ANOVA: Kuikentjes
In deze studie (1948) werd de invloed van verschillende soorten
voeding op het gewicht van kuikentjes onderzocht. De kuikentjes werden
na geboorte willekeurig in één van zes groepen toegekend, waarna deze
groepen elk een andere voeding kregen. Het gewicht van deze kuikentjes
werd gemeten na zes weken. Wij zullen ons beperken tot drie groepen van
voeding: caseïne (casein), lijnzaad (linseed) en sojabonen
(soybean).
suppressPackageStartupMessages({
library(tidyverse)
library(ggplot2)})
Data exploratie
data("chickwts")
Datastructuur
bekijken
#Bekijk de structuur van dataset chickwts
Data filteren
We gaan de analyse beperken tot het vergelijken van voeding caseïne
(casein), lijnzaad (linseed) en sojabonen (soybean).
#Filter de dataset zodat enkel datapunten van de relevante voeding (feed) aanwezig zijn.
Figuur van de
data
We gaan eerst de data bekijken zodat we een idee hebben waarmee we te
maken hebben.
#Maak een boxplot van het gewicht voor elke groep van voeding. Plot ook de individuele observaties.
Statische test:
Welke test kan men
uitvoeren om het gemiddelde gewicht simultaan te vergelijken tussen alle
soorten voeding? Wat is de link met het lineair model? Geef de nul- en
alternatieve hypothese van deze test.
Geef de assumpties
voor dit model en ga deze na:
Modelleer de data met
het lineair model:
# Fit het lineair model van het gewicht in functie van de voeding.
Wat kan je opmerking over de conclusies van dit lineair model? Wat
kan je opmerken over de p-waarden?
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