Kalkulator ANOVA

Test dotyczy równości średnich w populacjach

Jednoczynnikowa analiza wariancji porównuje średnią zmiennej liczbowej pomiędzy co najmniej trzema niezależnymi grupami. Czynnikiem może być rodzaj terapii, metoda nauczania, linia produkcyjna albo wariant nawożenia. Wynikiem mierzonym może być ciśnienie, czas wykonania zadania, masa czy liczba punktów.

Hipoteza zerowa mówi, że średnie populacyjne wszystkich grup są równe. Hipoteza alternatywna jest szersza: co najmniej jedna średnia różni się od pozostałych. Istotny wynik nie wskazuje automatycznie, która para odpowiada za różnicę.

ANOVA nie testuje, czy surowe wyniki w trzech grupach są identyczne. Naturalny rozrzut jest oczekiwany. Test porównuje wielkość różnic między średnimi z typową zmiennością obserwacji wewnątrz każdej grupy.

Dlaczego nie wykonywać trzech osobnych testów t?

Dla trzech grup można utworzyć trzy pary. Każdy test wykonany na poziomie 0,05 ma własne ryzyko wyniku fałszywie dodatniego. Seria niekontrolowanych testów zwiększa łączne ryzyko, że przynajmniej jedna para okaże się istotna przypadkiem.

ANOVA zaczyna od jednego testu ogólnego. Jeśli wynik daje podstawę do odrzucenia równości średnich, kolejnym krokiem są porównania wielokrotne lub wcześniej zaplanowane kontrasty z odpowiednią kontrolą błędu.

Jeżeli badanie miało od początku jedną konkretną hipotezę, na przykład grupę kontrolną wobec średniej dwóch terapii, zaplanowany kontrast może być bardziej bezpośredni niż wszystkie możliwe pary. Metodę analizy warto ustalić przed obejrzeniem wyników.

Każdy wiersz formularza reprezentuje jedną grupę

Wpisz wartości grupy A, B i C w oddzielnych polach, rozdzielając je przecinkami. Część dziesiętną zapisuj kropką, na przykład 12.5. Każda grupa musi zawierać co najmniej dwie obserwacje, lecz tak mała próba daje bardzo mało informacji o rozkładzie i wariancji.

Nie wpisuj średnich zamiast surowych obserwacji. Test potrzebuje rozrzutu wewnątrz grup, którego nie da się odtworzyć z samej średniej. Nie dodawaj również sztucznie powielonych wartości, aby zwiększyć liczebność.

Brak pomiaru nie jest zerem. Jeśli obserwacji nie wykonano, usuń pustą pozycję lub wróć do źródła danych. Wpisanie zera obniży średnią i zmieni wariancję, jakby był to prawdziwy wynik.

Grupy muszą być niezależne

Klasyczna jednoczynnikowa ANOVA w tym narzędziu zakłada, że obserwacje między grupami są niezależne. Jeżeli te same osoby zmierzono przed terapią, po terapii i po miesiącu, wyniki są powiązane. Potrzebna jest analiza dla pomiarów powtarzanych, a nie trzy niezależne grupy.

Podobny problem występuje, gdy kilka pomiarów pochodzi z tego samego pacjenta, gospodarstwa, klasy lub urządzenia. Traktowanie ich jako niezależnych może zawyżyć efektywną liczebność i dać zbyt małą wartość p. Struktura zbierania danych jest częścią analizy.

Jeśli grupy mają różne liczebności, kalkulator nadal wykona obliczenie. Nierówna liczebność staje się jednak bardziej kłopotliwa przy wyraźnie różnych wariancjach. Wtedy warto rozważyć ANOVA Welcha.

• wprowadź surowe wyniki, a nie średnie grupowe
• nie zamieniaj braków danych na zera
• sprawdź, czy jedna osoba lub obiekt nie występuje wielokrotnie
• obejrzyj wykres punktowy i rozkład wyników przed testem

Całkowita zmienność dzieli się na część między i wewnątrz grup

Najpierw obliczana jest średnia każdej grupy oraz średnia wszystkich obserwacji. Suma kwadratów między grupami mierzy, jak daleko średnie grupowe leżą od średniej ogólnej, z uwzględnieniem liczebności. Suma kwadratów wewnątrz grup mierzy odchylenia poszczególnych wyników od ich własnej średniej grupowej.

Obie sumy są dzielone przez stopnie swobody. Dla k grup stopnie swobody między grupami wynoszą k − 1. Wewnątrz grup jest to N − k, gdzie N oznacza łączną liczbę obserwacji. Powstają średnie kwadraty MS między i MS wewnątrz.

Statystyka F jest ilorazem MS między grupami i MS wewnątrz. Gdy średnie są daleko od siebie, a wyniki w każdej grupie skupione, licznik jest duży względem mianownika. F rośnie. Gdy grupy mocno się nakładają, F zwykle pozostaje bliżej 1.

