Analiza wariancji (ANOVA)
- Autor metody
- Ronald A. Fisher
- Rok
- 1925
- Typ
- Method
- Rodzina
- parametric-hypothesis-testing
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
ANOVA to parametryczna metoda statystyczna opracowana przez Ronalda A. Fishera w 1925 roku, która testuje, czy średnie różnią się istotnie między trzema lub więcej niezależnymi grupami.
Dzieląc całkowitą wariancję na komponenty międzygrupowe i wewnątrzgrupowe, ANOVA określa, czy obserwowane różnice wynikają z efektów leczenia, czy z losowej zmienności, co czyni ją fundamentalną dla badań porównawczych w medycynie, psychologii, rolnictwie i inżynierii.
Intuicja stojąca za metodą
ANOVA rozszerza test t (który porównuje dwie grupy) na wiele grup, badając stosunek wariancji wyjaśnionej przez przynależność do grupy do wariancji niewyjaśnionej. Jeśli grupy rzeczywiście różnią się pod względem ich podstawowych średnich, wariancja międzygrupowa będzie znacznie większa niż wariancja wewnątrzgrupowa (błąd losowy). Statystyka F kwantyfikuje ten stosunek: duże F sugeruje rzeczywiste różnice grupowe, podczas gdy małe F sugeruje podobieństwo grup. Ta logika stanowi podstawę wielu projektów eksperymentalnych i porównań grup obserwacyjnych.
Historia
Ronald A. Fisher opracował ANOVA w 1925 roku podczas analizy polowych prób rolniczych w Rothamsted Experimental Station, szukając sposobu na sprawdzenie, czy plony różnią się między różnymi nawozami. Jego innowacja polegała na podziale wariancji i wprowadzeniu rozkładu F (nazwanego jego imieniem), co zrewolucjonizowało statystykę porównawczą. Kruskal i Wallis (1952) opracowali nieparametryczny odpowiednik (test Kruskala-Wallisa). Metoda stała się standardem w psychologii, medycynie i naukach społecznych w XX wieku. Nowoczesne rozszerzenia obejmują ANOVA dla pomiarów powtarzanych (Mauchly, 1940), ANOVA czynnikową (Yates, 1937) oraz warianty odporne (F Welcha, estymatory Jamesa-Steina).
Kiedy stosować
Użyj ANOVA przy porównywaniu średnich trzech lub więcej niezależnych grup dla ciągłej zmiennej zależnej. Typowe scenariusze: testowanie skuteczności wielu warunków leczenia (edukacja, medycyna), porównywanie wyników między kategoriami demograficznymi (grupy wiekowe, regiony geograficzne) lub ocena wielu ram interwencyjnych w badaniu randomizowanym. ANOVA jest idealna, gdy dane są w przybliżeniu normalnie rozłożone, a wariancje grup są w przybliżeniu równe. Dla danych nienormalnych rozważ test Kruskala-Wallisa (nieparametryczny odpowiednik). Dla pomiarów powtarzanych (ci sami badani mierzeni wielokrotnie) użyj ANOVA dla pomiarów powtarzanych. Dla danych zagnieżdżonych (uczniowie w szkołach) użyj modelowania wielopoziomowego.
Ograniczenia i uwagi
- Zakłada normalność rozkładu reszt; wrażliwa na odejścia od normalności przy dużych wielkościach efektu lub nierównych wielkościach grup.
- Założenie jednorodności wariancji: nierówne wariancje między grupami zwiększają błąd I rodzaju. F Welcha jest bardziej odporną alternatywą.
- Test zbiorczy: istotna wartość p wskazuje, że co najmniej dwie średnie się różnią, ale nie określa, które pary; testowanie post-hoc dodaje złożoności i kary za wielokrotne porównania.
- Wrażliwa na wartości odstające: kilka ekstremalnych obserwacji może zwiększyć wariancję wewnątrzgrupową i zmniejszyć moc statystyczną.
- Wymaga niezależnych obserwacji; narusza założenia, jeśli dane są zagnieżdżone (np. uczniowie w klasach) bez odpowiedniej korekty.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Potężna w wykrywaniu rzeczywistych różnic grupowych, gdy założenia są spełnione; utrzymuje niższy błąd I rodzaju niż wielokrotne testy t.
