Blocking

Auch wenn es hier nicht der Fall ist, nehmen wir an, der Supplement-Typ ist tatsächlich ein Störfaktor, den wir durch Blocking kontrollieren möchten, und uns interessiert nur der Effekt der Dosis von Vitamin C auf das Zahnwachstum von Meerschweinchen.

Wenn wir nach Supplement-Typ blocken, erzeugen wir Gruppen, die ähnlicher sind, da sie denselben Supplement-Typ haben. So können wir nur den Effekt der Dosis auf die Zahnlänge untersuchen.

Wir verwenden dafür die Funktion aov(). aov() erstellt ein lineares Regressionsmodell, indem es lm() aufruft und die Ergebnisse mit anova() untersucht – alles in einem Funktionsaufruf. Um aov() zu verwenden, brauchen wir weiterhin Funktionsnotation wie in der Randomisierungsübung, aber diesmal sollte die Formel len ~ dose + supp sein, um anzuzeigen, dass wir nach Supplement-Typ geblockt haben. (aov() und anova() behandeln wir im nächsten Kapitel ausführlicher.)

ggplot2 ist bereits für dich geladen.

Diese Übung ist Teil des Kurses

Versuchsplanung in R

Kurs anzeigen

Anleitung zur Übung

Erstelle ein Boxplot, um visuell zu prüfen, ob sich die Zahnlänge nach dose unterscheidet. dose wurde bereits in eine Faktorvariable umgewandelt.
Verwende aov(), um den Effekt von dose und supp auf len zu ermitteln. Speichere das Ergebnis als Modellobjekt ToothGrowth_aov.
Untersuche ToothGrowth_aov mit summary(), um festzustellen, ob die Dosis einen signifikanten Effekt auf die Zahnlänge hat.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create a boxplot with geom_boxplot()
ggplot(___, aes(x = ___, y = ___)) + 
    ___()

# Create ToothGrowth_aov
___ <- aov(___, data = ___)

# Examine ToothGrowth_aov with summary()
___

Code bearbeiten und ausführen