Vilket medelvärde för lånesyfte skiljer sig?

Innan vi undersöker andra faktorer än purpose_recode som kan påverka det beviljade lånebeloppet, ska vi ta reda på vilka medelvärden i purpose_recode som skiljer sig åt. Det här är det post-hoc-test som nämndes i föregående övning.

Resultatet av ANOVA-testet var statistiskt signifikant med ett mycket lågt p-värde. Det innebär att vi kan förkasta nollhypotesen och acceptera den alternativa hypotesen – att minst ett medelvärde skiljer sig från de övriga. Men vilket?

Vi använder Tukeys HSD-test, där HSD står för Honest Significant Difference (ärlig signifikant skillnad). I R utförs Tukeys HSD-test med TukeyHSD():

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

Detta utför Tukeys HSD-test på en aov_model, för en specifik "independent_variable_name", med en conf.level på 90 %.

Den här övningen är en del av kursen

Experimentell design i R

Visa kurs

Övningsinstruktioner

Bygg en modell med aov() som undersöker funded_amnt utifrån purpose_recode. Spara den som purpose_aov.
Använd TukeyHSD() för att utföra Tukeys HSD-test på purpose_aov med ett konfidensintervall på 0,95. Spara resultatet i ett objekt som heter tukey_output.
Städa upp tukey_output med tidy() från paketet broom (som redan är inläst).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(___)

Redigera och kör kod