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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