الانتقال إلى المحتوى
العودة إلى نتائج البحث

تحليل التباين (ANOVA)

قدّمه
Ronald A. Fisher
السنة
1925
النوع
Method
العائلة
parametric-hypothesis-testing

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

تحليل التباين (ANOVA) هو طريقة إحصائية بارامترية طورها رونالد أ. فيشر عام 1925 لاختبار ما إذا كانت المتوسطات تختلف بشكل كبير عبر ثلاث مجموعات مستقلة أو أكثر. من خلال تقسيم التباين الكلي إلى مكونات بين المجموعات وداخل المجموعات، يحدد تحليل التباين ما إذا كانت الاختلافات الملاحظة ناتجة على الأرجح عن تأثيرات العلاج أو التباين العشوائي، مما يجعله أساسيًا للبحث المقارن في مجالات الطب وعلم النفس والزراعة والهندسة.

الفكرة الحدسية وراء الطريقة

يمتد تحليل التباين (ANOVA) اختبار t (الذي يقارن مجموعتين) ليشمل مجموعات متعددة عن طريق فحص نسبة التباين المفسر حسب عضوية المجموعة إلى التباين غير المفسر. إذا اختلفت المجموعات حقًا في متوسطاتها الأساسية، فسيكون التباين بين المجموعات أكبر بكثير من التباين داخل المجموعات (الخطأ العشوائي). يقيس إحصاء F هذه النسبة: تشير قيمة F الكبيرة إلى اختلافات حقيقية بين المجموعات، بينما تشير قيمة F الصغيرة إلى تشابه المجموعات. تدعم هذه الآلية الكثير من تصميم التجارب والمقارنات الجماعية الرصدية.

التاريخ

طور رونالد أ. فيشر تحليل التباين (ANOVA) في عام 1925 أثناء تحليل تجارب الحقول الزراعية في محطة روثامستد التجريبية، سعيًا لاختبار ما إذا كانت غلات المحاصيل تختلف عبر معالجات الأسمدة. قسم ابتكاره التباين وقدم توزيع F (المسمى باسمه)، مما أحدث ثورة في الإحصاء المقارن. طور كروسكال وواليس (1952) المكافئ غير البارامتري (اختبار كروسكال-واليس). أصبحت الطريقة معيارية في علم النفس والطب والعلوم الاجتماعية خلال القرن العشرين. تشمل التوسعات الحديثة تحليل التباين للقياسات المتكررة (Mauchly، 1940)، وتحليل التباين العاملي (Yates، 1937)، والمتغيرات القوية (إحصاء F لـ Welch، مقدرات James-Stein).

متى تُستخدم

استخدم تحليل التباين (ANOVA) عند مقارنة متوسطات ثلاث مجموعات مستقلة أو أكثر لمتغير نتيجة مستمر. السيناريوهات الشائعة: اختبار فعالية ظروف علاجية متعددة (تعليم، طب)، مقارنة النتائج عبر فئات ديموغرافية (فئات عمرية، مناطق جغرافية)، أو تقييم أذرع تدخل متعددة في تجربة عشوائية. تحليل التباين (ANOVA) مثالي عندما تكون البيانات موزعة طبيعيًا تقريبًا والتباينات الجماعية متساوية تقريبًا. للبيانات غير الطبيعية، فكر في اختبار كروسكال-واليس (بديل غير بارامتري). للقياسات المتكررة (نفس الأفراد تم قياسهم عدة مرات)، استخدم تحليل التباين للقياسات المتكررة. للبيانات المتداخلة (طلاب داخل مدارس)، استخدم النمذجة متعددة المستويات.

الحدود والاعتبارات

  • يفترض بواقي موزعة طبيعيًا؛ حساس للانحرافات عن الطبيعية مع أحجام تأثير كبيرة أو أحجام مجموعات غير متساوية.
  • افتراض تجانس التباين: التباينات غير المتساوية عبر المجموعات تضخم خطأ النوع الأول. إحصاء F لـ Welch أكثر قوة كبديل.
  • اختبار شامل: قيمة p الهامة تشير إلى أن متوسطين على الأقل يختلفان، ولكنها لا تحدد أي أزواج؛ اختبارات ما بعد التحليل تضيف تعقيدًا وعقوبات المقارنات المتعددة.
  • حساس للقيم المتطرفة: يمكن لعدد قليل من الملاحظات المتطرفة تضخيم التباين داخل المجموعات وتقليل القوة الإحصائية.
  • يتطلب ملاحظات مستقلة؛ ينتهك الافتراضات إذا كانت البيانات مجمعة (مثل الطلاب المتداخلين في الفصول الدراسية) دون تعديل مناسب.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • قوي في اكتشاف الاختلافات الحقيقية بين المجموعات عند استيفاء الافتراضات؛ يحافظ على معدل خطأ من النوع الأول أقل من اختبارات t المتعددة.
  • اقتصادي: يختبر التأثير الإجمالي للمجموعة في نموذج واحد بدلاً من إجراء العديد من المقارنات الزوجية.
  • يوفر حجم التأثير (إيتا-مربع) الذي يحدد حجم الاختلافات بين المجموعات بالنسبة للتباين الكلي.
  • متوفر على نطاق واسع في البرامج الإحصائية؛ ممارسة قياسية في البحث عبر التخصصات؛ نتائج سهلة التواصل.
  • قابل للتوسيع: أساس لتحليل التباين العاملي (عوامل متعددة)، وتحليل التباين متعدد المتغيرات (MANOVA)، وتصاميم القياسات المتكررة، والنماذج المختلطة.

