8.4: Pruebas...

La significancia de la diferencia entre medias para datos paramétricos pareados (prueba t para datos emparejados):

Código\(\PageIndex{1}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
t.test(data$WEIGHT, data$LENGTH, paired=TRUE)

... prueba t para datos independientes:

Código\(\PageIndex{2}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
t.test(data$WEIGHT, data$LENGTH, paired=FALSE)

(El último ejemplo es para fines de aprendizaje solo porque nuestros datos están emparejados ya que cada fila corresponde con un animal. Además, “Paired=false” es el valor por defecto para el t.test (), por lo tanto se puede omitir.)

Aquí es cómo comparar los valores de un carácter entre dos grupos usando la interfaz de fórmula:

Código\(\PageIndex{3}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
t.test(data$WEIGHT ~ data$SEX)

Se utilizó la fórmula porque nuestros datos de peso/sexo están en forma larga:

Código\(\PageIndex{4}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
data[, c("WEIGHT", "SEX")]

Convierta los datos de peso/sexo en la forma corta y pruebe:

Código\(\PageIndex{5}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
data3 <- unstack(data[, c("WEIGHT", "SEX")])
t.test(data3[[1]], data3[[2]])

(Tenga en cuenta que los resultados de las pruebas son exactamente los mismos. El único formato era diferente.)

Si el valor p es igual o menor que 0.05, entonces la diferencia se soporta estadísticamente. R no requiere que verifiques si la dispersión es la misma.

Prueba no paramétrica de Wilcoxon para las diferencias:

Código\(\PageIndex{6}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
wilcox.test(data$WEIGHT, data$LENGTH, paired=TRUE)

Prueba unidireccional para las diferencias entre tres y más grupos (la variante simple de ANOVA, análisis de variación):

Código\(\PageIndex{7}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
wilcox.test(data$WEIGHT ~ data$SEX)

¿Qué par (s) son significativamente diferentes?

Código\(\PageIndex{8}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
pairwise.t.test(data$WEIGHT, data$COLOR, p.adj="bonferroni")

(Se utilizó la corrección de Bonferroni para comparaciones múltiples.)

Prueba no paramétrica de Kruskal-Wallis para diferencias entre tres y más grupos:

Código\(\PageIndex{9}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
kruskal.test(data$WEIGHT ~ data$COLOR)

¿Qué pares son significativamente diferentes en esta prueba no paramétrica?

Código\(\PageIndex{10}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
pairwise.wilcox.test(data$WEIGHT, data$COLOR)

La significancia de la correspondencia entre los datos categóricos (chi-cuadrado de Pearson no paramétrico, o\(\chi^2\) prueba):

Código\(\PageIndex{11}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
chisq.test(data$COLOR, data$SEX)

La significancia de las proporciones (no paramétricas):

Código\(\PageIndex{12}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
prop.test(sum(data$SEX), length(data$SEX), 0.5)

(Aquí comprobamos si esto es cierto que la proporción de varones es diferente del 50%.)

La significancia de la correlación lineal entre variables, vía paramétrica (prueba de correlación de Pearson):

Código\(\PageIndex{13}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
cor.test(data$WEIGHT, data$LENGTH, method="pearson")

... y vía no paramétrica (prueba de correlación de Spearman):

Código\(\PageIndex{14}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
cor.test(data$WEIGHT, data$LENGTH, method="spearman")

La significancia (y muchos más) del modelo lineal que describe la relación de una variable sobre otra:

Código\(\PageIndex{15}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
summary(lm(data$LENGTH ~ data$SEX))

... y análisis de variación (ANOVA) basado en el modelo lineal:

Código\(\PageIndex{16}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
aov(lm(data$LENGTH ~ data$SEX))