ඒක-මාර්ග ANOVA හි මූලික සංකල්ප
ඒක-මාර්ග ANOVA යනු කණ්ඩායම් දෙකකට වඩා වැඩි ගණනකින් මධ්යන්ය සංසන්දනය කිරීමට භාවිතා කරන සංඛ්යානමය ක්රමයකි. බොහෝ අය මාධ්යයන් දෙකක් සංසන්දනය කිරීම සඳහා t-පරීක්ෂණය ගැන හුරුපුරුදු නමුත් කණ්ඩායම් ගණන දෙකකට වඩා වැඩි වූ විට, t-පරීක්ෂණය නැවත නැවත භාවිතා කිරීම වැරදි තීරණ ගැනීමේ අවදානම වැඩි කරයි. ඒක-මාර්ග ANOVA වැදගත් වන්නේ මෙහිදීය: එය තනි සාධකයක් (තනි වර්ගීකරණ විචල්යයක්) මත පදනම්ව සංසන්දනය කරන ලද කණ්ඩායම් අතර මධ්යන්යයන්හි සැලකිය යුතු වෙනස්කම් තිබේද යන්න පරීක්ෂා කිරීමට වඩාත් නිවැරදි හා ක්රමානුකූල ක්රමයක් සපයයි.
1. එක්-මාර්ග ANOVA යනු කුමක්ද?
ANOVA යන පදය පැමිණෙන්නේ විචල්යතා විශ්ලේෂණයෙනි. එහි නම "විචලතාව විශ්ලේෂණය" වුවද, එහි මූලික අරමුණ වන්නේ මාධ්යයන්හි වෙනස්කම් පරීක්ෂා කිරීමයි. ANOVA හි මූලික බුද්ධිය මෙයයි: කණ්ඩායම් මාධ්යයන් සැබවින්ම වෙනස් නම්, කණ්ඩායම් අතර විචලනය කණ්ඩායම් තුළ ඇති විචලනයට වඩා විශාල ලෙස පෙනෙනු ඇත.
කණ්ඩායම් සෑදීමට භාවිතා කරන්නේ එක් සාධකයක් හෝ එක් වර්ගීකරණ ස්වාධීන විචල්යයක් පමණක් බැවින් එය "ඒක-මාර්ග" ලෙස හැඳින්වේ. උදාහරණයක් ලෙස:
- විභාග ලකුණු මත අධ්යයන ක්රම (ස්වාධීන, කණ්ඩායම්, මාර්ගගත).
– අස්වැන්න අස්වැන්න මත පොහොර වර්ගය (A, B, C, D).
– රුධිර පීඩනය මත ඖෂධ වර්ගය (ඖෂධ 1, ඖෂධ 2, ප්ලේසෙබෝ).
ඉහත උදාහරණයේ, "ඉගෙනුම් ක්රමය", "පොහොර වර්ගය" සහ "ඖෂධ වර්ගය" යනු බහු මට්ටම් (කාණ්ඩ) ඇති තනි සාධක වේ.
2. එක්-මාර්ග ANOVA භාවිතා කරන්නේ කවදාද?
ඒක-මාර්ග ANOVA සාමාන්යයෙන් භාවිතා කරනුයේ:
1. යැපෙන විචල්යය සංඛ්යාත්මක/ප්රමාණාත්මක ආකාරයෙන් ඇත (උදාහරණ: අගය, බර, කාලය, රුධිර පීඩනය).
2. ස්වාධීන විචල්යය යනු අවම වශයෙන් කාණ්ඩ තුනක් (k ≥ 3) සහිත එක් වර්ගීකරණ සාධකයකි.
3. පර්යේෂකයන්ට දැන ගැනීමට අවශ්ය වන්නේ අවම වශයෙන් එක් කණ්ඩායමක් හෝ ඔවුන්ගේ සාමාන්යය අනෙක් ඒවාට වඩා වෙනස්ද යන්නයි.
කණ්ඩායම් දෙකක් පමණක් තිබේ නම්, සාමාන්යයෙන් t-පරීක්ෂණයක් ප්රමාණවත් වේ. කෙසේ වෙතත්, ANOVA තවමත් කණ්ඩායම් දෙකක් සඳහා භාවිතා කළ හැකි අතර (ඇතැම් කොන්දේසි යටතේ) t-පරීක්ෂණයකට සමාන නිගමන නිපදවනු ඇත.
