Welke gemiddelde leningsdoelen verschillen?

Voordat we andere factoren dan purpose_recode bekijken die het gefinancierde leenbedrag kunnen beïnvloeden, onderzoeken we eerst welke gemiddelden van purpose_recode verschillen. Dit is de post-hoctoets waar in de vorige oefening naar werd verwezen.

Het resultaat van die ANOVA-toets was statistisch significant met een zeer lage p-waarde. Dit betekent dat we de nulhypothese mogen verwerpen en de alternatieve hypothese accepteren dat ten minste één gemiddelde anders is. Maar welke?

We gebruiken Tukey's HSD-toets, wat staat voor Honest Significant Difference. Om Tukey's HSD-toets in R uit te voeren, kun je TukeyHSD() gebruiken:

TukeyHSD(aov_model, "independent_variable_name", conf.level = 0.9)

Dit voert Tukey's HSD-toets uit op een aov_model, voor een specifieke "independent_variable_name", met een conf.level van 90%.

Deze oefening maakt deel uit van de cursus

Experimenteel ontwerp in R

Cursus bekijken

Oefeninstructies

Bouw een model met aov() dat funded_amnt bekijkt per purpose_recode. Sla dit op als purpose_aov.
Gebruik TukeyHSD() om Tukey's HSD-toets op purpose_aov uit te voeren met een betrouwbaarheidsniveau van 0,95. Sla het op als een object tukey_output.
Maak tukey_output netjes met tidy() uit het broom-pakket (dat al voor je is geladen).

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Use aov() to build purpose_aov
___ <- aov(___ ~ ___, data = ___)

# Conduct Tukey's HSD test to create tukey_output
___ <- TukeyHSD(___, "___", conf.level = ___)

# Tidy tukey_output to make sense of the results
tidy(___)

Code bewerken en uitvoeren