<\/p>\n
Eta kwadrat<\/a> jest miar\u0105 wielko\u015bci efektu<\/a> powszechnie stosowan\u0105 w modelach ANOVA.<\/span><\/p>\n Mierzy proporcj\u0119 wariancji zwi\u0105zan\u0105 z ka\u017cdym efektem g\u0142\u00f3wnym i efektem interakcji w modelu ANOVA i jest<\/span> obliczany w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Eta do kwadratu = efekt<\/sub> SS \/ ca\u0142kowity<\/sub> SS<\/strong><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Warto\u015b\u0107 Eta kwadrat waha si\u0119 od 0 do 1, gdzie warto\u015bci bli\u017csze 1 wskazuj\u0105 na wi\u0119ksz\u0105 cz\u0119\u015b\u0107 wariancji, kt\u00f3r\u0105 mo\u017cna wyt\u0142umaczy\u0107 dan\u0105 zmienn\u0105 w modelu.<\/span><\/p>\n Do interpretacji warto\u015bci eta-kwadrat stosuje si\u0119 nast\u0119puj\u0105ce praktyczne zasady:<\/span><\/p>\n W tym samouczku przedstawiono krok po kroku przyk\u0142ad obliczenia Eta do kwadratu dla zmiennych w modelu ANOVA w j\u0119zyku R.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy ustali\u0107, czy intensywno\u015b\u0107 \u0107wicze\u0144 i p\u0142e\u0107 wp\u0142ywaj\u0105 na utrat\u0119 wagi.<\/span><\/p>\n Aby to przetestowa\u0107, rekrutujemy 30 m\u0119\u017cczyzn i 30 kobiet do udzia\u0142u w eksperymencie, w kt\u00f3rym losowo przydzielamy 10 os\u00f3b do wykonywania przez miesi\u0105c programu bez \u0107wicze\u0144, lekkich lub intensywnych \u0107wicze\u0144.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak utworzy\u0107 ramk\u0119 danych do przechowywania danych, z kt\u00f3rymi pracujemy:<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak dopasowa\u0107 dwuczynnikow\u0105 analiz\u0119 ANOVA,<\/a> wykorzystuj\u0105c aktywno\u015b\u0107 fizyczn\u0105 i p\u0142e\u0107 jako czynniki oraz utrat\u0119 wagi jakozmienn\u0105 odpowiedzi<\/a> :<\/span><\/p>\n Mo\u017cemy obliczy\u0107 wielko\u015b\u0107 efektu Eta kwadrat dla ka\u017cdej zmiennej w naszym modelu za pomoc\u0105 funkcji etaSquared()<\/a> z pakietu lsr<\/strong> :<\/span><\/p>\n Eta kwadrat dla seksu i \u0107wicze\u0144 fizycznych jest nast\u0119puj\u0105ca:<\/span><\/p>\n Doszliby\u015bmy do wniosku, \u017ce wielko\u015b\u0107 efektu w przypadku \u0107wicze\u0144 jest bardzo du\u017ca, podczas gdy wielko\u015b\u0107 efektu w przypadku p\u0142ci jest do\u015b\u0107 ma\u0142a.<\/span><\/p>\n Wyniki te odpowiadaj\u0105 warto\u015bciom p wy\u015bwietlonym w wynikach tabeli ANOVA. Warto\u015b\u0107 p dla \u0107wicze\u0144 (<0,000) jest znacznie mniejsza ni\u017c warto\u015b\u0107 p dla p\u0142ci (0,00263), co wskazuje, \u017ce \u0107wiczenia maj\u0105 znacznie wi\u0119ksze znaczenie w przewidywaniu utraty wagi.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak dopasowa\u0107 r\u00f3\u017cne modele ANOVA w R:<\/span><\/p>\n Jak wykona\u0107 jednokierunkow\u0105 ANOVA w R<\/a> Eta kwadrat jest miar\u0105 wielko\u015bci efektu powszechnie stosowan\u0105 w modelach ANOVA. Mierzy proporcj\u0119 wariancji zwi\u0105zan\u0105 z ka\u017cdym efektem g\u0142\u00f3wnym i efektem interakcji w modelu ANOVA i jest obliczany w nast\u0119puj\u0105cy spos\u00f3b: Eta do kwadratu = efekt SS \/ ca\u0142kowity SS Z\u0142oto: Efekt SS: Suma kwadrat\u00f3w efektu dla zmiennej. Total SS: Ca\u0142kowita suma kwadrat\u00f3w w modelu […]<\/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-1288","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
\n
Krok 1: Utw\u00f3rz dane<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set.seed(10)\n\n#create data frame\n<\/span>data <- data.frame(gender= rep<\/span> (c(\" Male<\/span> \", \" Female<\/span> \"), each<\/span> = 30),\n exercise= rep<\/span> (c(\" None<\/span> \", \" Light<\/span> \", \"Intense\"), each<\/span> = 10, times<\/span> =2),\n weight_loss=c(runif(10, -3, 3), runif(10, 0, 5), runif(10, 5, 9),\n runif(10, -4, 2), runif(10, 0, 3), runif(10, 3, 8)))\n\n#view first six rows of data frame\n<\/span>head(data)\n\n# gender exercise weight_loss\n#1 Male None 0.04486922\n#2 Male None -1.15938896\n#3 Male None -0.43855400\n#4 Male None 1.15861249\n#5 Male None -2.48918419\n#6 Male None -1.64738030\n\n#see how many participants are in each group<\/span>\ntable(data$gender, data$exercise)\n\n# Intense Light None\n# Female 10 10 10\n# Male 10 10 10<\/strong><\/pre>\n Krok 2: Dopasuj model ANOVA<\/strong><\/span><\/h2>\n
#fit the two-way ANOVA model<\/span>\nmodel <- aov(weight_loss ~ gender + exercise, data = data)\n\n#view the model output<\/span>\nsummary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ngender 1 15.8 15.80 9.916 0.00263 ** \nexercise 2 505.6 252.78 158.610 < 2nd-16 ***\nResiduals 56 89.2 1.59 \n<\/strong><\/pre>\n Krok 3: Oblicz eta do kwadratu<\/strong><\/span><\/h2>\n
#load lsr package<\/span>\nlibrary<\/span> (lsr)\n\n#calculate Eta Squared<\/span>\netaSquared(model)\n\n eta.sq eta.sq.part\ngender 0.0258824 0.1504401\nexercise 0.8279555 0.8499543\n<\/strong><\/pre>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak wykona\u0107 dwukierunkow\u0105 ANOVA w R<\/a>
Jak wykona\u0107 powtarzane pomiary ANOVA w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"