[Esteartigofoipublicadopelaprimeiravezem[Thisarticlewasfirstpublishedon Mark H. White II, PhD, e gentilmente contribuiu para os R-blogueiros]. (Você pode relatar um problema sobre o conteúdo desta página aqui)
Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.
o t-test é um dos mais utilizados em psicologia e outras ciências sociais. No formato APA, os pesquisadores são instruídos a relatar as médias e os desvios-padrão de ambas as condições; a t-estatístico, seus graus de liberdade e seu valor-p; e um tamanho de efeito com intervalo de confiança (geralmente de Cohen d e 95%).
Os pesquisadores freqüentemente conduzem experimentos aleatórios com não apenas uma variável dependente, mas muitas. E eles podem querer garantir que outras variáveis, como idade, não sejam diferentes por condição.
A função a seguir retornará todas as informações necessárias de t-testes. Ainda não o tenho em um pacote (e ainda não sei onde eu o colocaria. Envie-me uma linha, se achar que ele se encaixa em um pacote existente; eu ficaria feliz em incluí-lo em um pacote existente. ) Portanto, você precisará copiar, colar e executar o seguinte no seu script para usá-lo.
t_table
O primeiro argumento especifica um data.frame
onde os dados residem, um vetor de seqüência de caracteres dos nomes das variáveis dependentes, uma seqüência de caracteres indicando a variável independente, um valor lógico para assumir ou não que as variações são iguais nas condições (o padrão é TRUE
para um clássico t-test) e uma string indicando o que pajustes de valor para fazer. Vejo ?p.adjust.methods
para obter mais informações sobre quais métodos estão disponíveis para uso. O padrão é nenhum ajuste. (A função com documentação completa em {roxygen2}
pode ser encontrado no meu GitHub.) Observe que essa função depende da {MBESS}
pacote, certifique-se de instalá-lo primeiro (mas você não precisa ligar para library
nele).
Como se parece em ação? Vamos imaginar um ctl
e exp
condição, com as variáveis dependentes de y1
, y2
, etc., através y10
e um tamanho de amostra de 128. Simulo esses dados abaixo, onde y1
e y2
ter efeitos significativos com um d = 0,5 e 0,8, respectivamente.
set.seed(1839)
cond
## cond y1 y2 y3 y4
## 1 ctl 1.0127014 -1.6556888 2.61696223 0.3817117
## 2 ctl -0.6845605 0.8893057 0.05602809 -1.6996460
## 3 ctl 0.3492607 -0.4439924 0.33997464 0.8473431
## 4 ctl -1.6245010 1.2612491 -0.99240679 -0.2083059
## 5 ctl -0.5162476 0.2012927 -0.96291759 -0.2948407
Podemos então alimentar as informações necessárias para o t_table
função. Observe que, em vez de digitar todas as y1
através y10
colunas, eu uso o paste0
função para gerá-los em menos código. Não faço nenhum arredondamento para você dentro da função, mas, para fins de apresentação, arredondo para duas casas decimais aqui.
result
## variable ctl_m ctl_sd exp_m exp_sd t df p d d_lb d_ub
## 1 y1 -0.07 0.96 0.26 0.90 -2.04 126 0.04 -0.36 -0.71 -0.01
## 2 y2 0.05 1.02 0.82 0.91 -4.48 126 0.00 -0.79 -1.15 -0.43
## 3 y3 0.07 1.11 -0.07 0.99 0.76 126 0.45 0.13 -0.21 0.48
## 4 y4 0.00 1.04 -0.27 1.05 1.44 126 0.15 0.26 -0.09 0.60
## 5 y5 0.06 0.91 -0.28 1.08 1.93 126 0.06 0.34 -0.01 0.69
## 6 y6 0.05 1.03 0.06 1.09 -0.08 126 0.94 -0.01 -0.36 0.33
## 7 y7 -0.01 0.96 -0.06 1.08 0.30 126 0.77 0.05 -0.29 0.40
## 8 y8 -0.08 0.99 -0.18 0.98 0.56 126 0.58 0.10 -0.25 0.45
## 9 y9 0.37 0.93 -0.18 1.05 3.13 126 0.00 0.55 0.20 0.91
## 10 y10 -0.11 0.85 -0.21 0.94 0.59 126 0.56 0.10 -0.24 0.45
Observe que temos alguns falsos positivos aqui. O que leva ao uso pajustes de valor, se desejar. Digamos agora que eu uso o ajuste de Holm.
result2
## variable ctl_m ctl_sd exp_m exp_sd t df p d d_lb d_ub
## 1 y1 -0.07 0.96 0.26 0.90 -2.04 126 0.35 -0.36 -0.71 -0.01
## 2 y2 0.05 1.02 0.82 0.91 -4.48 126 0.00 -0.79 -1.15 -0.43
## 3 y3 0.07 1.11 -0.07 0.99 0.76 126 1.00 0.13 -0.21 0.48
## 4 y4 0.00 1.04 -0.27 1.05 1.44 126 0.91 0.26 -0.09 0.60
## 5 y5 0.06 0.91 -0.28 1.08 1.93 126 0.39 0.34 -0.01 0.69
## 6 y6 0.05 1.03 0.06 1.09 -0.08 126 1.00 -0.01 -0.36 0.33
## 7 y7 -0.01 0.96 -0.06 1.08 0.30 126 1.00 0.05 -0.29 0.40
## 8 y8 -0.08 0.99 -0.18 0.98 0.56 126 1.00 0.10 -0.25 0.45
## 9 y9 0.37 0.93 -0.18 1.05 3.13 126 0.02 0.55 0.20 0.91
## 10 y10 -0.11 0.85 -0.21 0.94 0.59 126 1.00 0.10 -0.24 0.45
Mas observe que a largura dos intervalos de confiança é não ajustado aqui.
Relacionado
Se você chegou até aqui, por que não inscreva-se para atualizações do site? Escolha seu sabor: e-mail, Twitter, RSS ou facebook …