<\/p>\n
Jednoczynnikow\u0105 ANOVA<\/a> stosuje si\u0119 do okre\u015blenia, czy istnieje statystycznie istotna r\u00f3\u017cnica mi\u0119dzy \u015brednimi z trzech lub wi\u0119cej niezale\u017cnych grup.<\/span><\/p>\n Ten samouczek zawiera kompletny przewodnik dotycz\u0105cy interpretacji wynik\u00f3w jednokierunkowej analizy ANOVA w j\u0119zyku R.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy ustali\u0107, czy trzy r\u00f3\u017cne programy treningowe powoduj\u0105 r\u00f3\u017cn\u0105 \u015bredni\u0105 utrat\u0119 wagi u poszczeg\u00f3lnych os\u00f3b.<\/span><\/p>\n Aby to przetestowa\u0107,<\/span> rekrutujemy 90 os\u00f3b do udzia\u0142u w eksperymencie, w kt\u00f3rym losowo przydzielamy 30 os\u00f3b do uczestniczenia w Programie A, Programie B lub Programie C przez miesi\u0105c.<\/span><\/p>\n Poni\u017cszy kod tworzy ramk\u0119 danych, z kt\u00f3r\u0105 b\u0119dziemy pracowa\u0107:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy polecenia aov()<\/strong> , aby wykona\u0107 jednokierunkow\u0105 ANOVA:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy polecenia podsumowanie()<\/strong> do wy\u015bwietlenia jednokierunkowych wynik\u00f3w ANOVA:<\/span><\/p>\n Oto jak interpretowa\u0107 ka\u017cd\u0105 warto\u015b\u0107 wyniku:<\/span><\/p>\n Program Df:<\/strong> Stopnie swobody programu<\/em> zmiennego. Oblicza si\u0119 to jako #grupy -1. W tym przypadku by\u0142y 3 r\u00f3\u017cne programy szkoleniowe, wi\u0119c ta warto\u015b\u0107 wynosi: 3-1 = 2<\/strong> .<\/span><\/p>\n Df Reszty:<\/strong> Stopnie swobody reszt. Oblicza si\u0119 to jako #obserwacje og\u00f3\u0142em \u2013 #grupy. W tym przypadku by\u0142o 90 obserwacji i 3 grupy, zatem warto\u015b\u0107 ta wynosi: 90 -3 = 87<\/strong> .<\/span><\/p>\n Suma programu Sq:<\/strong> Suma kwadrat\u00f3w skojarzona z programem<\/em> zmiennym. Warto\u015b\u0107 ta wynosi 98,93<\/strong> .<\/span><\/p>\n Suma kwadrat\u00f3w reszt:<\/strong> suma kwadrat\u00f3w zwi\u0105zanych z resztami lub \u201eb\u0142\u0119dami\u201d. Warto\u015b\u0107 ta wynosi 139,57<\/strong> .<\/span><\/p>\n \u015aredni kwadrat. Program:<\/strong> \u015arednia suma kwadrat\u00f3w skojarzona z programem. Oblicza si\u0119 to jako sum\u0119 kwadratow\u0105. program \/ program Df. W tym przypadku oblicza si\u0119 to nast\u0119puj\u0105co: 98,93 \/ 2 = 49,46<\/strong> .<\/span><\/p>\n \u015aredni kwadrat. Reszty:<\/strong> \u015brednia suma kwadrat\u00f3w zwi\u0105zanych z resztami. Oblicza si\u0119 to jako sum\u0119 kwadratow\u0105. pozosta\u0142o\u015bci \/ pozosta\u0142o\u015bci Df. W tym przypadku oblicza si\u0119 to w nast\u0119puj\u0105cy spos\u00f3b: 139,57 \/ 87 = 1,60<\/strong> .<\/span><\/p>\n Warto\u015b\u0107 F:<\/strong> Og\u00f3lna statystyka F modelu ANOVA. Oblicza si\u0119 to jako \u015bredni kwadrat. program \/ \u015aredni kwadrat. Pozosta\u0142o\u015bci. W tym przypadku oblicza si\u0119 to w nast\u0119puj\u0105cy spos\u00f3b: 49,46 \/ 1,60 = 30,83<\/strong> .<\/span><\/p>\n Pr(>F):<\/strong> Warto\u015b\u0107 p powi\u0105zana ze statystyk\u0105 F z licznikiem df = 2 i mianownikiem df = 87. W tym przypadku warto\u015b\u0107 p wynosi 7,552e-11<\/strong> , co jest niezwykle ma\u0142\u0105 liczb\u0105.<\/span><\/p>\n Najwa\u017cniejsz\u0105 warto\u015bci\u0105 w zestawie wynik\u00f3w jest warto\u015b\u0107 p, poniewa\u017c m\u00f3wi nam, czy istnieje istotna r\u00f3\u017cnica w warto\u015bciach \u015brednich pomi\u0119dzy trzema grupami.