<\/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 Uma ANOVA unidirecional usa as seguintes hip\u00f3teses nulas e alternativas:<\/span><\/p>\n Se o valor p<\/a> geral da ANOVA estiver abaixo de um certo n\u00edvel de signific\u00e2ncia (por exemplo, \u03b1 = 0,05), ent\u00e3o rejeitamos a hip\u00f3tese nula e conclu\u00edmos que todas as m\u00e9dias do grupo n\u00e3o s\u00e3o iguais.<\/span><\/p>\n Para descobrir quais m\u00e9dias de grupo s\u00e3o diferentes, podemos ent\u00e3o realizar compara\u00e7\u00f5es post-hoc aos pares<\/strong> .<\/span><\/p>\n O exemplo a seguir mostra como realizar as seguintes compara\u00e7\u00f5es post-hoc de pares 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. Para testar isso, ela designa aleatoriamente<\/a> 10 alunos para usar cada t\u00e9cnica de estudo e registra os resultados dos exames.<\/span><\/p>\n Podemos usar o seguinte c\u00f3digo em R para realizar uma ANOVA unidirecional para testar as diferen\u00e7as nas notas m\u00e9dias dos exames entre os tr\u00eas grupos:<\/span><\/p>\n O valor p geral da ANOVA (0,0476) \u00e9 menor que \u03b1 = 0,05, portanto rejeitaremos a hip\u00f3tese nula de que a nota m\u00e9dia do exame \u00e9 a mesma para cada t\u00e9cnica de estudo.<\/span><\/p>\n Podemos fazer compara\u00e7\u00f5es post-hoc aos pares para determinar quais grupos t\u00eam m\u00e9dias diferentes.<\/span><\/p>\n \u00c9 melhor usar o m\u00e9todo post hoc de Tukey quando o tamanho da amostra de cada grupo for igual.<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o TukeyHSD()<\/strong> integrada para executar o m\u00e9todo post-hoc Tukey em R:<\/span><\/p>\n Pelo resultado, podemos perceber que o \u00fanico valor p (\u201c p adj<\/strong> \u201d) menor que 0,05 \u00e9 a diferen\u00e7a entre a t\u00e9cnica e a t\u00e9cnica 3.<\/span><\/p>\n Assim, concluir\u00edamos que existe apenas uma diferen\u00e7a estatisticamente significativa nas notas m\u00e9dias dos exames entre os alunos que utilizaram a T\u00e9cnica 1 e a T\u00e9cnica 3.<\/span><\/p>\n O m\u00e9todo Scheffe \u00e9 o m\u00e9todo de compara\u00e7\u00e3o par a par post-hoc mais conservador e produz os intervalos de confian\u00e7a mais amplos ao comparar m\u00e9dias de grupos.<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o ScheffeTest()<\/strong> do pacote DescTools<\/a> para executar o m\u00e9todo post-hoc Scheffe em R:<\/span><\/p>\n Pelos resultados podemos perceber que n\u00e3o existem valores de p inferiores a 0,05, portanto concluir\u00edamos que n\u00e3o h\u00e1 diferen\u00e7a estatisticamente significativa nas notas m\u00e9dias dos exames entre os grupos.<\/span><\/p>\n \u00c9 melhor usar o m\u00e9todo Bonferroni quando voc\u00ea deseja realizar um conjunto de compara\u00e7\u00f5es planejadas aos pares.<\/span><\/p>\n Podemos usar a seguinte sintaxe em R para executar o m\u00e9todo post hoc de Bonferroni:<\/span><\/p>\n Pelo resultado, podemos perceber que o \u00fanico valor de p menor que 0,05 \u00e9 a diferen\u00e7a entre a t\u00e9cnica e a t\u00e9cnica 3.<\/span><\/p>\n Assim, concluir\u00edamos que existe apenas uma diferen\u00e7a estatisticamente significativa nas notas m\u00e9dias dos exames entre os alunos que utilizaram a T\u00e9cnica 1 e a T\u00e9cnica 3.<\/span><\/p>\n O m\u00e9todo Holm tamb\u00e9m \u00e9 usado quando voc\u00ea deseja realizar um conjunto de compara\u00e7\u00f5es planejadas de pares de antem\u00e3o e tende a ter um poder ainda maior do que o m\u00e9todo Bonferroni, por isso \u00e9 frequentemente preferido.