Puede tener sentido utilizar un ajuste para alfa o para p si hay varias muestras t se utilizan pruebas. Este ajuste se emplea en función del número de hipótesis sometidas a prueba que se consideren en una familia.
I piense en lo siguiente tiene sentido como forma de combinar varias muestras únicas t pruebas en un solo modelo. En este escenario tenemos tres grupos y queremos compararlos con una media dada de 3.
Esencialmente, la media dada se resta de los datos de cada grupo y, a continuación, se ajusta un modelo lineal general, sin intercepción, y se codifican los grupos ficticios como variables independientes.
A = c(1,2,3,3,3,3,4,5)
B = c(3,4,4,4,5,5,5,5)
C = c(1,1,1,2,2,2,2,3)
Una muestra t pruebas
t.test(A, mu=3)
### t = 0, df = 7, p-value = 1
t.test(B, mu=3)
### t = 5.2271, df = 7, p-value = 0.001216
t.test(C, mu=3)
### t = -5, df = 7, p-value = 0.001565
Combina los datos en un único conjunto de datos.
Y = c(A, B, C)
Group = c(rep("A", length(A)), rep("B", length(B)), rep("C", length(C)))
Mean0
es la media dada. La sintaxis del modelo es un poco rara. Y - Mean0
podría hacerse por separado, pero lo haré dentro del modelo. 0
indica que no se debe ajustar ninguna intercepción.
Mean0 = 3
model = lm(I(Y - Mean0) ~ 0 + Group)
Me pregunto si los resultados del anova pueden considerarse una prueba ómnibus: probar si la media de al menos un grupo es diferente de la media dada.
anova(model)
### Df Sum Sq Mean Sq F value Pr(>F)
### Group 3 27.625 9.2083 11.13 0.0001393 ***
### Residuals 21 17.375 0.8274
summary
da pruebas para cada grupo. En este caso, los resultados son algo diferentes a los de la realización de pruebas individuales. t pruebas. Tenga en cuenta también que mean(B) = Estimate(GroupB) + Mean0
.
summary(model)
### Coefficients:
### Estimate Std. Error t value Pr(>|t|)
### GroupA 2.355e-16 3.216e-01 0.000 1.000000
### GroupB 1.375e+00 3.216e-01 4.276 0.000336 ***
### GroupC -1.250e+00 3.216e-01 -3.887 0.000851 ***