- Parsymoniczna: testuje ogólny efekt grupowy w jednym modelu zamiast przeprowadzania wielu porównań parami.
- Dostarcza wielkość efektu (eta-kwadrat) kwantyfikującą wielkość różnic grupowych w stosunku do całkowitej zmienności.
- Szeroko dostępna w oprogramowaniu statystycznym; standardowa praktyka w badaniach w różnych dyscyplinach; wyniki łatwe do przekazania.
- Rozszerzalna: podstawa dla ANOVA czynnikowej (wiele czynników), wielowymiarowej ANOVA (MANOVA), projektów z pomiarami powtarzanymi i modeli mieszanych.
Zastosowania
- Badania kliniczne: porównanie skuteczności wielu dawek leków lub konkurencyjnych terapii na wyniki pacjentów (np. redukcja bólu w trzech ramionach terapii).
- Badania edukacyjne: testowanie, czy osiągnięcia uczniów różnią się w zależności od metody nauczania, typu szkoły lub tła społeczno-ekonomicznego.
- Nauki rolnicze i środowiskowe: analiza plonów, wskaźników wzrostu lub poziomów zanieczyszczeń w zależności od warunków polowych, typów nawozów lub regionów geograficznych.
- Produkcja i kontrola jakości: ocena, czy wskaźniki jakości produktu różnią się w zależności od linii produkcyjnej, partii lub dostawcy.
- Psychologia i neuronauka: porównywanie wydajności poznawczej, aktywacji neuronalnej lub miar behawioralnych w zależności od warunków eksperymentalnych lub grup diagnostycznych.
Jak to działa
Jak to działa
Zastosuj ANOVA, gdy masz ciągłą zmienną zależną i jedną lub więcej kategorycznych zmiennych grupujących (czynników). Zbieranie danych wymaga niezależnych obserwacji z każdej grupy i wystarczającej wielkości próby (zazwyczaj 5-10+ na grupę). Przypisz uczestników do grup eksperymentalnie (losowy dobór) lub obserwacyjnie (naturalne grupowanie). Zapisz wyniki dla wszystkich uczestników. Przed przystąpieniem sprawdź założenia: (1) niezależność obserwacji (brak zagnieżdżenia lub zanieczyszczenia pomiarami powtarzanymi), (2) normalność reszt w każdej grupie (analiza wykresów Q-Q lub test Shapiro-Wilka), (3) jednorodność wariancji między grupami (test Levene'a; p > 0,05 sugeruje równe wariancje).
Oblicz statystykę F ANOVA poprzez podział całkowitej sumy kwadratów (SS_total) na sumę kwadratów międzygrupowych (SS_between) i sumę kwadratów wewnątrzgrupowych (SS_within). Oblicz: (1) Średnią ogólną (średnia wszystkich obserwacji), (2) SS_between = Σ n_i(M_i − M_grand)² gdzie n_i to wielkość grupy, a M_i to średnia grupowa, (3) SS_within = Σ Σ (x_ij − M_i)² sumowane dla grup i obserwacji, (4) Średnią kwadratową międzygrupową (MS_between) = SS_between / (k − 1) gdzie k to liczba grup, (5) Średnią kwadratową wewnątrzgrupową (MS_within) = SS_within / (N − k) gdzie N to całkowita wielkość próby, (6) Statystykę F = MS_between / MS_within. Statystyka F podlega rozkładowi F z (k−1) i (N−k) stopniami swobody przy hipotezie zerowej.
Porównaj obliczone F z wartością krytyczną z tablic rozkładu F lub użyj oprogramowania, aby uzyskać wartość p. Jeśli p < α (zazwyczaj 0,05), odrzuć hipotezę zerową: co najmniej dwie grupy różnią się istotnie. ANOVA nie identyfikuje, które grupy się różnią; użyj testów post-hoc (Tukey HSD, Bonferroni, Scheffé) do porównań parami. Podaj wielkość efektu (η², omega-kwadrat), aby wskazać istotność praktyczną: η² = SS_between / SS_total; około 0,01=mały, 0,06=średni, 0,14=duży. Omega-kwadrat jest mniej obciążona dla małych prób. Nieistotne wartości p wskazują na niewystarczające dowody różnic grupowych; nie należy wnioskować, że grupy są równe — brak dowodów nie jest dowodem braku.
