Se o valor p<\/a> geral da tabela ANOVA estiver abaixo de um certo n\u00edvel de signific\u00e2ncia, ent\u00e3o temos evid\u00eancias suficientes para dizer que pelo menos uma das m\u00e9dias do grupo \u00e9 diferente das outras.<\/span><\/p>\n No entanto, isso n\u00e3o nos diz quais<\/em> grupos s\u00e3o diferentes uns dos outros. Isto simplesmente nos diz que nem todas as m\u00e9dias dos grupos s\u00e3o iguais. Para saber exatamente quais grupos s\u00e3o diferentes entre si, precisamos realizar um teste post hoc<\/a> .<\/span><\/p>\n Um dos testes post hoc mais comumente usados \u00e9 o teste de Tukey<\/strong> , que nos permite realizar compara\u00e7\u00f5es pareadas entre as m\u00e9dias de cada grupo enquanto controlamos a taxa de erro familiar<\/a> .<\/span><\/p>\n Este tutorial explica como realizar o teste de Tukey em R.<\/span><\/p>\n Nota:<\/strong> Se algum dos grupos do seu estudo for considerado um grupo de controle, voc\u00ea dever\u00e1 usar o teste de Dunnett<\/a> como teste post-hoc.<\/em><\/span><\/p>\n Etapa 1: ajuste o modelo ANOVA.<\/strong><\/span><\/p>\n O c\u00f3digo a seguir mostra como criar um conjunto de dados falso com tr\u00eas grupos (A, B e C) e ajustar um modelo ANOVA unidirecional aos dados para determinar se os valores m\u00e9dios de cada grupo s\u00e3o iguais:<\/span><\/p>\n Podemos ver que o valor p geral da tabela ANOVA \u00e9 7,55e-11<\/strong> . Como esse n\u00famero \u00e9 inferior a 0,05, temos evid\u00eancias suficientes para afirmar que os valores m\u00e9dios de cada grupo n\u00e3o s\u00e3o iguais. Portanto, podemos fazer o teste de Tukey para determinar exatamente quais m\u00e9dias de grupo s\u00e3o diferentes.<\/span><\/p>\n Passo 2: Realize o teste de Tukey.<\/strong><\/span><\/p>\n O c\u00f3digo a seguir mostra como usar a fun\u00e7\u00e3o TukeyHSD()<\/strong> para realizar o teste de Tukey:<\/span><\/p>\n O valor p indica se h\u00e1 ou n\u00e3o diferen\u00e7a estatisticamente significativa entre cada programa. Os resultados mostram que existe diferen\u00e7a estatisticamente significativa entre a perda m\u00e9dia de peso de cada programa no n\u00edvel de signific\u00e2ncia de 0,05.<\/span><\/p>\n Especialmente:<\/span><\/p>\n Etapa 3: visualize os resultados.<\/strong><\/span><\/p>\n Tamb\u00e9m podemos usar a fun\u00e7\u00e3o plot(TukeyHSD())<\/strong> para visualizar intervalos de confian\u00e7a:<\/span><\/p>\n Nota: O argumento las<\/strong> especifica que os r\u00f3tulos de escala devem ser perpendiculares (las=2) ao eixo.<\/span><\/em> <\/p>\n Podemos perceber que nenhum dos intervalos de confian\u00e7a para o valor m\u00e9dio entre os grupos cont\u00e9m o valor zero, indicando que h\u00e1 diferen\u00e7a estatisticamente significativa na perda m\u00e9dia entre os tr\u00eas grupos. Isso \u00e9 consistente com todos os valores de p para nossos testes de hip\u00f3tese sendo inferiores a 0,05.<\/span><\/p>\n Para este exemplo espec\u00edfico, podemos concluir o seguinte:<\/span><\/p>\n Um guia para usar testes post-hoc com ANOVA<\/a> Uma ANOVA unidirecional \u00e9 usada para determinar se h\u00e1 ou n\u00e3o uma diferen\u00e7a estatisticamente significativa entre as m\u00e9dias de tr\u00eas ou mais grupos independentes. Se o valor p geral da tabela ANOVA estiver abaixo de um certo n\u00edvel de signific\u00e2ncia, ent\u00e3o temos evid\u00eancias suficientes para dizer que pelo menos uma das m\u00e9dias do grupo \u00e9 […]<\/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-1010","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: teste de Tukey em 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![\"Teste](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/tukey1.png\")
<\/p>\n\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar ANOVA unidirecional em R<\/a>
Como realizar ANOVA bidirecional em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"