3. ප්රධාන අදහස: කණ්ඩායම් අතර එදිරිව කණ්ඩායම තුළ විචලනය
ANOVA මගින් විචලනයේ ප්රභවයන් දෙකක් මනිනු ලැබේ:
– කණ්ඩායම තුළ විචලනය: එක් එක් කණ්ඩායම තුළ දත්ත කොපමණ වෙනස් වේද යන්න. උදාහරණයක් ලෙස, කණ්ඩායමකට යම් සාමාන්යයක් තිබුණද, එහි පුද්ගලයින් සාමාන්යයෙන් තරමක් වෙනස් විය හැකිය.
– කණ්ඩායම් අතර විචලනය: එක් එක් කාණ්ඩයේ සාමාන්යය එකිනෙකාගෙන් කොතරම් දුරට වෙනස් වේද.
කණ්ඩායම් මාධ්යයන් අතර වෙනස විශාල නම්, කණ්ඩායම් අතර විචලනය විශාල වනු ඇත. කණ්ඩායම් තුළ දත්ත ඉතා විසිරී තිබේ නම්, කණ්ඩායම් තුළ විචලනය විශාල වනු ඇත. ANOVA මගින් F සංඛ්යාලේඛනය ලෙස හඳුන්වන අනුපාතයක් භාවිතා කරමින් දෙක සංසන්දනය කරයි.
4. ANOVA හි කල්පිතය
ඒකපාර්ශ්වික ANOVA හි, කල්පිතය පහත පරිදි සකස් කර ඇත:
– H0 (ශුන්ය කල්පිතය): සියලුම කණ්ඩායම් ජනගහන මාධ්යයන් සමාන වේ.
\[
\mu_1 = \mu_2 = \mu_3 = \dots = \mu_k
\]
– H1 (විකල්ප කල්පිතය): අවම වශයෙන් එක් වෙනස් කණ්ඩායම් මධ්යන්යයක් ඇත.
එනම්, සියලු \(\mu\) සමාන නොවේ.
ANOVA මඟින් ඔබට සමස්තයක් වශයෙන් වෙනසක් තිබේද නැද්ද යන්න පමණක් පවසන බව තේරුම් ගැනීම වැදගත්ය. ප්රතිඵල සැලකිය යුතු නම්, කුමන කණ්ඩායම් යුගල වෙනස් වේද යන්න තීරණය කිරීම සඳහා තවදුරටත් පරීක්ෂණ අවශ්ය වේ.
5. පරීක්ෂණ සංඛ්යාලේඛන: F අනුපාතය
ANOVA හි ප්රධාන පරීක්ෂණ සංඛ්යාලේඛනය F වේ:
\[
F = \frac{\text{කණ්ඩායම් අතර විචලනය (MSB)}}{\text{කණ්ඩායම් තුළ විචලනය (MSW)}}
\]
මෙතන:
– MSB (අතර මධ්යන්ය වර්ග) = කණ්ඩායම් අතර වර්ගවල සාමාන්යය, කණ්ඩායම් මධ්යන්යයන් අතර විචලනය විස්තර කරයි.
– MSW (ඇතුළත මධ්යන්ය වර්ග ප්රමාණය) = කණ්ඩායමක් තුළ ඇති වර්ගවල සාමාන්යය, කණ්ඩායමක් තුළ ඇති විචලනය විස්තර කරයි.
තර්කනය:
– සියලුම කාණ්ඩවල මාධ්යයන් සමාන නම්, MSB කුඩා වන බැවින් F 1 ට ආසන්න වේ.
– මාධ්යයන්හි පැහැදිලි වෙනසක් තිබේ නම්, MSB වැඩි වන අතර එමඟින් F 1 ට වඩා වැඩි වේ.
– ප්රමාණවත් තරම් විශාල F අගයක් (නිදහසේ යම් මට්ටමක තීරණාත්මක F අගයට සාපේක්ෂව) අපව H0 ප්රතික්ෂේප කරයි.
