የአንድ-መንገድ ANOVA መሰረታዊ ፅንሰ-ሀሳብ

የአንድ መንገድ ANOVA መሰረታዊ ፅንሰ ሀሳቦች

አንድ-መንገድ ANOVA ከሁለት ቡድኖች በላይ የሆኑ አማካኝዎችን ለማነፃፀር የሚያገለግል የስታቲስቲክስ ዘዴ ነው። ብዙ ሰዎች ሁለት አማካኝዎችን ለማነፃፀር የቲ-ሙከራ ዘዴን ያውቃሉ፣ ነገር ግን የቡድኖቹ ብዛት ከሁለት በላይ ሲሆን፣ የቲ-ሙከራውን ተደጋጋሚ አጠቃቀም የተሳሳቱ ውሳኔዎችን የማድረግ አደጋን ይጨምራል። የአንድ-መንገድ ANOVA አስፈላጊ የሚሆነው እዚህ ነው፡ በቡድኖች መካከል በአንድ ሁኔታ (አንድ ምድብ ተለዋዋጭ) ላይ በመመስረት በማነፃፀር ረገድ ጉልህ ልዩነቶች መኖራቸውን ለመፈተሽ የበለጠ ትክክለኛ እና ስልታዊ መንገድ ይሰጣል።

1. የአንድ መንገድ ANOVA ምንድን ነው?

ANOVA የሚለው ቃል የመጣው ከልዩነት ትንተና (Analys of Variance) ነው። ስሙ "የልዩነት ትንተና" ቢሆንም፣ ዋናው ዓላማው በተመጣጣኝ ዋጋ ያለውን ልዩነት መሞከር ነው። የANOVA መሠረታዊ ግንዛቤ ይህ ነው፡ የቡድን ዘዴዎች በእርግጥ የተለያዩ ከሆኑ፣ በቡድኖች መካከል ያለው ልዩነት በቡድኖች ውስጥ ካለው ልዩነት የበለጠ ይታያል።

"አንድ-መንገድ" ተብሎ የሚጠራው ቡድኖቹን ለመመስረት ጥቅም ላይ የዋለ አንድ ምክንያት ወይም አንድ የምድብ ገለልተኛ ተለዋዋጭ ብቻ ስለሆነ ነው። ለምሳሌ፡
- የፈተና ውጤቶችን በተመለከተ የጥናት ዘዴዎች (ገለልተኛ፣ ቡድን፣ በመስመር ላይ)።
– በመከር ምርት ላይ የማዳበሪያ ዓይነት (A፣ B፣ C፣ D)።
– የደም ግፊትን በተመለከተ የመድኃኒት አይነት (መድኃኒት 1፣ መድኃኒት 2፣ ፕላሴቦ)።

ከላይ ባለው ምሳሌ፣ “የመማሪያ ዘዴ”፣ “የማዳበሪያ ዓይነት” እና “የመድኃኒት ዓይነት” በርካታ ደረጃዎች (ምድቦች) ያላቸው ነጠላ ምክንያቶች ናቸው።

2. የአንድ መንገድ ANOVA መቼ ጥቅም ላይ ይውላል?

የአንድ-መንገድ ANOVA በአጠቃላይ ጥቅም ላይ የሚውለው በሚከተሉት ሁኔታዎች ነው፦
1. ጥገኛው ተለዋዋጭ በቁጥር/በቁጥር መልክ ነው (ምሳሌዎች፡ እሴት፣ ክብደት፣ ጊዜ፣ የደም ግፊት)።
2. ገለልተኛ ተለዋዋጭ ቢያንስ ሦስት ቡድኖች ያሉት አንድ የምድብ ሁኔታ ነው (k ≥ 3)።
3. ተመራማሪዎች ቢያንስ አንድ አማካይ ከሌላው የተለየ ቡድን መኖሩን ማወቅ ይፈልጋሉ።