التطبيقات

  • التجارب السريرية: مقارنة فعالية جرعات دوائية متعددة أو علاجات متنافسة على نتائج المرضى (مثل تقليل الألم عبر ثلاثة أذرع علاجية).
  • البحث التربوي: اختبار ما إذا كان تحصيل الطلاب يختلف حسب طريقة التدريس، أو نوع المدرسة، أو الخلفية الاجتماعية والاقتصادية.
  • الزراعة وعلوم البيئة: تحليل غلات المحاصيل، أو معدلات النمو، أو مستويات الملوثات عبر ظروف الحقول، أو أنواع الأسمدة، أو المناطق الجغرافية.
  • التصنيع ومراقبة الجودة: تقييم ما إذا كانت مقاييس جودة المنتج تختلف حسب خط الإنتاج، أو الدفعة، أو المورد.
  • علم النفس وعلم الأعصاب: مقارنة الأداء المعرفي، أو التنشيط العصبي، أو المقاييس السلوكية عبر الظروف التجريبية أو المجموعات التشخيصية.

كيف يعمل

كيف يعمل

1

قم بإجراء تحليل التباين (ANOVA) عندما يكون لديك متغير نتيجة مستمر ومتغير واحد أو أكثر من المتغيرات التجميعية الفئوية (العوامل). يتطلب جمع البيانات ملاحظات مستقلة من كل مجموعة وحجم عينة كافٍ (عادةً 5-10+ لكل مجموعة). قم بتعيين المشاركين للمجموعات إما تجريبيًا (تعيين عشوائي) أو رصديًا (تجميع طبيعي). سجل درجات النتائج لجميع المشاركين. تحقق من الافتراضات قبل المتابعة: (1) استقلالية الملاحظات (لا يوجد تلوث بالتجميع أو القياسات المتكررة)، (2) طبيعية البواقي داخل كل مجموعة (افحص مخططات Q-Q أو قم بتشغيل اختبار شابيرو-ويلك)، (3) تجانس التباين عبر المجموعات (اختبار ليفين؛ p > 0.05 يشير إلى تباينات متساوية).

2

احسب إحصاء F لتحليل التباين (ANOVA) عن طريق تقسيم مجموع مربعات الكل (SS_total) إلى مجموع مربعات بين المجموعات (SS_between) ومجموع مربعات داخل المجموعات (SS_within). احسب: (1) المتوسط الكلي (المتوسط العام عبر جميع الملاحظات)، (2) SS_between = Σ n_i(M_i − M_grand)² حيث n_i هو حجم المجموعة و M_i هو متوسط المجموعة، (3) SS_within = Σ Σ (x_ij − M_i)² مجمعة عبر المجموعات والملاحظات، (4) متوسط المربع بين المجموعات (MS_between) = SS_between / (k − 1) حيث k هو عدد المجموعات، (5) متوسط المربع داخل المجموعات (MS_within) = SS_within / (N − k) حيث N هو حجم العينة الكلي، (6) إحصاء F = MS_between / MS_within. يتبع F توزيع F مع (k−1) و (N−k) درجات حرية تحت فرضية العدم.

3

قارن قيمة F المحسوبة بالقيمة الحرجة من جداول توزيع F أو استخدم البرامج للحصول على قيمة p. إذا كانت p < α (عادةً 0.05)، فارفض فرضية العدم: هناك مجموعتان على الأقل تختلفان بشكل كبير. لا يحدد تحليل التباين (ANOVA) أي المجموعات تختلف؛ استخدم اختبارات ما بعد التحليل (Tukey HSD، Bonferroni، Scheffé) للمقارنات الزوجية. أبلغ عن حجم التأثير (η²، أوميغا-مربع) للإشارة إلى الأهمية العملية: η² = SS_between / SS_total؛ حوالي 0.01=صغير، 0.06=متوسط، 0.14=كبير. أوميغا-مربع أقل تحيزًا للعينة الصغيرة. تشير قيم p غير الهامة إلى عدم كفاية الأدلة على الاختلافات بين المجموعات؛ لا تستنتج أن المجموعات متساوية - غياب الدليل ليس دليلاً على الغياب.

