Una prueba post-hoc es un tipo de prueba que se realiza siguiendo un ANOVA para determinar qué medias de grupo son estadísticamente significativamente diferentes entre sí.
Si uno de los grupos del estudio se considera el grupo de control , entonces deberíamos utilizar la prueba de Dunnett como prueba post-hoc.
Este tutorial explica cómo realizar la prueba de Dunnett en R.
Ejemplo: prueba de Dunnett en R
Suponga que una maestra quiere saber si dos nuevas técnicas de estudio tienen el potencial de aumentar las calificaciones de los exámenes de sus alumnos. Para probar esto, divide aleatoriamente su clase de 30 estudiantes en los siguientes tres grupos:
- Grupo de control: 10 estudiantes
- Nueva técnica de estudio 1:10 estudiantes
- Nueva técnica de estudio 2:10 estudiantes
Después de una semana de usar su técnica de estudio asignada, cada estudiante toma el mismo examen.
Podemos usar los siguientes pasos en R para crear un conjunto de datos, visualizar las medias del grupo, realizar un ANOVA de una vía y, por último, realizar la prueba de Dunnett para determinar cuál (si alguna) nueva técnica de estudio produce resultados diferentes en comparación con el grupo de control.
Paso 1: crea el conjunto de datos.
El siguiente código muestra cómo crear un conjunto de datos que contiene puntajes de exámenes para los 30 estudiantes:
#create data frame
data <- data.frame (técnica = rep (c ("control", "nuevo1", "nuevo2"), cada uno = 10 ),
puntuación = 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))
#ver las primeras seis filas del marco de datos
cabeza (datos)
puntuación técnica
1 control 76
2 control 77
3 control 77
4 control 81
5 control 82
6 control 82
Paso 2: Visualice los puntajes del examen para cada grupo.
El siguiente código muestra cómo producir diagramas de caja para visualizar la distribución de los puntajes de los exámenes para cada grupo:
diagrama de caja (puntuación ~ técnica,
datos = datos,
main = "Puntuaciones del examen por técnica de estudio",
xlab = "Técnica de estudio",
ylab = "Puntajes de examen",
col = "azul acero",
border = "negro")
Solo a partir de los diagramas de caja podemos ver que la distribución de los puntajes de los exámenes es bastante diferente para cada técnica de estudio. A continuación, realizaremos un ANOVA de una vía para determinar si estas diferencias son estadísticamente significativas.
Relacionado: Cómo trazar múltiples diagramas de caja en un gráfico en R
Paso 3: Realice un ANOVA unidireccional.
El siguiente código muestra cómo realizar un ANOVA unidireccional para probar las diferencias entre las puntuaciones medias de los exámenes en cada grupo:
#ajuste el modelo ANOVA unidireccional
modelo <- aov (puntuación ~ técnica, datos = datos)
#ver resumen de salida del
modelo (modelo)
Df Suma Sq Valor medio Sq F Pr (> F)
técnica 2211,5 105,73 3,415 0,0476 *
Residuos 27836,0 30,96
---
Signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0,1 pulg. 1
Dado que el valor p general ( 0.0476 ) es menor que .05, esto es una indicación de que cada grupo no tiene el mismo puntaje promedio en el examen. A continuación, realizaremos la prueba de Dunnett para determinar qué técnica de estudio produce puntuaciones medias en los exámenes que difieren del grupo de control.
Paso 4: Realice la prueba de Dunnett.
Para realizar la prueba de Dunnett en R podemos usar la función DunnettTest () de la biblioteca DescTools que usa la siguiente sintaxis:
Prueba Dunnett (x, g)
dónde:
- x: un vector numérico de valores de datos (por ejemplo, puntajes de exámenes)
- g: un vector que especifica los nombres de los grupos (por ejemplo, estudiar técnica)
El siguiente código muestra cómo usar esta función para nuestro ejemplo:
#cargar biblioteca DescTools
biblioteca (DescTools)
# realizar la prueba de Dunnett
DunnettTest (x = datos $ puntuación, g = datos $ técnica)
Prueba de Dunnett para comparar varios tratamientos con un control:
95% de nivel de confianza familiar
$ control
diff lwr.ci upr.ci pval
nuevo1-control 4.2 -1.6071876 10.00719 0.1787
nuevo2-control 6,4 0,5928124 12,20719 0,0296 *
---
Signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0,1 pulg. 1 pulg. 0,1 pulg. 1
La forma de interpretar la salida es la siguiente:
- La diferencia media en las puntuaciones de los exámenes entre la nueva técnica de estudio 1 y el grupo de control es 4,2. El valor p correspondiente es 0,1787 .
- La diferencia media en las puntuaciones de los exámenes entre la nueva técnica de estudio 2 y el grupo de control es 6,4. El valor p correspondiente es 0,0296 .
Según el resultado, podemos ver que estudiar la técnica 2 es la única técnica que produce puntuaciones medias de examen significativamente (p = .0296) diferentes en comparación con el grupo de control.
Recursos adicionales
Introducción al ANOVA unidireccional
Cómo realizar un ANOVA unidireccional en R
Cómo realizar la prueba de Tukey en R
- https://r-project.org
- https://www.python.org/
- https://www.stata.com/