ሁለት ቡድኖች ብቻ ካሉ፣ የቲ-ሙከራ ውጤት አብዛኛውን ጊዜ በቂ ነው። ሆኖም፣ ANOVA ለሁለት ቡድኖች ጥቅም ላይ ሊውል ይችላል እና ከቲ-ሙከራ ጋር እኩል የሆነ መደምደሚያዎችን ያስገኛል (በተወሰኑ ሁኔታዎች)።

3. ዋና ሀሳብ፡ በቡድን መካከል እና በቡድን ውስጥ ልዩነት

ANOVA ሁለት የልዩነት ምንጮችን ይለካል፡
– በቡድን ውስጥ ያለው ልዩነት፡- በእያንዳንዱ ቡድን ውስጥ ያለው መረጃ ምን ያህል እንደሚለያይ። ለምሳሌ፣ አንድ ቡድን የተወሰነ አማካይ ቢኖረውም፣ ግለሰቦቹ ከአማካይ በጣም ሊከፋፈሉ ይችላሉ።
- በቡድን መካከል ያለው ልዩነት፡- የእያንዳንዱ ቡድን አማካይ ምን ያህል ከሌላው እንደሚለይ።

በቡድን አማካኝ መካከል ያለው ልዩነት ትልቅ ከሆነ፣ በቡድኖች መካከል ያለው ልዩነት ትልቅ ይሆናል። በቡድኖች ውስጥ ያለው መረጃ በጣም የተስፋፋ ከሆነ፣ በቡድኖች ውስጥ ያለው ልዩነት ትልቅ ይሆናል። ANOVA ሁለቱን ያወዳድራል F ስታቲስቲክስ የሚባል ጥምርታ በመጠቀም።

4. በANOVA ውስጥ ያለው መላምት

በአንድ አቅጣጫ ANOVA፣ መላምቱ እንደሚከተለው ተዘጋጅቷል፡

- H0 (ባዶ መላምት): ሁሉም የቡድን ህዝብ ማለት አንድ ነው።
\[
\mu_1 = \mu_2 = \mu_3 = \ ነጥቦች = \mu_k
\]
– H1 (አማራጭ መላምት): ቢያንስ አንድ የተለየ የቡድን አማካይ አለ።
ያም ማለት ሁሉም \(\mu\) አንድ አይደሉም።

ANOVA የሚነግርዎት በአጠቃላይ ልዩነት መኖሩን ወይም አለመኖሩን ብቻ መሆኑን መረዳት አስፈላጊ ነው። ውጤቶቹ ጉልህ ከሆኑ፣ የትኞቹ የቡድን ጥንዶች እንደሚለያዩ ለማወቅ ተጨማሪ ምርመራ ያስፈልጋል።

5. የፈተና ስታቲስቲክስ፡ የኤፍ ጥምርታ

በANOVA ውስጥ ያለው ዋናው የፈተና ስታቲስቲክስ F:
\[
F = \frac{\text{በቡድን መካከል ያለው ልዩነት (MSB)}}{\text{በቡድን ውስጥ ያለው ልዩነት (MSW)}}
\]

እዚህ፡
– MSB (አማካኝ ካሬ መሀል) = በቡድኖች መካከል ያለው የአራት ማዕዘን አማካይ፣ በቡድን አማካኝ መካከል ያለውን ልዩነት ይገልጻል።
– MSW (አማካኝ ካሬ ውስጥ) = በቡድን ውስጥ ያሉ የካሬዎች አማካይ፣ በቡድን ውስጥ ያለውን ልዩነት ይገልጻል።

ሎጂክ፡
– የሁሉም ቡድኖች አማካኝ ተመሳሳይ ከሆነ፣ MSB ትንሽ ስለሆነ F ወደ 1 ይጠጋል።
– በአማካኙ ላይ ግልጽ የሆነ ልዩነት ካለ፣ MSB ይጨምራል ስለዚህም F ከ1 ይበልጣል።
- በቂ የሆነ ትልቅ የF እሴት (ከወሳኝ የF እሴት ጋር በተወሰነ የነጻነት ደረጃ ጋር ሲነጻጸር) H0ን እንድንቃወም ያደርገናል።

