分散分析(ANOVA)
- 提唱者
- Ronald A. Fisher
- 年
- 1925
- 種類
- Method
- 系統
- parametric-hypothesis-testing
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
ANOVAは、1925年にロナルド・A・フィッシャーによって開発されたパラメトリック統計手法であり、3つ以上の独立した群間で平均値に有意な差があるかどうかを検定する。全分散を群間分散と群内分散の成分に分割することにより、観察された差が治療効果によるものかランダムな変動によるものかを判断し、医学、心理学、農業、工学における比較研究の基礎となっている。
手法の背後にある直感
ANOVAは、群の所属によって説明される分散と説明されない分散の比率を調べることにより、t検定(2群を比較する)を多群に拡張する。もし群の基底となる平均値に真の差があるならば、群間分散は群内分散(ランダム誤差)よりも実質的に大きくなる。F統計量は、この比率を定量化する。大きなFは真の群間差を示唆し、小さなFは群が類似していることを示唆する。この論理は、実験計画および観察的群比較の多くを支えている。
歴史学
1925年、ロナルド・A・フィッシャーは、肥料処理による収量の差を検定するために、農業圃場試験の分析中にANOVAを開発した。彼の革新は分散を分割し、F分布(彼にちなんで命名)を導入し、比較統計学に革命をもたらした。KruskalとWallis(1952)はノンパラメトリック版(Kruskal-Wallis検定)を開発した。この手法は20世紀を通じて心理学、医学、社会科学の標準となった。現代的な拡張には、反復測定ANOVA(Mauchly, 1940)、要因計画ANOVA(Yates, 1937)、および頑健なバリアント(WelchのF、James-Stein推定量)が含まれる。
使うべき場面
3つ以上の独立した群の平均値を連続型の結果変数で比較する場合にANOVAを使用する。一般的なシナリオ:複数の治療条件(教育、医学)の効果の検定、人口統計学的カテゴリ(年齢層、地理的地域)を横断する結果の比較、またはランダム化試験における複数の介入アームの評価。ANOVAは、データが近似的に正規分布しており、群分散がおおよそ等しい場合に理想的である。非正規データの場合は、Kruskal-Wallis(ノンパラメトリック代替法)を検討する。反復測定(同じ被験者が複数回測定される)の場合は、反復測定ANOVAを使用する。ネストされたデータ(学校内の生徒)の場合は、多レベルモデリングを使用する。
限界と注意点
- 残差の正規性を仮定しており、大きな効果量や不均等な群サイズの場合、正規性からの逸脱に敏感である。
- 分散均一性の仮定:群間の分散の不均一性は第一種の過誤を増大させる。WelchのF検定はより頑健な代替法である。
- オムニバス検定:有意なp値は少なくとも2つの平均値が異なることを示すが、どのペアが異なるかは特定しない。事後検定は複雑さと多重比較のペナルティを追加する。
- 外れ値に敏感:少数の極端な観測値が群内分散を増大させ、統計的検出力を低下させる可能性がある。
- 独立した観測値を必要とする。データがクラスタ化されている(例:教室内の生徒)場合、適切な調整なしでは仮定に違反する。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 仮定が満たされている場合に真の群間差を検出するのに強力であり、複数のt検定よりも第一種の過誤率を低く抑える。
- 簡潔性:多くのペアごとの比較を実行する代わりに、単一のモデルで全体の群効果を検定する。
- 群間差の大きさを全体的な変動に対する相対的な大きさで定量化する効果量(イータ二乗)を提供する。
- 統計ソフトウェアで広く利用可能であり、様々な分野の研究で標準的な手法であり、結果は容易に伝達できる。
- 拡張性:要因計画ANOVA(複数因子)、多変量分散分析(MANOVA)、反復測定デザイン、混合モデルの基礎となる。
応用
- 臨床試験:患者の結果(例:3つの治療群間の疼痛軽減)に対する複数の薬剤投与量または競合する治療法の有効性の比較。
- 教育研究:指導法、学校の種類、または社会経済的背景によって生徒の達成度に違いがあるかの検定。
- 農業および環境科学:圃場条件、肥料の種類、または地理的地域を横断する収量、成長率、または汚染物質レベルの分析。
- 製造および品質管理:生産ライン、バッチ、または供給元によって製品品質指標にばらつきがあるかの評価。
- 心理学および神経科学:実験条件または診断群を横断する認知パフォーマンス、神経活動、または行動測定値の比較。
使い方
使い方
連続型の結果変数と1つ以上のカテゴリカルな群変数(因子)がある場合にANOVAを適用する。データ収集には、各群からの独立した観測と十分なサンプルサイズ(通常、群あたり5〜10以上)が必要である。被験者を実験的に(ランダム割り付け)または観察的に(自然な群分け)群に割り当てる。全ての被験者の結果スコアを記録する。続行する前に、以下の仮定を確認する:(1)観測の独立性(クラスタリングや反復測定の混入がないこと)、(2)各群内の残差の正規性(Q-Qプロットを調べるか、Shapiro-Wilk検定を実行する)、(3)群間の分散均一性(Levene検定;p > 0.05は等分散性を示唆する)。
