<\/p>\n
Uma ANOVA unidirecional<\/a> \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.<\/span><\/p>\n Este tutorial fornece um guia completo sobre como interpretar os resultados de uma ANOVA unidirecional em R.<\/span><\/p>\n Suponha que queiramos determinar se tr\u00eas programas de treinamento diferentes resultam em perdas m\u00e9dias de peso diferentes nos indiv\u00edduos.<\/span><\/p>\n Para testar isso,<\/span> recrutamos 90 pessoas para participar de um experimento no qual designamos aleatoriamente 30 pessoas para seguir o Programa A, o Programa B ou o Programa C durante um m\u00eas.<\/span><\/p>\n O c\u00f3digo a seguir cria o quadro de dados com o qual trabalharemos:<\/span><\/p>\n A seguir, usaremos o comando aov()<\/strong> para realizar uma ANOVA unidirecional:<\/span><\/p>\n A seguir, usaremos o comando summary()<\/strong> para exibir os resultados da ANOVA unidirecional:<\/span><\/p>\n Veja como interpretar cada valor de resultado:<\/span><\/p>\n Programa Df:<\/strong> Os graus de liberdade da vari\u00e1vel programa<\/em> . Isso \u00e9 calculado como #groups -1. Neste caso foram 3 programas de treinamento diferentes, ent\u00e3o esse valor \u00e9: 3-1 = 2<\/strong> .<\/span><\/p>\n Res\u00edduos Df:<\/strong> Os graus de liberdade para os res\u00edduos. Isso \u00e9 calculado como #total de observa\u00e7\u00f5es \u2013 #grupos. Neste caso, foram 90 observa\u00e7\u00f5es e 3 grupos, ent\u00e3o esse valor \u00e9: 90 -3 = 87<\/strong> .<\/span><\/p>\n Program Sum Sq:<\/strong> A soma dos quadrados associados \u00e0 vari\u00e1vel program<\/em> . Este valor \u00e9 98,93<\/strong> .<\/span><\/p>\n Soma dos res\u00edduos quadrados:<\/strong> soma dos quadrados associados aos res\u00edduos ou \u201cerros\u201d. Este valor \u00e9 139,57<\/strong> .<\/span><\/p>\n Quadrado m\u00e9dio. Programa:<\/strong> A soma m\u00e9dia dos quadrados associados ao programa. Isso \u00e9 calculado como a soma quadrada. programa \/ programa Df. Neste caso, isso \u00e9 calculado como: 98,93 \/ 2 = 49,46<\/strong> .<\/span><\/p>\n Quadrado m\u00e9dio. Res\u00edduos:<\/strong> soma m\u00e9dia dos quadrados associados aos res\u00edduos. Isso \u00e9 calculado como a soma quadrada. res\u00edduos\/res\u00edduos Df. Neste caso, isso \u00e9 calculado da seguinte forma: 139,57 \/ 87 = 1,60<\/strong> .<\/span><\/p>\n Valor F:<\/strong> A estat\u00edstica F geral do modelo ANOVA. Isso \u00e9 calculado como o quadrado m\u00e9dio. programa \/ quadrado m\u00e9dio. Res\u00edduos. Neste caso, \u00e9 calculado da seguinte forma: 49,46 \/ 1,60 = 30,83<\/strong> .<\/span><\/p>\n Pr(>F):<\/strong> O valor p associado \u00e0 estat\u00edstica F com numerador df = 2 e denominador df = 87. Nesse caso, o valor p \u00e9 7.552e-11<\/strong> , que \u00e9 um n\u00famero extremamente pequeno.<\/span><\/p>\n O valor mais importante no conjunto de resultados \u00e9 o valor p, pois nos diz se h\u00e1 diferen\u00e7a significativa nos valores m\u00e9dios entre os tr\u00eas grupos.<\/span><\/p>\n Lembre-se de que uma ANOVA unidirecional usa as seguintes hip\u00f3teses nulas e alternativas:<\/span><\/p>\n Como o valor p em nossa tabela ANOVA (0,7552e-11) \u00e9 inferior a 0,05, temos evid\u00eancias suficientes para rejeitar a hip\u00f3tese nula.<\/span><\/p>\n Isto significa que temos provas suficientes para afirmar que a perda m\u00e9dia de peso experimentada pelos indiv\u00edduos n\u00e3o \u00e9 igual entre os tr\u00eas programas de treino.<\/span><\/p>\n Se o valor p na sa\u00edda da ANOVA for inferior a 0,05, rejeitamos a hip\u00f3tese nula. Isso nos diz que o valor m\u00e9dio entre cada grupo n\u00e3o \u00e9 igual. No entanto, isso n\u00e3o nos diz quais<\/em> grupos diferem uns dos outros.<\/span><\/p>\n Para descobrir, precisamos realizar um teste post hoc<\/a> . Em R, podemos usar a fun\u00e7\u00e3o TukeyHSD()<\/strong> para fazer isso:<\/span><\/p>\n Veja como interpretar os resultados:<\/span><\/p>\n Como cada um dos valores de p ajustados \u00e9 inferior a 0,05, podemos concluir que existe uma diferen\u00e7a significativa na perda m\u00e9dia de peso entre cada<\/em> grupo.<\/span><\/p>\n 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. Este tutorial fornece um guia completo sobre como interpretar os resultados de uma ANOVA unidirecional em R. Etapa 1: crie os dados Suponha que queiramos determinar se tr\u00eas programas de treinamento […]<\/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-1715","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: crie os dados<\/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 Etapa 2: execute a ANOVA<\/strong><\/h3>\n
#fit one-way ANOVA model\nmodel <- aov(weight_loss ~ program, data = data)<\/span>\n<\/span><\/strong><\/pre>\n Etapa 3: interpretar os resultados da 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
Etapa 4: realizar testes post-hoc (se necess\u00e1rio)<\/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
Recursos adicionais<\/strong><\/span><\/h3>\n
Como verificar as suposi\u00e7\u00f5es da ANOVA<\/a>
Como realizar manualmente uma ANOVA unidirecional<\/a>
Calculadora ANOVA unidirecional<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"