Дисперсияны талдаудағы F сынағы
Пендахулуан
Статистикалық зерттеулерде негізгі мақсаттардың бірі - бірнеше деректер жиынтығы арасында айтарлықтай айырмашылықтардың бар-жоғын түсіну. F-тест - бұл мақсатта қолданылатын әдістердің бірі, әсіресе Дисперсияны талдау (ANOVA) контексінде. Бұл тест эксперименттік деректерді талдауда өте маңызды, себебі ол зерттеушілерге белгілі бір статистикалық болжамдарға сәйкес келген жағдайда эксперименттік нәтижелердің сенімділігін бағалауға мүмкіндік береді. Бұл мақалада біз дисперсияны талдауда F-тестінің тұжырымдамасын, қолданылуын, болжамдарын және түсіндірмесін қарастырамыз.
F сынағының негізгі тұжырымдамасы
F-тестінің атауы осылай аталады, себебі оның мәндері дисперсияны талдауда жиі қолданылатын үздіксіз ықтималдық үлестірімі болып табылатын F-үлестірілімін ұстанады. F-үлестірілім топаралық өзгергіштікті топішілік өзгергіштікпен салыстыру үшін қолданылады, бұл топтық орташа мәндер арасында айтарлықтай айырмашылық бар-жоғын анықтауға көмектеседі.
F сынағының маңызды компоненттері:
1. Топ ішіндегі өзгергіштік (топтар ішіндегі өзгергіштік): Әр топ ішіндегі деректердің өзгеруін өлшейді.
2. Топтар арасындағы өзгергіштік (Топтар арасындағы өзгергіштік): Топтар арасындағы орташа өзгергіштікті өлшейді.
Егер топтар арасындағы өзгергіштік топтар ішіндегі өзгергіштіктен әлдеқайда көп болса, топтар арасында нақты айырмашылық болуы мүмкін.
ANOVA-да F сынағын қолдану
ANOVA – екіден көп топтың орташа мәндерін салыстыру үшін қолданылатын статистикалық әдіс. ANOVA-ның әртүрлі түрлері бар, соның ішінде бір жақты ANOVA, екі жақты ANOVA және басқа да нұсқалары. Олардың арасындағы негізгі айырмашылық зерттелген факторлардың сипаты мен санына байланысты. Бұл мақалада біз F-тестін қолдануды көрсету үшін қарапайым мысал ретінде бір жақты ANOVA-ға тоқталамыз.
Бір жақты ANOVA көмегімен талдау қадамдары
1. Гипотезаны тұжырымдау:
– Нөлдік гипотеза ($H_0$): Барлық популяциялық мәндер бірдей (топтар арасында айырмашылық жоқ) деп тұжырымдайды.
– Балама гипотеза ($H_1$): кем дегенде бір басқа популяциялық орташа мән бар екенін айтады.
2. F статистикасын есептеңіз:
– Квадраттар қосындысының жалпы саны (КҚҚ):
\[
SST = \sum_{i=1}^{N}(X_i – \bar{X})^2
\]
Ол деректердегі жалпы өзгергіштікті өлшейді.
– Топтар арасындағы квадраттардың қосындысы (SSB):
\[
SSB = \sum_{j=1}^{k} n_j (\bar{X_j} – \bar{X})^2
\]
Ол топтар арасындағы өзгергіштікті өлшейді.
– Топ ішіндегі квадраттардың қосындысы (SSW):
\[
SSW = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X_j})^2
\]
Ол әр топтағы өзгергіштікті өлшейді.
– F статистикасын есептеңіз:
\[
F = \frac{\text{MSB}}{\text{MSW}} = \frac{\text{SSB}/(k-1)}{\text{SSW}/(Nk)}
\]
Мұндағы MSB – топтар арасындағы орташа квадрат, ал MSW – топтар ішіндегі орташа квадрат.
3. Маңыздылық мәні:
F мәнін есептегеннен кейін, біз бұл мәнді маңыздылық деңгейі (\(\альфа\)) және еркіндік дәрежелері негізінде F үлестірімінің критикалық мәнімен салыстырамыз. Егер есептелген F мәні критикалық мәннен үлкен болса, біз нөлдік гипотезаны жоққа шығарамыз.