6. ගණනය කිරීමේ සංරචක: SST, SSB, සහ SSW
ANOVA හි, දත්තවල මුළු විචලනය කොටස් දෙකකට බෙදා ඇත:
1. SST (වර්ගවල එකතුව): වර්ගවල මුළු එකතුව, සමස්ත සාමාන්යයට සාපේක්ෂව සියලු දත්තවල මුළු විචලනය විස්තර කරයි.
2. SSB (අතර වර්ග එකතුව): කණ්ඩායම් අතර වර්ග එකතුව, කණ්ඩායම් මධ්යන්යයන්හි වෙනස්කම් හේතුවෙන් විචලනය.
3. SSW (ඇතුළත වර්ගවල එකතුව): කණ්ඩායමක් තුළ ඇති වර්ගවල එකතුව, කණ්ඩායම තුළ ඇති තනි වෙනස්කම් හේතුවෙන් විචලනය.
මූලික සම්බන්ධතාවය:
\[
එස්එස්ටී = එස්එස්බී + එස්එස්ඩබ්ලිව්
\]
ඉන්පසු MSB සහ MSW නිපදවීම සඳහා ඒ සෑම එකක්ම නිදහසේ අංශක වලින් බෙදනු ලැබේ.
7. නිදහස පිළිබඳ උපාධි
ඒක-මාර්ග ANOVA හි නිදහසේ අංශක (df):
– df කණ්ඩායම් අතර : \(k – 1\)
(k = කණ්ඩායම් ගණන)
– df කාණ්ඩයේ : \(N – k\)
(N = සියලු නිරීක්ෂණවල එකතුව)
– df එකතුව : \(N – 1\)
නිදහසේ අංශක වැදගත් වන්නේ ඒවා වැදගත්කම පරීක්ෂා කිරීමට භාවිතා කරන F ව්යාප්තියේ හැඩය තීරණය කරන බැවිනි.
8. ඒක-මාර්ග ANOVA පිළිබඳ උපකල්පන
ANOVA ප්රතිඵල වලංගු වීමට නම්, සාමාන්යයෙන් උපකල්පන කිහිපයක් අවශ්ය වේ:
1. ස්වාධීනත්වය: විෂයයන්/නිරීක්ෂණ අතර දත්ත ස්වාධීන වේ (එකිනෙකාට බලපෑම් නොකරන්න).
2. සාමාන්යභාවය: සෑම කාණ්ඩයකම දත්ත සාමාන්යයෙන් බෙදා හරිනු ලැබේ (නැතහොත් අවම වශයෙන් අවශේෂ සාමාන්යයට ආසන්න වේ).
3. විචලනයේ සමජාතීයතාවය (සමජාතීයතාවය): කණ්ඩායම් අතර විචලනය සාපේක්ෂව සමාන වේ.
ප්රායෝගිකව, සාම්පල ප්රමාණයන් ප්රමාණවත් තරම් විශාල සහ සමබර නම්, සාමාන්යභාවය උල්ලංඝනය කිරීම් සඳහා ANOVA තරමක් "ශක්තිමත්" වේ. කෙසේ වෙතත්, විචලනයේ සමජාතීයතාවය උල්ලංඝනය කිරීම වඩාත් ගැටළු සහගත විය හැකිය, විශේෂයෙන් එක් එක් කාණ්ඩයේ සාම්පල ප්රමාණයන් අසමාන වන විට. විචලනයේ සමජාතීයතාවයේ උපකල්පනය සත්යාපනය කිරීම සඳහා ලෙවීන්ගේ හෝ බාට්ලට්ගේ පරීක්ෂණ බොහෝ විට භාවිතා වේ.
9. ප්රතිඵල අර්ථ නිරූපණය: p-අගය සහ තීරණය
ANOVA ප්රතිඵල සාමාන්යයෙන් SSB, SSW, df, MSB, MSW, F අගය සහ p-අගය අඩංගු ANOVA වගුවක ඉදිරිපත් කෙරේ.
– p-අගය ≤ α (උදා: α = 0,05) නම්, H0 ප්රතික්ෂේප කරන්න: කණ්ඩායම් අතර සාමාන්යයේ සැලකිය යුතු වෙනසක් ඇත.
– p-අගය > α නම්, H0 ප්රතික්ෂේප කිරීමට අපොහොසත් වේ: මාධ්යයන් වෙනස් බවට ප්රමාණවත් සාක්ෂි නොමැත.