Częste pułapki
- Przeprowadzanie ANOVA bez sprawdzania założeń, zwłaszcza normalności i jednorodności wariancji; zawsze analizuj wykresy reszt.
- Wykonywanie wielu porównań parami testem t zamiast ANOVA, a następnie testów post-hoc; zwiększa rodzinny błąd I rodzaju i marnuje moc.
- Błędna interpretacja nieistotnej ANOVA jako dowodu na równość grup; brak istotności jedynie wskazuje na niewystarczające dowody do odrzucenia hipotezy zerowej.
- Używanie ANOVA dla danych porządkowych lub kategorycznych (zamiast tego użyj chi-kwadrat); ANOVA wymaga ciągłych wyników.
- Niewykazywanie wielkości efektu (eta-kwadrat, omega-kwadrat) obok wartości p; sama istotność statystyczna nie komunikuje znaczenia praktycznego.
- Ignorowanie nierównych wielkości grup w porównaniach post-hoc; niektóre testy (np. Tukey) zakładają równą liczbę obserwacji.
Najczęściej zadawane pytania
Jaka jest różnica między ANOVA jednoczynnikową, dwuczynnikową i dla pomiarów powtarzanych?
ANOVA jednoczynnikowa testuje jedną zmienną niezależną (czynnik) z wieloma poziomami (np. trzy grupy terapeutyczne). ANOVA dwuczynnikowa obejmuje dwie zmienne niezależne i testuje efekty główne oraz ich interakcję (np. efekty terapii i płci na wynik). ANOVA dla pomiarów powtarzanych stosuje się do projektów wewnątrzgrupowych, gdzie ci sami badani są mierzeni wielokrotnie (np. przed, w trakcie i po terapii); uwzględnia ona korelację między powtarzanymi obserwacjami. Wybór zależy od projektu badania i pytań badawczych.
Kiedy powinienem używać testów post-hoc i który z nich jest najlepszy?
Używaj testów post-hoc tylko po istotnej analizie zbiorczej ANOVA, aby zidentyfikować, które pary grup się różnią. Tukey HSD (Honestly Significant Difference) jest standardem dla równych wielkości grup i planowanych porównań parami, kontrolując rodzinny błąd. Bonferroni jest konserwatywny (bardziej rygorystyczny, mniej fałszywych pozytywów) dla niewielu porównań. Scheffé jest najbardziej elastyczny, pozwalając na złożone kontrasty. Test Dunnetta jest najlepszy do porównywania wielu grup terapeutycznych z jedną grupą kontrolną. Zawsze określaj testy post-hoc z góry; wybór oparty na danych zwiększa błąd I rodzaju.
Jak radzić sobie z nierównymi wielkościami prób między grupami?
Nierówna liczba obserwacji (n) nie jest naruszeniem, jeśli brakujące dane są całkowicie losowe (MCAR). Kontrola błędu I rodzaju jest odporna przy nierównym n. Jednak testy post-hoc zakładają równe wielkości grup; użyj zmodyfikowanych wartości krytycznych lub alternatywnych testów (np. Games-Howell), aby skorygować nierówne wariancje i wielkości prób. Podaj jawnie wielkości grup. Jeśli brak danych jest związany ze zmiennymi zainteresowania, rozważ wielokrotną imputację lub modele mieszane, aby odpowiednio obsłużyć brakujące dane.
Czym jest eta-kwadrat (η²) i czym różni się od omega-kwadrat (ω²)?
Oba mierzą wielkość efektu: proporcję całkowitej wariancji wyjaśnionej przez przynależność do grupy. Eta-kwadrat (η² = SS_between / SS_total) jest łatwiejsza do obliczenia, ale jest obciążona w górę, zwłaszcza przy małych próbach. Omega-kwadrat (ω² = (SS_between − (k−1)MS_within) / (SS_total + MS_within)) koryguje to obciążenie i zapewnia mniej zawyżoną estymację wielkości efektu w populacji. Do publikacji podaj omega-kwadrat dla dokładności. Przybliżone progi: 0,01 = mały, 0,06 = średni, 0,14 = duży efekt.
Pokrewne metody
Źródła
Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.
Otwórz odnośnik do publikacjiSkopiowano.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.
Otwórz odnośnik DOISkopiowano.