Δεδομένα από 31 πωλητές που εκπαιδεύτηκαν 1 (Ομάδα Α), 2 (Ομάδα Β) και 3 (Ομάδα Γ) ημέρες.

# 31 salesmen training in three groups, 1 (Group A), 2 (Group B) and 3 (Group C) days.
perform.A = c(63.3, 68.3, 86.7, 52.8, 75, 58, 69.5, 32.7, 60.9, 58.2)
perform.B = c(72.8, 88.2, 80.8, 71.3, 81.5, 47.6, 81, 81.4, 83, 76, 74.5)
perform.C = c(82.3, 89.7, 81, 85.1, 74.1, 75.9, 74.7, 81.1, 76.4, 81.8)
sales = c(perform.A, perform.B, perform.C)
group = c(rep(1, 10), rep(2, 11), rep(3, 10))
group = factor(group, levels = c(1, 2, 3), labels = c("A", "B", "C"))
anova.df = data.frame(group, sales)

1. Έλεγχος της προϋπόθεσης της κανονικότητας των τιμών ανά ομάδα (Kolmogorov - Smirnov)

ks.test(perform.A, "pnorm", mean(perform.A), sd(perform.A))
ks.test(perform.B, "pnorm", mean(perform.B), sd(perform.B))
ks.test(perform.C, "pnorm", mean(perform.C), sd(perform.C))

Σημείωση: Ο έλεγχος κανονικότητας Kolmogorov - Smirnov δεν είναι αξιόπιστος όταν η κανονική κατανομή με την οποία συγκρίνονται τα δεδομένα έχει παραμέτρους που υπολογίζονται από το ίδιο το δείγμα. Σε αυτήν την περίπτωση είναι καλό να εφαρμόζεται η διόρθωση Lilliefors. Η παρακάτω συνάρτηση κάνει αυτό ακριβώς.
Φυσικά, ο χρήστης πρέπει να γνωρίζει πως, σε κάθε περίπτωση η κανονικότητα μία κατανομής πρέπει να τεκμηριώνεται και με θεωρητικά επιχειρήματα.
Ο έλεγχος K - S δεν είναι ευαίσθητος σε μικρά δείγματα, ενώ είναι εξαιρετικά ευαίσθητος σε πολύ μεγάλα δείγματα.

ks.test.like.SPSS = function(var){
  ks.test.R = ks.test(var, "pnorm", mean(var), sd(var))
  print(ks.test.R)
  
  D = ks.test.R$statistic
  n = length(var)
  
  if(n > 100){
    D = D * (n / 100)^0.49
    n = n * 100
  }
  corrected.p = exp(-7.01256* D^2*(n + 2.78019) + 2.99587*D*(n+2.78019)^(1/2) - 0.122119 + 0.97498/(n^(1/2)) + 1.67997/n) 
  
  message = "p value for Lilliefors's significance correction\n"
  message = paste(message, round(corrected.p, 4), "\n")
  message = paste(message, "Notice:\n")
  message = paste(message, "Consider the correction as more reliable when mean and sd are estimated from the data.\n")
  message = paste(message, "For more details, please consider reading the original article\n")
  message = paste(message, "Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov tests for normality with mean and variance unknown. Journal of the American Statistical Association, 62, 399–402.")
  noquote(strsplit(message, "\n")[[1]])
}
ks.test.like.SPSS(perform.A)

 
Εναλλακτικός έλεγχος κανονικότητας (Shapiro - Wilk) (Είναι καλύτερη επιλογή στα μικρά δείγματα, όπως σε αυτά του παραδείγματος.)

shapiro.test(perform.A)
shapiro.test(perform.B)
shapiro.test(perform.C)

2. Έλεγχος της ομοιογένειας των τριών ομάδων (Σημείωση: Αν η κατανομή της μεταβλητής είναι ασύμμετρη τότε είναι καλύτερη επιλογή center = median)

library(car)
leveneTest(anova.df$sales, anova.df$group, center = mean)

Εναλλακτική επιλογή για τον ελέγχο της ομοιογένειας των τριών ομάδων

fligner.test(sales ~ group, data = anova.df)

3. Συγκριτικό διάγραμμα των κατανομών

library(HH)
hov(sales ~ group, data = anova.df)
hovPlot(sales ~ group, data = anova.df)

4. Υλοποίηση της ανάλυσης διακύμανσης (1 way ANOVA)

fit = aov(sales ~ group, data = anova.df)
summary(fit)

5. Διάγραμμα error bar (1η επιλογή)

library(gplots)
plotmeans(sales~group,xlab="Ομάδα",ylab="Πωλήσεις", main="Πωλήσεις ανά ομάδα (95% C.I.)")

Διάγραμμα error bar (2η επιλογή)

library(Rmisc)
tgc = summarySE(anova.df, measurevar="sales", groupvars=c("group"))
gplot(data=tgc, aes(x=group, y=sales, group=1)) +
  geom_errorbar(aes(ymin=sales-sd, ymax=sales+sd), width=.1) +
  geom_line(linetype = "dashed") +
  geom_point() +
  labs(title="Sales by group",x="Group", y = "Sales") +
  theme_classic()

6. Διαχωρισμός σε ομοιογενείς ομάδες (post hoc test)

library(agricolae)
posthoc = LSD.test(fit, "group", alpha=0.05)
print(posthoc)

7. Μη αποδεκτή ομοιογένεια: εφαρμογή Welch

library(onewaytests)
welch.test(sales ~ group, anova.df)

8. Kruskal Wallis test. Η μη παραμετρική ανάλυση διακύμανσης (Μη αποδεκτή κανονικότητα και ομοιογένεια)

# Kruskal Wallis test. Non parametric analysis of variance.
kruskal.test(sales ~ group, anova.df)

9. Εντοπισμός ομοιογενών υποομάδων χρησιμοποιώντας μη παραμετρική μεθοδολογία

anova.df$rank.sales = rank(anova.df$sales)
rank.fit = aov(rank.sales ~ group, data = anova.df)
summary(rank.fit)
library(agricolae)
posthoc = LSD.test(rank.fit, "group", alpha=0.05)
print(posthoc)

The above example is contained in the paragraph 5.2 of the book "Στατιστική ανάλυση με τη γλώσσα R" (in Greek, ISBN: 978-960-93-9445-1) published in Thessaloniki, 2017.