注意:我的原始示例出了点问题。我愚蠢地被R的无声论据循环所吸引。我的新示例与旧示例非常相似。希望现在一切正常。
这是我制作的一个示例,它的ANOVA在5%的水平上很显着,但是即使在5%的水平下,这6个成对比较都没有显着性。
数据如下:
g1: 10.71871 10.42931 9.46897 9.87644
g2: 10.64672 9.71863 10.04724 10.32505 10.22259 10.18082 10.76919 10.65447
g3: 10.90556 10.94722 10.78947 10.96914 10.37724 10.81035 10.79333 9.94447
g4: 10.81105 10.58746 10.96241 10.59571
这是方差分析:
Df Sum Sq Mean Sq F value Pr(>F)
as.factor(g) 3 1.341 0.4469 3.191 0.0458 *
Residuals 20 2.800 0.1400
这是两个样本t检验p值(均方差假设):
g2 g3 g4
g1 0.4680 0.0543 0.0809
g2 0.0550 0.0543
g3 0.8108
只要稍微弄些组均值或单个点,就可以使显着性差异更加显着(因为我可以将第一个p值减小,而将t检验的六个p值集合中的最小p值增大) )。
-
编辑:这是一个附加示例,该示例最初是由有关趋势的噪声生成的,它显示了将点稍微移动一下可以做的更好的事情:
g1: 7.27374 10.31746 10.54047 9.76779
g2: 10.33672 11.33857 10.53057 11.13335 10.42108 9.97780 10.45676 10.16201
g3: 10.13160 10.79660 9.64026 10.74844 10.51241 11.08612 10.58339 10.86740
g4: 10.88055 13.47504 11.87896 10.11403
F的p值低于3%,t的p值都不低于8%。(对于3组示例-但F上的p值稍大-省略第二组)
这是一个非常简单的,甚至更虚假的示例,包含3组:
g1: 1.0 2.1
g2: 2.15 2.3 3.0 3.7 3.85
g3: 3.9 5.0
(在这种情况下,最大的方差在中间组上-但是由于那里的样本量较大,所以组均值的标准误仍然较小)
多重比较t检验
ub建议我考虑多重比较的情况。事实证明这很有趣。
进行多个比较的情况(所有操作均在原始显着性水平下进行-即无需为多个比较调整alpha值)很难实现,因为在不同组中使用越来越大的方差或越来越少的df都无济于事就像使用普通的两样本t检验一样。
但是,我们仍然拥有操纵组数和显着性水平的工具。如果我们选择更多的组和较小的显着性水平,则再次容易地确定案例。这是一个:
取八组。将前四组的值定义为(2,2.5),将后四组的值定义为(3.5,4),并取
(例如)。然后我们有一个显着的F:ñ一世= 2α = 0.0025
> summary(aov(values~ind,gs2))
Df Sum Sq Mean Sq F value Pr(>F)
ind 7 9 1.286 10.29 0.00191
Residuals 8 1 0.125
但是,成对比较中的最小p值对该级别并不重要:
> with(gs2,pairwise.t.test(values,ind,p.adjust.method="none"))
Pairwise comparisons using t tests with pooled SD
data: values and ind
g1 g2 g3 g4 g5 g6 g7
g2 1.0000 - - - - - -
g3 1.0000 1.0000 - - - - -
g4 1.0000 1.0000 1.0000 - - - -
g5 0.0028 0.0028 0.0028 0.0028 - - -
g6 0.0028 0.0028 0.0028 0.0028 1.0000 - -
g7 0.0028 0.0028 0.0028 0.0028 1.0000 1.0000 -
g8 0.0028 0.0028 0.0028 0.0028 1.0000 1.0000 1.0000
P value adjustment method: none