Основни понятия на еднофакторния ANOVA
Еднофакторният ANOVA е статистически метод, използван за сравняване на средни стойности от повече от две групи. Много хора са запознати с t-теста за сравняване на две средни стойности, но когато броят на групите е повече от две, многократното използване на t-теста всъщност увеличава риска от вземане на неправилни решения. Тук еднофакторният ANOVA става важен: той предоставя по-прецизен и систематичен начин за проверка дали има значителни разлики в средните стойности между групите, сравнени въз основа на един фактор (една категорична променлива).
1. Какво е еднофакторен ANOVA?
Терминът ANOVA произлиза от „Анализ на дисперсията“. Въпреки името си „анализ на дисперсията“, основната му цел е да тества разликите в средните стойности. Основната интуиция на ANOVA е следната: ако средните стойности на групите наистина са различни, тогава вариацията между групите ще изглежда по-голяма от вариацията в рамките на групите.
Нарича се „еднопосочен“, защото има само един фактор или една категориална независима променлива, използвана за формиране на групите. Например:
– Методи на обучение (самостоятелно, групово, онлайн) върху резултатите от изпитите.
– Видът тор (A, B, C, D) върху добива.
– Вид лекарство (лекарство 1, лекарство 2, плацебо) върху кръвното налягане.
В горния пример „метод на обучение“, „вид тор“ и „вид лекарство“ са единични фактори, които имат множество нива (категории).
2. Кога се използва еднофакторен ANOVA?
Еднофакторният ANOVA обикновено се използва, когато:
1. Зависимата променлива е в числова/количествена форма (примери: стойност, тегло, време, кръвно налягане).
2. Независимата променлива е един категориален фактор с минимум три групи (k ≥ 3).
3. Изследователите искат да знаят дали има поне една група, чиято средна стойност е различна от останалите.
Ако има само две групи, t-тест обикновено е достатъчен. ANOVA обаче може да се използва за две групи и ще доведе до заключения, еквивалентни на t-тест (при определени условия).
3. Основна идея: Междугрупови и вътрешногрупови вариации
ANOVA измерва два източника на вариация:
– Вътрешногрупови вариации: доколко данните варират във всяка група. Например, дори ако една група има определена средна стойност, нейните индивиди може да са доста разпръснати от средната стойност.
– Междугрупова вариация: доколко средната стойност на всяка група се различава от останалите.
Ако разликата между средните стойности на групите е голяма, вариацията между групите ще бъде голяма. Ако данните в рамките на групите са много разпръснати, вариацията в рамките на групите ще бъде голяма. ANOVA сравнява двете, използвайки съотношение, наречено F-статистика.
4. Хипотеза в ANOVA
При еднофакторен ANOVA хипотезата се формулира, както следва:
– H0 (нулева хипотеза): всички средни стойности за груповата популация са еднакви.
\[
\mu_1 = \mu_2 = \mu_3 = \dots = \mu_k
\]
– H1 (алтернативна хипотеза): има поне една различна групова средна стойност.
Тоест, не всички \(\mu\) са еднакви.
Важно е да се разбере, че ANOVA ви показва само дали има разлика като цяло или не. Ако резултатите са значими, са необходими допълнителни тестове, за да се определи кои двойки групи се различават.
5. Тестова статистика: F-коефициент
Основната тестова статистика в ANOVA е F:
\[
F = \frac{\text{Междугрупова дисперсия (MSB)}}{\text{Вътрегрупова дисперсия (MSW)}}
\]
Тук:
– MSB (Средноквадратична стойност между) = средната стойност на квадратите между групите, описва вариацията между средните стойности на групите.
– MSW (Средноквадратна Вътрешност) = средна стойност на квадратите в рамките на група, описва вариацията в рамките на групата.
Логиката:
– Ако средните стойности на всички групи са сходни, MSB е малък, така че F е близо до 1.
– Ако има ясна разлика в средните стойности, MSB се увеличава, така че F става по-голямо от 1.
– Достатъчно голяма стойност на F (в сравнение с критичната стойност на F при определена степен на свобода) ни кара да отхвърлим H0.
