<\/p>\n
O teste de Friedman<\/strong> \u00e9 uma alternativa n\u00e3o param\u00e9trica \u00e0 ANOVA de medidas repetidas. \u00c9 utilizado para determinar se existe ou n\u00e3o diferen\u00e7a estatisticamente significativa entre as m\u00e9dias de tr\u00eas ou mais grupos em que os mesmos sujeitos aparecem em cada grupo.<\/span><\/p>\n Este tutorial explica como realizar o teste de Friedman em R.<\/span><\/p>\n Para realizar o teste de Friedman em R, podemos usar a fun\u00e7\u00e3o friedman.test()<\/strong> , que utiliza a seguinte sintaxe:<\/span><\/p>\n friedman.test (y, grupos, blocos)<\/span><\/strong><\/p>\n Ouro:<\/span><\/p>\n Esta fun\u00e7\u00e3o produz uma estat\u00edstica de teste qui-quadrado e um valor p correspondente. Se o valor p estiver abaixo de um certo n\u00edvel de signific\u00e2ncia (as escolhas comuns s\u00e3o 0,10, 0,05 e 0,01), ent\u00e3o h\u00e1 evid\u00eancias suficientes de que as m\u00e9dias entre cada um dos grupos n\u00e3o s\u00e3o iguais.<\/span><\/p>\n Para ilustrar como usar esse recurso, criaremos um conjunto de dados que mostra o tempo de rea\u00e7\u00e3o de cinco pacientes com quatro medicamentos diferentes. Como cada paciente \u00e9 medido com cada um dos quatro medicamentos, usaremos o teste de Friedman para determinar se o tempo m\u00e9dio de rea\u00e7\u00e3o difere entre os medicamentos.<\/span><\/p>\n Primeiro, criaremos o conjunto de dados:<\/span><\/p>\n A seguir, realizaremos o teste de Friedman utilizando a pontua\u00e7\u00e3o<\/strong> como vari\u00e1vel resposta, o medicamento<\/strong> como vari\u00e1vel de agrupamento e a pessoa<\/strong> como vari\u00e1vel de bloqueio:<\/span><\/p>\n A estat\u00edstica do teste qui-quadrado \u00e9 13,56<\/strong> e o valor p correspondente \u00e9 0,00357<\/strong> . Como este valor p \u00e9 inferior a 0,05, podemos rejeitar a hip\u00f3tese nula de que o tempo m\u00e9dio de resposta \u00e9 o mesmo para todos os quatro medicamentos. Temos evid\u00eancias suficientes para concluir que o tipo de medica\u00e7\u00e3o utilizada resulta em diferen\u00e7as estatisticamente significativas no tempo de resposta.<\/span><\/p>\n Embora um teste de Friedman nos diga se existem diferen\u00e7as nos tempos m\u00e9dios de resposta entre os medicamentos, ele n\u00e3o nos diz especificamente quais medicamentos t\u00eam tempos m\u00e9dios de resposta diferentes. Para entender isso, precisamos realizar testes post-hoc.<\/span><\/p>\n Para um teste de Friedman, o teste post hoc apropriado \u00e9 o teste de soma de postos de Wilcoxon pareado com uma corre\u00e7\u00e3o de Bonferroni, que pode ser implementado usando a seguinte sintaxe:<\/span><\/p>\n pairwise.wilcox.test(dados$pontua\u00e7\u00e3o, dados$droga, p.adj = \u201cbonf\u201d)<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n Aqui est\u00e1 a sintaxe que usaremos em nosso exemplo:<\/span><\/p>\n Isso produz uma matriz que mostra o valor p para cada teste de soma de postos de Wilcoxon pareado. Podemos observar que os \u00fanicos grupos de medicamentos que apresentam diferen\u00e7a estatisticamente significativa de 0,10 s\u00e3o os grupos 3 e 4 ( p = 0,072<\/strong> ).<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" O teste de Friedman \u00e9 uma alternativa n\u00e3o param\u00e9trica \u00e0 ANOVA de medidas repetidas. \u00c9 utilizado para determinar se existe ou n\u00e3o diferen\u00e7a estatisticamente significativa entre as m\u00e9dias de tr\u00eas ou mais grupos em que os mesmos sujeitos aparecem em cada grupo. Este tutorial explica como realizar o teste de Friedman em R. Exemplo: o […]<\/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-685","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: o teste de Friedman em R<\/strong><\/h3>\n
\n
#create data<\/span>\ndata <- data.frame(person = rep(1:5, each=4),\n drug = rep(c(1, 2, 3, 4), times=5),\n score = c(30, 28, 16, 34, 14, 18, 10, 22, 24, 20,\n 18, 30, 38, 34, 20, 44, 26, 28, 14, 30))\n\n#view data<\/span>\ndata\n\n person drug score\n1 1 1 30\n2 1 2 28\n3 1 3 16\n4 1 4 34\n5 2 1 14\n6 2 2 18\n7 2 3 10\n8 2 4 22\n9 3 1 24\n10 3 2 20\n11 3 3 18\n12 3 4 30\n13 4 1 38\n14 4 2 34\n15 4 3 20\n16 4 4 44\n17 5 1 26\n18 5 2 28\n19 5 3 14\n20 5 4 30\n<\/strong><\/pre>\n #perform Friedman Test<\/span>\nfriedman.test(y=data$score, groups=data$drug, blocks=data$person)\n\n\tFriedman rank sum test\n\ndata: data$score, data$drug and data$person\nFriedman chi-squared = 13.56, df = 3, p-value = 0.00357\n<\/strong><\/pre>\n\n
<\/span><\/li>\n<\/ul>\n #perform post-hoc tests<\/span>\npairwise.wilcox.test(data$score, data$drug, p.adj = \"bonf\")\n\tPairwise comparisons using Wilcoxon rank sum test \n\ndata: data$score and data$drug \n\n 1 2 3 \n2 1,000 - - \n3 0.449 0.210 - \n4 1,000 1,000 0.072\n\nP value adjustment method: bonferroni \n<\/strong><\/pre>\n