonywa\u0107 powtarzane pomiary ANOVA w SPSS<\/a>
Jak wykona\u0107 powtarzane pomiary ANOVA w Stata<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"