ANOVAのF統計量は、全平方和(SS_total)を群間平方和(SS_between)と群内平方和(SS_within)に分割して計算する。以下の値を計算する:(1)全体平均(全観測値の平均)、(2)SS_between = Σ n_i(M_i − M_grand)² (ここでn_iは群サイズ、M_iは群平均)、(3)SS_within = Σ Σ (x_ij − M_i)² (群および観測値全体で合計)、(4)群間平均平方(MS_between) = SS_between / (k − 1) (ここでkは群数)、(5)群内平均平方(MS_within) = SS_within / (N − k) (ここでNは総サンプルサイズ)、(6)F統計量 = MS_between / MS_within。帰無仮説の下では、Fは(k−1)と(N−k)の自由度を持つF分布に従う。
計算されたF値をF分布表の臨界値と比較するか、ソフトウェアを使用してp値を得る。p < α(通常0.05)の場合、帰無仮説を棄却する:少なくとも2つの群間に有意な差がある。ANOVAはどの群間に差があるかを特定しない。ペアごとの比較には、事後検定(Tukey HSD、Bonferroni、Scheffé)を使用する。効果量(η²、オメガ二乗)を報告して、実質的な有意性を示す:η² = SS_between / SS_total;およそ0.01=小、0.06=中、0.14=大。オメガ二乗は小標本ではバイアスが少ない。有意でないp値は、群間差の証拠が不十分であることを示す。群が等しいと結論付けないでください—証拠の欠如は不在の証拠ではない。
よくある落とし穴
- 特に正規性と分散均一性の仮定をチェックせずにANOVAを実施すること。常に残差プロットを調べること。
- ANOVAの代わりに複数のペアごとのt検定を実施し、その後事後検定を行うこと。これはファミリーワイズの第一種の過誤を増大させ、検出力を浪費する。
- 有意でないANOVAを群が等しい証拠として誤解すること。有意性の欠如は、帰無仮説を棄却するのに十分な証拠がないことを示すに過ぎない。
- 順序尺度またはカテゴリカルな結果データにANOVAを使用すること(カイ二乗を使用すること)。ANOVAは連続型の結果を必要とする。
- p値と並んで効果量(イータ二乗、オメガ二乗)を報告しないこと。統計的有意性だけでは、実質的な重要性を伝達しない。
- 事後比較で不均等な群サイズを無視すること。一部の検定(例:Tukey)は等しいnを仮定する。
よくある質問
一元配置分散分析、二元配置分散分析、反復測定分散分析の違いは何ですか?
一元配置分散分析は、1つの独立変数(因子)と複数の水準(例:3つの治療群)を検定する。二元配置分散分析は2つの独立変数を考慮し、主効果とその交互作用(例:結果に対する治療と性別の効果)を検定する。反復測定分散分析は、同じ被験者が複数回測定される内的被験者デザインに適用される(例:治療前、治療中、治療後)。反復測定間の相関を考慮する。選択は、研究デザインと研究課題に依存する。
いつ事後検定を使用すべきか、そしてどれが最良か?
有意なオムニバスANOVAの後のみ、どの群ペアが異なるかを特定するために事後検定を使用する。Tukey HSD(Honestly Significant Difference)は、等しい群サイズと計画されたペアごとの比較に対して標準的であり、ファミリーワイズエラーを制御する。Bonferroniは、少数の比較に対して保守的(より厳格で、偽陽性が少ない)である。Schefféは最も柔軟で、複雑な対比を可能にする。Dunnettの検定は、複数の治療群を単一の対照群と比較するのに最適である。常に事前に事後検定を指定すること。データ駆動型の選択は第一種の過誤を増大させる。
群間のサンプルサイズが不均等な場合はどう対処すればよいか?
欠損データが完全にランダムに欠損している(MCAR)場合、nの不均等性は違反ではない。第一種の過誤制御は、nが不均等な場合でも頑健である。しかし、事後検定は等しい群サイズを仮定する。不均等な分散とサンプルサイズに対応するために、修正された臨界値または代替検定(例:Games-Howell)を使用する。群サイズを明示的に報告する。欠損が関心のある変数に関連している場合は、欠損データを適切に処理するために多重代入法または混合モデルを検討する。
イータ二乗(η²)とは何か、そしてオメガ二乗(ω²)とどう違うか?
どちらも効果量を測定する:群の所属によって説明される全分散の割合。イータ二乗(η² = SS_between / SS_total)は計算が容易だが、特に小標本では上に偏っている。オメガ二乗(ω² = (SS_between − (k−1)MS_within) / (SS_total + MS_within))はこのバイアスを修正し、母集団効果量のより少ない偏りがない推定値を提供する。出版のためには、正確さのためにオメガ二乗を報告する。おおよその目安:0.01=小、0.06=中、0.14=大効果。