F-тест болжамдары
F-тестін қолдану бірнеше негізгі болжамдарға негізделгенін есте ұстаған жөн. Егер бұл болжамдар орындалмаса, F-тесті нәтижелері жарамсыз болуы мүмкін. Бұл болжамдарға мыналар жатады:
1. Тәуелсіздік:
Әр топтағы бақылаулар бір-бірінен тәуелсіз болуы керек.
2. Қалыптылық:
Әр топтағы деректер қалыпты үлестірімді ұстануы керек. Қалыптылық туралы болжамдарды Шапиро-Уилк сынағы сияқты қалыптылық сынақтарын немесе QQ графиктерін пайдаланып графикалық түрде тексеруге болады.
3. Дисперсияның біртектілігі:
Әр топ ішіндегі дисперсиялар тең болуы керек. Бұл болжамды Левен сынағы немесе Бартлетт сынағы арқылы тексеруге болады.
Егер қалыптылық немесе дисперсияның біртектілігі туралы болжамдар орындалмаса, орындалатын түрлендірулер (мысалы, логарифмдер немесе квадрат түбірлер) немесе бұл болжамдарды қажет етпейтін Крускал-Уоллис H сынағы сияқты балама параметрлік емес сынақтар бар.
Нәтижелерді түсіндіру
ANOVA жүргізіп, F және p мәндерін алғаннан кейін, келесі қадам нәтижелерді түсіндіру болып табылады. Міне, мүмкін болатын кейбір түсіндірмелер:
1. Егер p-мәні < \(\alpha\) болса: Нөлдік гипотеза қабылданбайды, бұл топтық орташа мәндер арасында айтарлықтай айырмашылық бар екенін көрсетеді. 2. Егер p-мәні > \(\alpha\) болса: Нөлдік гипотезаны қабылдамайтын дәлелдер жеткіліксіз, бұл топтық орташа мәндер арасында айтарлықтай айырмашылық жоқ екенін көрсетеді.
Нөлдік гипотеза қабылданбаса да, ANOVA қай топтардың ерекшеленетінін көрсетпейді. Бұл үшін Тукидің HSD (шын мәнінде маңызды айырмашылық), Бонферрони түзетуі немесе Сидак сынағы сияқты пост-хок тесттері қажет, бұл қай топтардың айтарлықтай ерекшеленетінін анықтауға көмектеседі.
Үлгі іс
Келесі қарапайым мысалды қарастырайық:
Зерттеуші үш түрлі тыңайтқыштың өсімдік өсуіне тиімділігінде айтарлықтай айырмашылық бар-жоғын анықтағысы келеді. Зерттеуші А, В және С тыңайтқыштарын қолданатын үш өсімдік тобы үшін бір айдан кейін өсімдіктің биіктігін (см-мен) өлшейді.
Гипотетикалық деректер:
| А тыңайтқышы | В тыңайтқышы | С тыңайтқышы |
|————|————|———|
| 20 | 18 | 22 |
| 21 | 17 | 23 |
| 19 | 16 | 24 |
Талдау қадамдары:
1. Гипотезаны тұжырымдау:
– $H_0$: Барлық тыңайтқыштардың орташа өсімдік биіктігі бірдей.
– $H_1$: Өсімдіктің кем дегенде бір орташа биіктігі әртүрлі.
2. F статистикасын есептеңіз:
– SST, SSB және SSW есептеп, F есептеуін жалғастырыңыз.
3. Маңыздылық мәнімен салыстырыңыз:
– F үлестірім кестесін және еркіндік дәрежелерін пайдаланып, есептелген F мәнінің маңызды екенін анықтаймыз.
Кесімпулан:
Егер F мәні айтарлықтай айырмашылық бар екенін көрсетсе, зерттеуші қай топтардың ерекшеленетінін анықтау үшін пост-хок сынақтарын жүргізе алады.
Қорытынды
Дисперсиялық талдаудағы F-тест топтар арасында айтарлықтай айырмашылықтардың бар-жоғын анықтау үшін өте пайдалы құрал болып табылады. Статистикалық болжамдарға сәйкес келу арқылы бұл тест талданған деректерге терең түсінік бере алады. Практикалық қолдануда бұл тест биология, әлеуметтік зерттеулер, экономика және т.б. сияқты әртүрлі зерттеу салаларында өте пайдалы. F-тестті қашан және қалай қолдану керектігін білу, сондай-ақ оның болжамдары мен түсіндірмелерін түсіну статистикалық талдау сапасын жақсартады және деректерге негізделген шешім қабылдау үшін берік негіз қалайды.