6. Компоненти за изчисление: SST, SSB и SSW
В ANOVA общата вариация на данните се разделя на две части:
1. SST (Сума от квадрати): общата сума от квадрати, описва общото отклонение на всички данни спрямо общата средна стойност.
2. SSB (Сума от квадрати между): сумата от квадрати между групите, вариация поради разлики в средните стойности на групите.
3. SSW (Сума от квадрати в рамките на групата): сумата от квадрати в рамките на групата, вариация поради индивидуални различия в рамките на групата.
Основната връзка:
\[
SST = SSB + SSW
\]
След това всяка се разделя на степените на свобода, за да се получат MSB и MSW.
7. Степени на свобода
Степени на свобода (df) в еднофакторен ANOVA:
– df между групите : \(k – 1\)
(k = брой групи)
– df в групата: \(N – k\)
(N = общ брой на всички наблюдения)
– df общо: \(N – 1\)
Степените на свобода са важни, защото определят формата на F-разпределението, използвано за тестване на значимостта.
8. Предположения за еднофакторен ANOVA
За да бъдат резултатите от ANOVA валидни, обикновено са необходими няколко допускания:
1. Независимост: данните между субектите/наблюденията са независими (не си влияят взаимно).
2. Нормалност: данните във всяка група са нормално разпределени (или поне остатъците са близки до нормалното).
3. Хомогенност на дисперсията (хомоскедастичност): дисперсията между групите е относително еднаква.
На практика, ANOVA е доста „устойчив“ на нарушения на нормалността, ако размерите на извадките са достатъчно големи и балансирани. Нарушенията на хомогенността на дисперсията обаче могат да бъдат по-проблематични, особено когато размерите на извадките на всяка група са неравномерни. Тестове като тези на Levene или Bartlett често се използват за проверка на предположението за хомогенност на дисперсията.
9. Интерпретация на резултатите: p-стойност и решение
Резултатите от ANOVA обикновено се представят в ANOVA таблица, съдържаща SSB, SSW, df, MSB, MSW, F-стойност и p-стойност.
– Ако p-стойността ≤ α (напр. α = 0,05), тогава H0 се отхвърля: има значителна разлика в средната стойност между групите.
– Ако p-стойност > α, тогава H0 не може да се отхвърли: няма достатъчно доказателства, че средните стойности са различни.
Въпреки това, „неуспехът да се отхвърли H0“ не означава, че средствата са наистина еднакви; това просто означава, че данните не са достатъчно убедителни, за да докажат разлика.
10. Post Hoc тест след ANOVA
Ако ANOVA е значим, следващата стъпка е да се установи кои групи се различават. Това се прави с post hoc тест, например:
– Tukey HSD (често използван за сравнение на всички двойки).
– Бонферони (по-консервативен).
– Scheffé (гъвкав за различни контрасти).
– Геймс-Хауел (по-подходящ, ако дисперсията не е хомогенна).
Без допълнителни тестове, знаем само, че „има разлика“, но не знаем къде се крие разликата.
11. Размер на ефекта
В допълнение към значимостта, важно е също да се посочи какво влияние има даден фактор върху зависимата променлива. Често срещани размери на ефектите в ANOVA са:
– Eta на квадрат (\(\eta^2\)): делът на общата вариация, обяснен с груповите разлики.
– Омега на квадрат (\(\omega^2\)): по-малко пристрастна версия, особено в малки извадки.
Размерите на ефектите помагат за оценка на практическата значимост, не само на статистическата значимост.
Заключение
Еднофакторният ANOVA е основен статистически инструмент за сравняване на средните стойности на повече от две групи въз основа на един фактор. Основната концепция е да се сравни вариацията между групите с вариацията в рамките на групите, използвайки F-статистиката. Използването му изисква допускания за независимост, нормалност и хомогенност на дисперсията, за да се гарантират надеждни заключения. Ако резултатите от ANOVA показват значителни разлики, анализът продължава с post hoc тестове за идентифициране на отделни групи и отчитане на размерите на ефектите, за да се оцени силата на практическата оценка на влиянието.
Ако желаете, мога да добавя пълен примерен случай (малки данни), прости стъпки за ръчно изчисление или пример за ANOVA изход от SPSS/R/Excel, заедно с как да го разчетете.