<\/span><\/p>\n Podemos usar a seguinte sintaxe em R para executar o m\u00e9todo post-hoc de Holm:<\/span><\/p>\n Pelo resultado, podemos perceber que o \u00fanico valor de p menor que 0,05 \u00e9 a diferen\u00e7a entre a t\u00e9cnica e a t\u00e9cnica 3.<\/span><\/p>\n Assim, mais uma vez, concluir\u00edamos que existe apenas uma diferen\u00e7a estatisticamente significativa nas notas m\u00e9dias dos exames entre os alunos que utilizaram a T\u00e9cnica 1 e a T\u00e9cnica 3.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre ANOVA e testes post-hoc:<\/span><\/p>\n Como interpretar o valor F e o valor P na 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. Uma ANOVA unidirecional usa as seguintes hip\u00f3teses nulas e alternativas: H 0 : Todas as m\u00e9dias do grupo s\u00e3o iguais. HA : Nem todas as m\u00e9dias dos grupos s\u00e3o iguais. Se […]<\/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-2493","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
\n
Exemplo: ANOVA unidirecional em R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data.frame(technique = rep(c(\" tech1<\/span> \", \" tech2<\/span> \", \" tech3<\/span> \"), each= 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#perform one-way ANOVA\n<\/span>model <- aov(score ~ technique, data = df)\n\n#view output of ANOVA\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 O m\u00e9todo Tukey<\/strong><\/span><\/h3>\n
#perform the Tukey post-hoc method<\/span>\nTukeyHSD(model, conf. level<\/span> = .95<\/span> )\n\n Tukey multiple comparisons of means\n 95% family-wise confidence level\n\nFit: aov(formula = score ~ technique, data = df)\n\n$technical\n diff lwr upr p adj\ntech2-tech1 4.2 -1.9700112 10.370011 0.2281369\ntech3-tech1 6.4 0.2299888 12.570011 0.0409017\ntech3-tech2 2.2 -3.9700112 8.370011 0.6547756<\/strong><\/pre>\n O m\u00e9todo Scheffe<\/strong><\/span><\/h3>\n
library<\/span> (DescTools)<\/span>\n\n#perform the Scheffe post-hoc method<\/span>\nScheffeTest(model)\n\n Posthoc multiple comparisons of means: Scheffe Test \n 95% family-wise confidence level\n\n$technical\n diff lwr.ci upr.ci pval \ntech2-tech1 4.2 -2.24527202 10.645272 0.2582 \ntech3-tech1 6.4 -0.04527202 12.845272 0.0519 . \ntech3-tech2 2.2 -4.24527202 8.645272 0.6803 \n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1'''156<\/strong><\/pre>\n O m\u00e9todo Bonferroni<\/strong><\/span><\/h3>\n
#perform the Bonferroni post-hoc method\npairwise. t<\/span> . test<\/span> (df$score, df$technique, p. adj<\/span> = ' bonferroni<\/span> ')<\/span>\n<\/span>\n\tPairwise comparisons using t tests with pooled SD \n\ndata: df$score and df$technique \n\n tech1 tech2\ntech2 0.309 - \ntech3 0.048 1.000\n\nP value adjustment method: bonferroni<\/strong><\/pre>\n O m\u00e9todo Holm<\/strong><\/span><\/h3>\n
#perform the Holm post-hoc method\npairwise. t<\/span> . test<\/span> (df$score, df$technique, p. adj<\/span> = ' holm<\/span> ')<\/span>\n<\/span>\n\tPairwise comparisons using t tests with pooled SD \n\ndata: df$score and df$technique \n\n tech1 tech2\ntech2 0.206 - \ntech3 0.048 0.384\n\nP value adjustment method: holm<\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
O guia completo: como relatar resultados de ANOVA<\/a>
Tukey vs. Bonferroni vs. Scheffe: Qual teste voc\u00ea deve usar?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"