วิธีทำการทดสอบ dunnett ใน r
การทดสอบภายหลังเฉพาะกิจ คือการทดสอบประเภทหนึ่งที่ดำเนินการตาม ANOVA เพื่อพิจารณาว่าค่าเฉลี่ยของกลุ่มใดมีความแตกต่างกันอย่างมีนัยสำคัญทางสถิติ
หากกลุ่มการศึกษากลุ่มใดกลุ่มหนึ่งถือเป็น กลุ่มควบคุม เราก็ควรใช้ การทดสอบ Dunnett เป็นการทดสอบหลังการทดสอบ
บทช่วยสอนนี้จะอธิบายวิธีดำเนินการทดสอบ Dunnett ใน R
ตัวอย่าง: การทดสอบ Dunnett ใน R
สมมติว่าครูต้องการทราบว่าเทคนิคการเรียนรู้ใหม่สองเทคนิคมีศักยภาพในการปรับปรุงคะแนนสอบของนักเรียนหรือไม่ เพื่อทดสอบสิ่งนี้ เธอสุ่มแบ่งชั้นเรียนที่มีนักเรียน 30 คนออกเป็นสามกลุ่มดังต่อไปนี้:
- กลุ่มควบคุม: นักเรียน 10 คน
- นักเรียนศึกษาด้านเทคนิคใหม่ 1:10
- การศึกษาด้านเทคนิคใหม่ 2: 10 นักเรียน
หลังจากใช้เทคนิคการเรียนที่ได้รับมอบหมายมาหนึ่งสัปดาห์ นักเรียนแต่ละคนจะสอบแบบเดียวกัน
เราสามารถใช้ขั้นตอนต่อไปนี้ใน R เพื่อสร้างชุดข้อมูล แสดงภาพค่าเฉลี่ยของกลุ่ม ดำเนินการวิเคราะห์ความแปรปรวนแบบทางเดียว และสุดท้ายทำการทดสอบของ Dunnett เพื่อพิจารณาว่าเทคนิคการศึกษาใหม่ใด (ถ้ามี) ที่ให้ผลลัพธ์ที่แตกต่างกันเมื่อเปรียบเทียบกับกลุ่มควบคุม .
ขั้นตอนที่ 1: สร้างชุดข้อมูล
รหัสต่อไปนี้แสดงวิธีสร้างชุดข้อมูลที่มีผลการสอบของนักเรียนทั้ง 30 คน:
#create data frame data <- data.frame(technique = rep (c("control", "new1", "new2"), each = 10 ), score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89, 81, 82, 83, 83, 83, 84, 87, 90, 92, 93, 77, 78, 79, 88, 89, 90, 91, 95, 95, 98)) #view first six rows of data frame head(data) technical score 1 control 76 2 controls 77 3 controls 77 4 controls 81 5 controls 82 6 controls 82
ขั้นตอนที่ 2: ดูผลการสอบของแต่ละกลุ่ม
รหัสต่อไปนี้แสดงวิธีสร้าง boxplots เพื่อให้เห็นภาพการกระจายผลการสอบสำหรับแต่ละกลุ่ม:
boxplot(score ~ technique, data = data, main = "Exam Scores by Studying Technique", xlab = "Studying Technique", ylab = "Exam Scores", col = "steelblue", border = "black")
จากแผนภาพกล่อง เราจะเห็นว่าการกระจายคะแนนสอบในแต่ละเทคนิคการเรียนแตกต่างกันมาก จากนั้นเราจะทำการวิเคราะห์ความแปรปรวนแบบทางเดียวเพื่อพิจารณาว่าความแตกต่างเหล่านี้มีนัยสำคัญทางสถิติหรือไม่
ที่เกี่ยวข้อง: วิธีการพล็อตหลายกล่องในแผนภูมิเดียวใน R
ขั้นตอนที่ 3: ดำเนินการวิเคราะห์ความแปรปรวนแบบทางเดียว
รหัสต่อไปนี้แสดงวิธีดำเนินการวิเคราะห์ความแปรปรวนแบบทางเดียวเพื่อทดสอบความแตกต่างระหว่างคะแนนสอบเฉลี่ยในแต่ละกลุ่ม:
#fit the one-way ANOVA model model <- aov(score ~ technique, data = data) #view model output summary(model) Df Sum Sq Mean Sq F value Pr(>F) technical 2 211.5 105.73 3.415 0.0476 * Residuals 27 836.0 30.96 --- Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
เนื่องจากค่า p-value โดยรวม ( 0.0476 ) น้อยกว่า 0.05 แสดงว่าแต่ละกลุ่มมีคะแนนสอบเฉลี่ยไม่เท่ากัน ต่อไป เราจะทำการทดสอบ Dunnett เพื่อพิจารณาว่าเทคนิคการศึกษาใดที่ให้คะแนนสอบเฉลี่ยที่แตกต่างจากกลุ่มควบคุม
ขั้นตอนที่ 4: ทำการทดสอบ Dunnett
ในการทำการทดสอบ Dunnett ใน R เราสามารถใช้ฟังก์ชัน DunnettTest() จากไลบรารี DescTools ซึ่งใช้ไวยากรณ์ต่อไปนี้:
การทดสอบดันเน็ตต์(x, g)
ทอง:
- x: เวกเตอร์ตัวเลขของค่าข้อมูล (เช่น ผลการสอบ)
- g: เวกเตอร์ที่ระบุชื่อกลุ่ม (เช่น เทคนิคการศึกษา)
รหัสต่อไปนี้แสดงวิธีใช้ฟังก์ชันนี้สำหรับตัวอย่างของเรา:
#load DescTools library library(DescTools) #perform Dunnett's Test DunnettTest(x=data$score, g=data$technique) Dunnett's test for comparing several treatments with a control: 95% family-wise confidence level $control diff lwr.ci upr.ci pval new1-control 4.2 -1.6071876 10.00719 0.1787 new2-control 6.4 0.5928124 12.20719 0.0296 * --- Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1' '1.' 0.1 ' ' 1
วิธีการตีความผลลัพธ์มีดังนี้:
- ความแตกต่างโดยเฉลี่ยของคะแนนสอบระหว่างเทคนิคการศึกษาใหม่ 1 และกลุ่มควบคุมคือ 4.2 ค่า p ที่สอดคล้องกันคือ 0.1787
- ความแตกต่างโดยเฉลี่ยของคะแนนสอบระหว่างเทคนิคการศึกษาใหม่ 2 และกลุ่มควบคุมคือ 6.4 ค่า p ที่สอดคล้องกันคือ 0.0296
จากผลการวิจัยพบว่าการเรียนเทคนิคที่ 2 เป็นเทคนิคเดียวที่สร้างคะแนนสอบเฉลี่ยที่แตกต่างจากกลุ่มควบคุมอย่างมีนัยสำคัญ (p = 0.0296)
แหล่งข้อมูลเพิ่มเติม
ข้อมูลเบื้องต้นเกี่ยวกับการวิเคราะห์ความแปรปรวนแบบทางเดียว
วิธีดำเนินการวิเคราะห์ความแปรปรวนแบบทางเดียวใน R
วิธีทำการทดสอบ Tukey ใน R