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.<\/span><\/p>\n Para saber exatamente quais grupos s\u00e3o diferentes entre si, precisamos realizar testes t pareados entre cada grupo<\/span> enquanto controlamos a taxa de erro familiar<\/a> .<\/span><\/p>\n Uma das maneiras mais comuns de fazer isso \u00e9 usar a corre\u00e7\u00e3o de Bonferroni<\/strong> ao calcular valores p para cada um dos testes t pareados.<\/span><\/p>\n Este tutorial explica como realizar a corre\u00e7\u00e3o de Bonferroni em R.<\/span><\/p>\n Suponha que um professor queira saber se tr\u00eas t\u00e9cnicas de estudo diferentes levam ou n\u00e3o a resultados diferentes em testes entre os alunos.<\/span><\/p>\n Para testar isso, ela designa aleatoriamente 10 alunos para usar cada t\u00e9cnica de estudo.<\/span> Depois de uma semana usando a t\u00e9cnica de estudo atribu\u00edda, cada aluno faz o mesmo exame.<\/span><\/p>\n Podemos usar as seguintes etapas em R para ajustar uma ANOVA unidirecional e usar a corre\u00e7\u00e3o de Bonferroni para calcular as diferen\u00e7as de pares entre os resultados dos exames de cada grupo.<\/span><\/p>\n Etapa 1: crie o conjunto de dados.<\/span><\/strong><\/p>\n O c\u00f3digo a seguir mostra como criar um conjunto de dados contendo os resultados dos exames de todos os 30 alunos:<\/span><\/p>\n Etapa 2: visualize os resultados dos exames de cada grupo.<\/span><\/strong><\/p>\n O c\u00f3digo a seguir mostra como produzir boxplots para visualizar a distribui\u00e7\u00e3o dos resultados dos exames para cada grupo:<\/span> <\/p>\n Etapa 3: execute uma ANOVA unidirecional.<\/span><\/strong><\/p>\n O c\u00f3digo a seguir mostra como realizar uma ANOVA unidirecional para testar as diferen\u00e7as entre as pontua\u00e7\u00f5es m\u00e9dias dos exames em cada grupo:<\/span><\/p>\n Como o valor p geral ( 0,0476<\/strong> ) \u00e9 inferior a 0,05, isso indica que cada grupo n\u00e3o tem a mesma nota m\u00e9dia no exame.<\/span><\/p>\n A seguir, realizaremos testes t pareados usando a corre\u00e7\u00e3o de Bonferroni para valores de p para calcular diferen\u00e7as pareadas entre os resultados dos exames de cada grupo.<\/span><\/p>\n Etapa 4: realizar testes t pareados.<\/strong><\/span><\/p>\n Para realizar testes t pareados com corre\u00e7\u00e3o de Bonferroni em R, podemos usar a fun\u00e7\u00e3o pairwise.t.test()<\/a> , que usa a seguinte sintaxe:<\/span><\/p>\n pairwise.t.test(x, g, p.adjust.method=\u201dbonferroni\u201d)<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n O c\u00f3digo a seguir mostra como usar esta fun\u00e7\u00e3o em nosso exemplo:<\/span><\/p>\n A forma de interpretar o resultado \u00e9 a seguinte:<\/span><\/p>\n Com base nos resultados, podemos perceber que a \u00fanica diferen\u00e7a significativa est\u00e1 entre a t\u00e9cnica 1 e a t\u00e9cnica 3.<\/span><\/p>\n Uma introdu\u00e7\u00e3o \u00e0 ANOVA unidirecional<\/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-1240","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: corre\u00e7\u00e3o de Bonferroni em R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndata <- data.frame(technique = rep<\/span> (c(\"tech1\", \"tech2\", \"tech3\"), each<\/span> = 10<\/span> ),\n score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89,\n 81, 82, 83, 83, 83, 84, 87, 90, 92, 93,\n 77, 78, 79, 88, 89, 90, 91, 95, 95, 98))\n\n#view first six rows of data frame<\/span>\nhead(data)\n\n technical score\n1 tech1 76\n2 tech1 77\n3 tech1 77\n4 tech1 81\n5 tech1 82\n6 tech1 82\n<\/strong><\/pre>\n boxplot(score ~ technique,\n data = data,\n main = \"Exam Scores by Studying Technique\",\n xlab = \"Studying Technique\",\n ylab = \"Exam Scores\",\n col = \"steelblue\",\n border = \"black\")\n<\/strong><\/pre>\n
![\"Corre\u00e7\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonf1.png\")
<\/p>\n #fit the one-way ANOVA model<\/span>\nmodel <- aov(score ~ technique, data = data)\n\n#view model output\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 211.5 105.73 3.415 0.0476 *\nResiduals 27 836.0 30.96 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n\n
#perform pairwise t-tests with Bonferroni's correction<\/span>\npairwise.t.test(data$score, data$technique, p.adjust.method=\" bonferroni<\/span> \")\n\n\tPairwise comparisons using t tests with pooled SD \n\ndata: data$score and data$technique \n\n tech1 tech2\ntech2 0.309 - \ntech3 0.048 1.000\n\nP value adjustment method: bonferroni<\/strong><\/pre>\n\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar ANOVA unidirecional em R<\/a>
Como realizar o teste de Tukey em R<\/a>
Como realizar o teste de Dunnett em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"