<\/p>\n
Uma ANOVA de tr\u00eas fatores<\/strong> \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 que foram distribu\u00eddos por tr\u00eas fatores.<\/span><\/p>\n O exemplo a seguir mostra como realizar uma ANOVA de tr\u00eas fatores em R.<\/span><\/p>\n Suponha que um pesquisador queira determinar se dois programas de treinamento levam a diferentes melhorias m\u00e9dias na altura do salto entre jogadores universit\u00e1rios de basquete.<\/span><\/p>\n O pesquisador suspeita que o g\u00eanero e a divis\u00e3o (Divis\u00e3o I ou II) tamb\u00e9m possam afetar a altura do salto, por isso tamb\u00e9m coleta dados sobre esses fatores.<\/span><\/p>\n Seu objetivo \u00e9 realizar uma ANOVA de tr\u00eas fatores para determinar como o programa de treinamento, o g\u00eanero e a divis\u00e3o afetam a altura do salto.<\/span><\/p>\n Siga as etapas a seguir para realizar esta ANOVA de tr\u00eas fatores em R:<\/span><\/p>\n Etapa 1: crie os dados<\/strong><\/span><\/p>\n Primeiro, vamos criar um quadro de dados para armazenar os dados:<\/span><\/p>\n Etapa 2: visualizar estat\u00edsticas descritivas<\/strong><\/span><\/p>\n Antes de realizar a ANOVA de tr\u00eas fatores, podemos usar o dplyr<\/a> para resumir rapidamente o aumento m\u00e9dio da altura do salto agrupado por programa de treinamento, g\u00eanero e divis\u00e3o:<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n E assim por diante.<\/span><\/p>\n Etapa 3: execute a ANOVA de tr\u00eas fatores<\/strong><\/span><\/p>\n A seguir, podemos usar a fun\u00e7\u00e3o aov()<\/strong> para realizar a ANOVA de tr\u00eas fatores:<\/span><\/p>\n A coluna Pr(>F)<\/strong> exibe o valor p para cada fator individual e as intera\u00e7\u00f5es entre os fatores.<\/span><\/p>\n A partir dos resultados, podemos ver que nenhuma das intera\u00e7\u00f5es entre os tr\u00eas fatores foi estatisticamente significativa.<\/span><\/p>\n Podemos tamb\u00e9m ver que cada um dos tr\u00eas factores \u2013 programa, g\u00e9nero e divis\u00e3o \u2013 foi estatisticamente significativo.<\/span><\/p>\n Agora podemos usar dplyr novamente para encontrar o aumento m\u00e9dio da altura do salto para programa, g\u00eanero e divis\u00e3o separadamente:<\/span><\/p>\n Pelo resultado podemos observar o seguinte:<\/span><\/p>\n Concluindo, dir\u00edamos que o programa de treinamento, o g\u00eanero e a divis\u00e3o s\u00e3o indicadores significativos do aumento da altura do salto nos jogadores.<\/span><\/p>\n Dir\u00edamos tamb\u00e9m que n\u00e3o existem efeitos de intera\u00e7\u00e3o significativos entre estes tr\u00eas fatores.<\/span><\/p>\n Os tutoriais a seguir explicam como ajustar outros modelos ANOVA em R:<\/span><\/p>\n Como realizar ANOVA unidirecional em R<\/a> Uma ANOVA de tr\u00eas fatores \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 que foram distribu\u00eddos por tr\u00eas fatores. O exemplo a seguir mostra como realizar uma ANOVA de tr\u00eas fatores em R. Exemplo: ANOVA de tr\u00eas fatores em R Suponha que […]<\/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-2547","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: ANOVA de tr\u00eas fatores em R<\/strong><\/span><\/h2>\n
#create dataset\n<\/span>df <- data. frame<\/span> (program=rep(c(1, 2), each= 20<\/span> ),\n gender=rep(c(' M<\/span> ', ' F<\/span> '), each= 10<\/span> , times= 2<\/span> ),\n division=rep(c(1, 2), each= 5<\/span> , times= 4<\/span> ),\n height=c(7, 7, 8, 8, 7, 6, 6, 5, 6, 5,\n 5, 5, 4, 5, 4, 3, 3, 4, 3, 3,\n 6, 6, 5, 4, 5, 4, 5, 4, 4, 3,\n 2, 2, 1, 4, 4, 2, 1, 1, 2, 1)) \n\n#view first six rows of dataset\n<\/span>head(df)\n\n program gender division height\n1 1 M 1 7\n2 1 M 1 7\n3 1 M 1 8\n4 1 M 1 8\n5 1 M 1 7\n6 1 M 2 6<\/strong><\/pre>\n library<\/span> (dplyr)\n\n#calculate mean jumping height increase grouped by program, gender, and division\n<\/span>df %>%\n group_by(program, gender, division) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 8 x 4\n# Groups: program, gender [4]\n program gender division mean_height\n \n1 1 F 1 4.6\n2 1 F 2 3.2\n3 1 M 1 7.4\n4 1 M 2 5.6\n5 2 F 1 2.6\n6 2 F 2 1.4\n7 2 M 1 5.2\n8 2 M 2 4 \n<\/strong><\/pre>\n\n
#perform three-way ANOVA<\/span>\nmodel <- aov(height ~ program * gender * division, data=df)\n\n#view summary of three-way ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \nprogram 1 36.1 36.10 65.636 2.98e-09 ***\ngender 1 67.6 67.60 122.909 1.71e-12 ***\ndivision 1 19.6 19.60 35.636 1.19e-06 ***\nprogram:gender 1 0.0 0.00 0.000 1.000 \nprogram:division 1 0.4 0.40 0.727 0.400 \ngender:division 1 0.1 0.10 0.182 0.673 \nprogram:gender:division 1 0.1 0.10 0.182 0.673 \nResiduals 32 17.6 0.55 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n library<\/span> (dplyr)\n<\/span>\n#find mean jumping increase by program<\/span>\ndf %>%\n group_by(program) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n program mean_height\n \n1 1 5.2\n2 2 3.3\n\n#find mean jumping increase by gender\n<\/span>df %>%\n group_by(gender) %>%\n summarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n gender mean_height\n \n1 F 2.95\n2M 5.55\n\n#find mean jumping increase by division\n<\/span>df %>%\ngroup_by(division) %>%\nsummarize(mean_height = mean(height))\n\n# A tibble: 2 x 2\n division mean_height\n \n1 1 4.95\n2 2 3.55<\/strong><\/pre>\n\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar ANOVA bidirecional em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"