<\/span><\/p>\n Przypomnijmy, \u017ce jednokierunkowa analiza ANOVA wykorzystuje nast\u0119puj\u0105ce hipotezy zerowe i alternatywne:<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p w naszej tabeli ANOVA (0,7552e-11) jest mniejsza ni\u017c 0,05, mamy wystarczaj\u0105ce dowody, aby odrzuci\u0107 hipotez\u0119 zerow\u0105.<\/span><\/p>\n Oznacza to, \u017ce mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce \u015brednia utrata masy cia\u0142a do\u015bwiadczana przez poszczeg\u00f3lne osoby nie jest r\u00f3wna w przypadku trzech program\u00f3w treningowych.<\/span><\/p>\n Je\u015bli warto\u015b\u0107 p w wyniku ANOVA jest mniejsza ni\u017c 0,05, odrzucamy hipotez\u0119 zerow\u0105. To m\u00f3wi nam, \u017ce \u015brednia warto\u015b\u0107 pomi\u0119dzy ka\u017cd\u0105 grup\u0105 nie jest r\u00f3wna. Nie m\u00f3wi nam to jednak , kt\u00f3re<\/em> grupy r\u00f3\u017cni\u0105 si\u0119 od siebie.<\/span><\/p>\n Aby si\u0119 tego dowiedzie\u0107, musimy przeprowadzi\u0107 test post hoc<\/a> . W R mo\u017cemy w tym celu u\u017cy\u0107 funkcji TukeyHSD()<\/strong> :<\/span><\/p>\n Oto jak interpretowa\u0107 wyniki:<\/span><\/p>\n Poniewa\u017c ka\u017cda z skorygowanych warto\u015bci p jest mniejsza ni\u017c 0,05, mo\u017cemy stwierdzi\u0107, \u017ce istnieje znacz\u0105ca r\u00f3\u017cnica w \u015bredniej utracie masy cia\u0142a pomi\u0119dzy ka\u017cd\u0105<\/em> grup\u0105.<\/span><\/p>\n Wprowadzenie do jednokierunkowej ANOVA<\/a> Jednoczynnikow\u0105 ANOVA stosuje si\u0119 do okre\u015blenia, czy istnieje statystycznie istotna r\u00f3\u017cnica mi\u0119dzy \u015brednimi z trzech lub wi\u0119cej niezale\u017cnych grup. Ten samouczek zawiera kompletny przewodnik dotycz\u0105cy interpretacji wynik\u00f3w jednokierunkowej analizy ANOVA w j\u0119zyku R. Krok 1: Utw\u00f3rz dane Za\u0142\u00f3\u017cmy, \u017ce chcemy ustali\u0107, czy trzy r\u00f3\u017cne programy treningowe powoduj\u0105 r\u00f3\u017cn\u0105 \u015bredni\u0105 utrat\u0119 wagi u poszczeg\u00f3lnych os\u00f3b. Aby […]<\/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-1714","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Utw\u00f3rz dane<\/strong><\/h3>\n
#make this example reproducible\nset. seeds<\/span> (0)\n<\/span>\n#create data frame\ndata <- data. frame<\/span> (program = rep(c(' A<\/span> ', ' B<\/span> ', ' C<\/span> '), each = 30),\n weight_loss = c(runif(30, 0, 3),\n runif(30, 0, 5),\n runif(30, 1, 7)))<\/span>\n\n#view first six rows of data frame\nhead(data)\n<\/span>\nprogram weight_loss\n1 A 2.6900916\n2 A 0.7965260\n3 A 1.1163717\n4 A 1.7185601\n5 A 2.7246234\n6 A 0.6050458<\/span>\n<\/span><\/strong><\/pre>\n Krok 2: Wykonaj ANOVA<\/strong><\/h3>\n
#fit one-way ANOVA model\nmodel <- aov(weight_loss ~ program, data = data)<\/span>\n<\/span><\/strong><\/pre>\n Krok 3: Interpretacja wynik\u00f3w ANOVA<\/strong><\/span><\/h3>\n
#view summary of one-way ANOVA model\nsummary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 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<\/span><\/span><\/strong><\/pre>\n\n
Krok 4: Wykonaj test post-hoc (je\u015bli to konieczne)<\/strong><\/span><\/h3>\n
#perform Tukey post-hoc test\nTukeyHSD(model)\n\n$program\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<\/span><\/span><\/strong><\/pre>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak sprawdzi\u0107 za\u0142o\u017cenia ANOVA<\/a>
Jak r\u0119cznie wykona\u0107 jednokierunkow\u0105 ANOVA<\/a>
Jednokierunkowy kalkulator ANOVA<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"