الأخطاء الشائعة

  • إجراء تحليل التباين (ANOVA) دون التحقق من الافتراضات، خاصة الطبيعية وتجانس التباين؛ افحص دائمًا مخططات البواقي.
  • إجراء اختبارات t زوجية متعددة بدلاً من تحليل التباين (ANOVA) ثم اختبارات ما بعد التحليل؛ يضخم خطأ النوع الأول العائلي ويضيع القوة.
  • سوء تفسير تحليل التباين (ANOVA) غير الهام كدليل على أن المجموعات متساوية؛ عدم الأهمية يشير فقط إلى عدم كفاية الأدلة لرفض فرضية العدم.
  • استخدام تحليل التباين (ANOVA) على بيانات نتائج ترتيبية أو فئوية (استخدم اختبار مربع كاي بدلاً من ذلك)؛ يتطلب تحليل التباين (ANOVA) نتائج مستمرة.
  • الفشل في الإبلاغ عن أحجام التأثير (إيتا-مربع، أوميغا-مربع) جنبًا إلى جنب مع قيم p؛ الأهمية الإحصائية وحدها لا تنقل الأهمية العملية.
  • تجاهل أحجام العينات غير المتساوية في مقارنات ما بعد التحليل؛ بعض الاختبارات (مثل Tukey) تفترض تساوي n.

الأسئلة الشائعة

ما الفرق بين تحليل التباين أحادي الاتجاه، وثنائي الاتجاه، والقياسات المتكررة؟

يختبر تحليل التباين أحادي الاتجاه متغيرًا مستقلاً واحدًا (عاملًا) بمستويات متعددة (مثل ثلاث مجموعات علاجية). يشمل تحليل التباين ثنائي الاتجاه متغيرين مستقلين ويختبر التأثيرات الرئيسية وتفاعلها (مثل تأثيرات العلاج والجنس على النتيجة). ينطبق تحليل التباين للقياسات المتكررة على تصاميم داخل الأفراد حيث يتم قياس نفس الأفراد عدة مرات (مثل قبل وأثناء وبعد العلاج)؛ يأخذ في الاعتبار الارتباط بين القياسات المتكررة. يعتمد الاختيار على تصميم الدراسة وأسئلة البحث.

متى يجب أن أستخدم اختبارات ما بعد التحليل، وأيها هو الأفضل؟

استخدم اختبارات ما بعد التحليل فقط بعد تحليل تباين شامل هام لتحديد أي أزواج المجموعات تختلف. Tukey HSD (الفرق الهام الصادق) هو المعيار لأحجام المجموعات المتساوية والمقارنات الزوجية المخطط لها، مع التحكم في خطأ العائلة. Bonferroni متحفظ (أكثر صرامة، عدد أقل من الإيجابيات الخاطئة) لعدد قليل من المقارنات. Scheffé هو الأكثر مرونة، ويسمح بالتباينات المعقدة. اختبار Dunnett هو الأفضل لمقارنة مجموعات علاجية متعددة مع مجموعة تحكم واحدة. حدد دائمًا اختبارات ما بعد التحليل مسبقًا؛ الاختيار المستند إلى البيانات يضخم خطأ النوع الأول.

كيف أتعامل مع أحجام العينات غير المتساوية عبر المجموعات؟

حجم العينة غير المتساوي ليس انتهاكًا إذا كانت البيانات المفقودة مفقودة بشكل عشوائي تمامًا (MCAR). التحكم في خطأ النوع الأول قوي في ظل أحجام العينات غير المتساوية. ومع ذلك، تفترض اختبارات ما بعد التحليل أحجام مجموعات متساوية؛ استخدم قيمًا حرجة معدلة أو اختبارات بديلة (مثل Games-Howell) للتكيف مع التباينات وأحجام العينات غير المتساوية. أبلغ عن أحجام المجموعات بشكل صريح. إذا كان الفقد مرتبطًا بالمتغيرات ذات الأهمية، ففكر في الاستكمال المتعدد أو النماذج المختلطة للتعامل مع البيانات المفقودة بشكل مناسب.

ما هو إيتا-مربع (η²) وكيف يختلف عن أوميغا-مربع (ω²)؟

كلاهما يقيس حجم التأثير: نسبة التباين الكلي الذي تفسره عضوية المجموعة. إيتا-مربع (η² = SS_between / SS_total) أسهل في الحساب ولكنه متحيز للأعلى، خاصة مع العينات الصغيرة. أوميغا-مربع (ω² = (SS_between − (k−1)MS_within) / (SS_total + MS_within)) يصحح هذا التحيز ويوفر تقديرًا أقل تضخيمًا لحجم تأثير العينة. للنشر، أبلغ عن أوميغا-مربع للدقة. معايير تقريبية: 0.01 = صغير، 0.06 = متوسط، 0.14 = كبير.

طرق ذات صلة

المصادر

  1. Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.

    افتح مرجع المنشور
    تم النسخ.
  2. Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621.

    افتح مرجع DOI
    تم النسخ.