Plantgroei bij
behandeling
Deze studie vergelijkt het droog gewicht van planten tussen een
controle behandeling en twee verschillende behandelingen. We willen
weten of het gemiddeld gewicht van planten bij behandeling twee (de data
van behandeling één gaan we niet gebruiken) verschilt tegenover de
controle groep. Beide behandelingen zijn toegepast op 10 planten. De
planten zijn willekeurig over de behandelingen verdeeld.
suppressPackageStartupMessages({
library(tidyverse)
library(ggplot2)})
Data exploratie
data("PlantGrowth")
Datastructuur
bekijken
#Bekijk hoe de dataset PlantGrowth eruit ziet
Data filteren
We gaan eerst de data filteren zodat enkel de controle- (ctrl) en
tweede behandelingsgroep (trt2) gebruikt worden.
#Filter de data zodat enkel data van de controle- (ctrl) en tweede behandelingsgroep (trt2) gebruikt worden.
Figuur van de
data
We gaan de gewichten (weight) van de planten per groep (group)
plotten door middel van een boxplot om te zien hoe onze distributie
eruit ziet.
#Maak een boxplot voor elke groep (group) van het gewicht (weight) van de planten
T-test
Geef de nul- en
alternatieve hypothese van de two-sample t-test:
Geef de assumpties
van de deze test en ga deze na:
Voer de two-sample
t-test uit. Wat kan je hieruit concluderen op vlak van hypothesetest en
betrouwbaarheidsinterval?
# Voer de two-sample t-test uit om de nulhypothese van gelijk gemiddeld gewicht tussen de controlebehandeling en behandeling 2 na te gaan.
Lineair model
Wat is de link tussen
de two-sample t-test en het lineair model?
Geef de nul- en
alternatieve hypothese van deze test:
Geef de assumpties
van de deze test en ga deze na:
Modelleer de data via
een lineaire regressie en ga na of de nulhypothese van gelijk gemiddeld
gewicht verworpen wordt. Wat kan je zeggen over de hypothesetest en de
betrouwbaarheidsintervallen? Wat betekenen de verschillende
parameters?
# Voer een lineare regressie toe van het gewicht in functie van de behandelingsgroep.
# Geef de 95% confidence intervals van de geschatte parameters.
Conclusie: Geef de
conclusie van je analyse
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