6. የስሌት ክፍሎች፡ SST፣ SSB እና SSW

በ ANOVA ውስጥ፣ የውሂቡ አጠቃላይ ልዩነት በሁለት ክፍሎች የተከፈለ ነው፡

1. SST (የካሬዎች ድምር ድምር): የካሬዎች ድምር፣ የሁሉም መረጃዎች አጠቃላይ ልዩነት ከአጠቃላይ አማካይ ጋር ይመሳሰላል።
2. SSB (በመካከል ያሉት የካሬዎች ድምር): በቡድኖች መካከል ያለው የካሬዎች ድምር፣ በቡድን አማካኝ ልዩነት ምክንያት የሚመጣ ልዩነት።
3. SSW (በውስጡ ያሉት የካሬዎች ድምር): በቡድን ውስጥ ያሉ የካሬዎች ድምር፣ በቡድኑ ውስጥ ባሉ የግለሰብ ልዩነቶች ምክንያት የሚመጣ ልዩነት።

መሰረታዊ ግንኙነት፡-
\[
ኤስኤስቲ = ኤስኤስቢ + ኤስኤስደብሊው
\]

ከዚያም እያንዳንዳቸው MSB እና MSW ለማመንጨት በሚችሉት የነጻነት ደረጃዎች ይከፈላሉ።

7. የነፃነት ዲግሪዎች

የአንድ አቅጣጫ ANOVA የነፃነት ዲግሪዎች (df)፡
– በቡድኖች መካከል df፡ \(k – 1\)
(k = የቡድኖች ብዛት)
– df በቡድን፡ \(N – k\)
(N = የሁሉም ምልከታዎች ድምር)
– df ድምር : \(N – 1\)

የነፃነት ደረጃዎች አስፈላጊ ናቸው ምክንያቱም ጠቀሜታውን ለመፈተሽ ጥቅም ላይ የዋለውን የF ስርጭት ቅርፅ ስለሚወስኑ።

8. የአንድ መንገድ ANOVA ግምቶች

የANOVA ውጤቶች ትክክለኛ እንዲሆኑ፣ ብዙ ግምቶች ብዙውን ጊዜ ያስፈልጋሉ፦

1. ነፃነት፡- በተመልካች/በምልከታዎች መካከል ያለው መረጃ ገለልተኛ ነው (እርስ በርስ አይነኩም)።
2. መደበኛነት፡- በእያንዳንዱ ቡድን ውስጥ ያለው መረጃ በተለምዶ ይሰራጫል (ወይም ቢያንስ ቀሪዎቹ ወደ መደበኛው ቅርብ ናቸው)።
3. የልዩነት ተመሳሳይነት (ሆሞሴዳስቲክቲ)፡- በቡድኖች መካከል ያለው ልዩነት በአንጻራዊነት ተመሳሳይ ነው።

በተግባር፣ የናሙና መጠኖቹ በበቂ ሁኔታ ትልቅ እና ሚዛናዊ ከሆኑ ANOVA ለመደበኛነት ጥሰቶች በጣም "ጠንካራ" ነው። ሆኖም፣ የልዩነት ተመሳሳይነት ጥሰቶች በተለይም የእያንዳንዱ ቡድን የናሙና መጠኖች እኩል ካልሆኑ የበለጠ ችግር ሊያስከትሉ ይችላሉ። እንደ ሌቨኔ ወይም ባርትሌት ያሉ ሙከራዎች ብዙውን ጊዜ የልዩነት ተመሳሳይነት ግምትን ለማረጋገጥ ያገለግላሉ።

9. የውጤቶች ትርጓሜ፡ p-value እና decision

የANOVA ውጤቶች ብዙውን ጊዜ የSSB፣ SSW፣ df፣ MSB፣ MSW፣ F እሴት እና p-እሴትን በያዘ የANOVA ሰንጠረዥ ውስጥ ቀርበዋል።