Wartość p nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa

Wartość p opisuje, jak niezgodna z hipotezą równych średnich jest statystyka co najmniej tak duża jak uzyskana, przy spełnieniu założeń modelu. Małe p daje argument przeciw hipotezie zerowej. Nie mówi, z jakim prawdopodobieństwem wynik się powtórzy ani że różnica ma praktyczne znaczenie.

Próg 0,05 nie jest magiczną granicą prawdy. Wynik 0,049 i 0,051 dostarcza bardzo podobnej informacji. Raportuj dokładną wartość, gdy jest dostępna, oraz opisuj dane, przedziały ufności i kontekst decyzji.

Przy dużej próbie nawet niewielka różnica może być statystycznie wykrywalna. Przy małej próbie istotny praktycznie efekt może pozostać niepewny. Liczebność powinna wynikać z planu mocy, a nie z tego, ile obserwacji przypadkowo udało się zebrać.

Eta-kwadrat pokazuje udział zmienności związany z grupą

Prostą miarą wielkości efektu jest η² = SS między ÷ SS całkowite. W przykładzie 163,3333 ÷ 193,3333 daje około 0,845. Oznacza to, że w tej próbie około 84,5% całkowitego zróżnicowania jest związane z podziałem na grupy.

η² nie mówi, że czynnik na pewno spowodował 84,5% zmiany. W badaniu obserwacyjnym grupy mogą różnić się innymi cechami. Interpretacja przyczynowa wymaga projektu pozwalającego wykluczyć alternatywne wyjaśnienia.

W małej próbie η² może być zawyżone. Do raportu można rozważyć również omega-kwadrat i przedział ufności. Kalkulator zwraca tabelę ANOVA, natomiast dodatkowe miary trzeba policzyć z odpowiednim narzędziem.

Niezależności nie potwierdzi żaden wykres reszt

Niezależność wynika ze sposobu losowania, przydziału i pomiaru. Jeśli obserwacje są zagnieżdżone albo powtarzane, potrzebny jest model uwzględniający zależność. Nie da się naprawić problemu samym zwiększeniem liczby wierszy.

Rozkład reszt powinien być odpowiedni do wnioskowania opartego na klasycznym F. ANOVA bywa dość odporna na umiarkowane odchylenia przy rozsądnych liczebnościach, lecz małe grupy i silne wartości odstające wymagają ostrożności.

Wariancje grup powinny być zbliżone, szczególnie przy nierównych liczebnościach. Obejrzyj rozrzut, mediany i wykresy. Sam nieistotny test równości wariancji nie dowodzi, że problemu nie ma, zwłaszcza przy małej mocy.

Welch i Kruskal–Wallis odpowiadają na inne sytuacje

ANOVA Welcha jest przydatna, gdy wariancje są nierówne i nie chcesz zakładać homogeniczności. Jej stopnie swobody oraz obliczenia różnią się od klasycznej tabeli użytej tutaj. Po istotnym wyniku dobiera się również porównania post hoc odpowiednie do nierównych wariancji.

Test Kruskala–Wallisa opiera się na rangach i może być używany przy danych porządkowych lub problematycznych rozkładach, ale nie jest po prostu „ANOVA bez założeń”. Jego hipoteza i interpretacja zależą od kształtu rozkładów.

Transformacja, na przykład logarytmiczna, może ustabilizować wariancję i poprawić model dla dodatnich, prawoskośnych danych. Trzeba jednak interpretować wyniki w przekształconej skali lub poprawnie wrócić do skali pierwotnej.

Po istotnym F ustal, które różnice są ważne

Ogólny test w przykładzie odrzuca równość wszystkich średnich, ale decyzja może dotyczyć konkretnych par. Test Tukeya jest częstym wyborem dla wszystkich porównań parami przy spełnieniu odpowiednich założeń. Nie należy zastępować go serią zwykłych testów bez korekty.

Porównania raportuj jako różnice średnich z przedziałami ufności, a nie tylko listę gwiazdek. Różnica B − A wynosi 5, B − C wynosi 8, a A − C wynosi 3. Odbiorca potrzebuje wielkości i kierunku, by ocenić znaczenie praktyczne.

Raport może zawierać liczebności, średnie i odchylenia standardowe grup, F z obiema liczbami stopni swobody, wartość p, miarę efektu oraz metodę porównań. Dodaj informację o wykluczonych obserwacjach i planie analizy.

Wyniku nie należy przedstawiać jako dowodu przyczynowości, jeśli grupy nie powstały przez odpowiedni eksperyment. ANOVA opisuje związek między czynnikiem grupującym a wynikiem w ramach modelu.