කෙසේ වෙතත්, "H0 ප්රතික්ෂේප කිරීමට අපොහොසත් වීම" යන්නෙන් අදහස් වන්නේ මාධ්යයන් සැබවින්ම සමාන බව නොවේ; එහි තේරුම හුදෙක් වෙනසක් ඔප්පු කිරීමට තරම් දත්ත ශක්තිමත් නොවන බවයි.
10. ANOVA පසු පශ්චාත් කාලීන පරීක්ෂණය
ANOVA සැලකිය යුතු නම්, ඊළඟ පියවර වන්නේ කුමන කණ්ඩායම් වෙනස් දැයි සොයා ගැනීමයි. මෙය පශ්චාත් කාලීන පරීක්ෂණයකින් සිදු කෙරේ, උදාහරණයක් ලෙස:
– ටුකී HSD (සියලු යුගල සංසන්දනය කිරීම සඳහා බොහෝ විට භාවිතා වේ).
– බොන්ෆෙරෝනි (වඩාත් ගතානුගතික).
– Scheffé (විවිධ ප්රතිවිරෝධතා සඳහා නම්යශීලී).
– Games-Howell (විචලනය සමජාතීය නොවේ නම් වඩාත් සුදුසුය).
තවදුරටත් පරීක්ෂා කිරීමකින් තොරව, අපි දන්නේ "වෙනසක් ඇති" බව පමණි, නමුත් වෙනස ඇත්තේ කොතැනදැයි අපි නොදනිමු.
11. බලපෑම් ප්රමාණය
වැදගත්කමට අමතරව, සාධකයක් යැපෙන විචල්යයට කොපමණ බලපෑමක් ඇති කරයිද යන්න වාර්තා කිරීම ද වැදගත් වේ. ANOVA හි පොදු බලපෑම් ප්රමාණයන් වන්නේ:
– ඊටා වර්ග (\(\eta^2\)) : කාණ්ඩ වෙනස්කම් මගින් පැහැදිලි කරන ලද මුළු විචලනයේ අනුපාතය.
– ඔමේගා වර්ග (\(\omega^2\)) : විශේෂයෙන් කුඩා සාම්පලවල, අඩු පක්ෂග්රාහී අනුවාදයකි.
බලපෑම් ප්රමාණයන් සංඛ්යානමය වැදගත්කම පමණක් නොව, ප්රායෝගික අදාළත්වය තක්සේරු කිරීමට උපකාරී වේ.
නිගමනය
ඒක-මාර්ග ANOVA යනු තනි සාධකයක් මත පදනම්ව කණ්ඩායම් දෙකකට වඩා වැඩි ගණනක මාධ්යයන් සංසන්දනය කිරීම සඳහා මූලික සංඛ්යානමය මෙවලමකි. මූලික සංකල්පය වන්නේ F සංඛ්යාලේඛනය භාවිතයෙන් කණ්ඩායම් අතර විචලනය කණ්ඩායම් තුළ ඇති විචලනය සමඟ සංසන්දනය කිරීමයි. එහි භාවිතය සඳහා විශ්වාසදායක නිගමන සහතික කිරීම සඳහා ස්වාධීනත්වය, සාමාන්යභාවය සහ විචලනයේ සමජාතීයතාවය පිළිබඳ උපකල්පන අවශ්ය වේ. ANOVA ප්රතිඵල සැලකිය යුතු වෙනස්කම් පෙන්නුම් කරන්නේ නම්, බලපෑමේ ප්රායෝගික ශක්තිය තක්සේරු කිරීම සඳහා වෙනස් කණ්ඩායම් හඳුනා ගැනීම සහ බලපෑම් ප්රමාණයන් වාර්තා කිරීම සඳහා පශ්චාත් කාලීන පරීක්ෂණ සමඟ විශ්ලේෂණය දිගටම කරගෙන යනු ලැබේ.
ඔබට අවශ්ය නම්, මට සම්පූර්ණ නඩු උදාහරණයක් (කුඩා දත්ත), සරල අතින් ගණනය කිරීමේ පියවර හෝ SPSS/R/Excel වෙතින් ANOVA ප්රතිදානයක උදාහරණයක් සහ එය කියවන ආකාරය එකතු කළ හැකිය.