– የ p-እሴቱ ≤ α (ለምሳሌ α = 0,05) ከሆነ፣ H0ን ውድቅ ያድርጉ፡ በቡድኖቹ መካከል ባለው አማካይ ላይ ጉልህ የሆነ ልዩነት አለ።
– p-value > α ከሆነ፣ H0ን አለመቀበልዎን ያረጋግጡ፡ ዘዴዎቹ የተለያዩ መሆናቸውን የሚያሳይ በቂ ማስረጃ የለም።

ሆኖም፣ “H0ን አለመቀበል” ማለት ዘዴዎቹ በእርግጥ አንድ ናቸው ማለት አይደለም፤ ይህ ማለት መረጃው ልዩነትን ለማረጋገጥ በቂ ጥንካሬ የለውም ማለት ነው።

10. ከ ANOVA በኋላ የድህረ ሆክ ሙከራ

ANOVA ጉልህ ከሆነ፣ የሚቀጥለው እርምጃ የትኞቹ ቡድኖች እንደሚለያዩ ማወቅ ነው። ይህ የሚደረገው ከሆክ ሙከራ በኋላ ነው፣ ለምሳሌ፡
– ቱኪ ኤችኤስዲ (ብዙውን ጊዜ ሁሉንም ጥንዶች ለማነፃፀር ያገለግላል)።
– ቦንፌሮኒ (ይበልጥ ወግ አጥባቂ)።
– ሼፌ (ለተለያዩ ንፅፅሮች ተለዋዋጭ)።
– ጨዋታዎች-ሆዌል (ልዩነቱ ተመሳሳይነት ከሌለው የበለጠ ተስማሚ ነው)።

ተጨማሪ ምርመራ ሳናደርግ፣ "ልዩነት አለ" ብቻ ነው የምናውቀው፣ ነገር ግን ልዩነቱ የት እንዳለ አናውቅም።

11. የውጤት መጠን

ከአስፈላጊነት በተጨማሪ፣ አንድ ፋክተር በጥገኛ ተለዋዋጭ ላይ ምን ያህል ተጽዕኖ እንዳለው ሪፖርት ማድረግ አስፈላጊ ነው። በANOVA ውስጥ የተለመዱ የውጤት መጠኖች የሚከተሉት ናቸው፡
– Eta ስኩዌር (\(\eta^2\)): በቡድን ልዩነቶች የተብራራው የጠቅላላ ልዩነት መጠን።
– ኦሜጋ ካሬ (\(\omega^2\)): በተለይም በትንሽ ናሙናዎች ላይ ያነሰ አድልዎ ያለው ስሪት።

የተፅዕኖ መጠኖች የስታቲስቲክስ ጠቀሜታን ብቻ ሳይሆን ተግባራዊ ጠቀሜታን ለመገምገም ይረዳሉ።

ከሲምፑላን

አንድ-መንገድ ANOVA በአንድ ምክንያት ላይ በመመስረት ከሁለት በላይ ቡድኖችን መንገዶች ለማነፃፀር የሚያስችል መሠረታዊ የስታቲስቲክስ መሳሪያ ነው። መሠረታዊው ፅንሰ-ሀሳብ በቡድኖች መካከል ያለውን ልዩነት ከቡድኖች ውስጥ ካለው ልዩነት ጋር በ F ስታቲስቲክስ ማወዳደር ነው። አጠቃቀሙ አስተማማኝ መደምደሚያዎችን ለማረጋገጥ የልዩነት ነፃነት፣ መደበኛነት እና ተመሳሳይነት ግምቶችን ይፈልጋል። የANOVA ውጤቶች ጉልህ ልዩነቶችን ካሳዩ፣ ትንታኔው የተለያዩ ቡድኖችን ለመለየት እና የተፅዕኖውን ጥንካሬ በተግባር ለመገምገም የውጤት መጠኖችን ሪፖርት ለማድረግ ከሆክ በኋላ ሙከራዎች ይቀጥላል።

ከፈለጉ፣ የተሟላ የጉዳይ ምሳሌ (ትንሽ መረጃ)፣ ቀላል የእጅ ስሌት ደረጃዎችን ወይም ከSPSS/R/Excel የANOVA ውጤት ምሳሌን እና እንዴት ማንበብ እንደሚቻል ማከል እችላለሁ።