單因子變異數分析的基本概念
單因子變異數分析（One-way ANOVA）是一種用於比較兩個以上組別平均值的統計方法。許多人熟悉用於比較兩個平均值的t檢驗，但當組數超過兩個時，重複使用t檢定實際上會增加做出錯誤判斷的風險。這時，單因子變異數分析就顯得特別重要：它提供了一種更精確、更有系統的方法來檢驗基於單一因素（單一分類變數）比較的組間平均數是否有顯著差異。
1. 什麼是單因子變異數分析？
變異數分析（ANOVA）一詞源自於「變異數分析」（Analysis of Variance）。儘管名稱為“變異數分析”，但其主要目的是檢定平均值差異。變異數分析的基本原理是：如果組間平均值確實存在差異，那麼組間變異將大於組內變異。
之所以稱之為“單因子變異數分析”，是因為只有一個因素或一個分類自變數用於劃分組別。例如：
– 學習方法（獨立學習、小組學習、線上學習）對考試成績的影響。
– 肥料類型（A、B、C、D）對收成產量的影響。
– 藥物類型（藥物 1、藥物 2、安慰劑）對血壓的影響。
在上面的例子中，「學習方法」、「肥料類型」和「藥物類型」是具有多個層級（類別）的單一因素。
2. 何時使用單因子變異數分析？
單因子變異數分析通常在以下情況下使用：
1. 因變數為數值/定量形式（例如：價值、重量、時間、血壓）。
2. 自變數為分類因子，至少有三個組別（k ≥ 3）。
3. 研究者想知道是否存在至少一組的平均值與其他組別不同。
如果只有兩組數據，通常使用t檢定就足夠了。但是，在某些情況下，也可以使用變異數分析（ANOVA）來分析兩組數據，並得出與t檢定相同的結論。
3. 主要觀點：組間變異與組內變異
變異數分析衡量兩種變異來源：
組內變異：指資料在每組內的變化程度。例如，即使一個組別具有一定的平均值，其個體之間的差異也可能很大。
– 組間變異：各組平均值彼此間的差異程度。
如果組間平均值差異較大，則組間變異也較大。如果組內資料分佈非常分散，則組內變異也較大。變異數分析（ANOVA）使用稱為F統計量的比率來比較這兩種情況。
4. 變異數分析中的假設
單因子變異數分析的假設表述如下：
– H0（虛無假設）：所有組別總體平均值都相同。
\[
\mu_1 = \mu_2 = \mu_3 = \點 = \mu_k
\]
– H1（備擇假設）：至少存在一個不同的組別平均值。
也就是說，並非所有的μ都是相同的。
要注意的是，變異數分析只能告訴你整體上是否有差異。如果結果顯著，則需要進行進一步的檢驗，以確定哪些組別之間存在差異。
5. 檢定統計量：F 比
變異數分析中的主要檢定統計量是 F 值：
\[
F = \frac{\text{組間變異數 (MSB)}}{\text{組內變異數 (MSW)}}
\]
這裡：
– MSB（組間均方）= 組間平方的平均值，描述組別平均值之間的變異。
– MSW（組內均方）= 組內平方的平均值，描述組內的變異性。
邏輯如下：
– 如果所有組別的平均值都相似，則 MSB 較小，因此 F 接近 1。
– 如果平均值之間有明顯差異，則 MSB 增加，使得 F 大於 1。
– 當 F 值夠大時（與某一自由度下的臨界 F 值相比），我們將拒絕 H0。
6. 計算組成：海表溫度 (SST)、海錶帶寬度 (SSB) 和海錶帶寬度 (SSW)。
在變異數分析中，資料的總變異被分解為兩部分：
1. SST（總平方和）：總平方和，描述所有數據相對於總體平均值的總變異。
2. SSB（組間平方和）：組間平方和，由組別平均值差異所造成的變異。
3. SSW（組內平方和）：組內平方和，由組內個體差異引起的變異。
基本關係：
\[
海表溫度 = 南半球淺層溫度 + 南半球淺層溫度
\]
然後，將每個值除以自由度，得到 MSB 和 MSW。
7. 自由度
單因子變異數分析的自由度（df）：
– 組間自由度：\(k – 1\)
（k = 組數）
– 組內自由度：\(N – k\)
（N = 所有觀測值的總數）
– df 總計：\(N – 1\)
自由度很重要，因為它們決定了用於檢驗顯著性的F 分佈的形狀。
8. 單因子變異數分析的假設
為了使變異數分析結果有效，通常需要滿足以下幾個假設：
1. 獨立性：受試者/觀察者之間的資料是獨立的（互不影響）。
2. 常態性：每組資料呈常態分佈（或至少殘差接近常態分佈）。
3. 方差齊性（同方差性）：各組之間的變異數相對相同。
實際上，如果樣本量夠大且均衡，變異數分析對常態性假設的違反具有相當強的「穩健性」。然而，方差齊性假設的違反可能更成問題，尤其是在各組樣本數不相等的情況下。通常使用 Levene 檢定或 Bartlett 檢定等方法來驗證變異數齊性假設。
9. 結果解讀：p值與決策
變異數分析結果通常以變異數分析表的形式呈現，其中包含 SSB、SSW、df、MSB、MSW、F 值和 p 值。
– 如果 p 值 ≤ α（例如 α = 0,05），則拒絕 H0：各組平均值之間有顯著差異。
– 如果 p 值 > α，則無法拒絕 H0：沒有足夠的證據顯示平均值不同。
然而，「未能拒絕 H0」並不意味著平均數真的相同；它僅僅意味著數據不夠有力，無法證明存在差異。
10. 變異數分析後的事後檢驗
如果變異數分析結果顯著，下一步是找出哪些組別之間存在差異。這可以透過事後檢定來完成，例如：
– Tukey HSD（通常用於比較所有配對）。
– Bonferroni（較保守）。
– Scheffé（可靈活適應各種對比）。
– Games-Howell（如果方差不齊，則更適用）。
如果沒有進一步的測試，我們只知道“存在差異”，但我們不知道差異在哪裡。
11.效應量
除了顯著性之外，報告某個因素對因變數的影響程度也很重要。變異數分析中常見的效應量包括：
– Eta 平方 (\(\eta^2\)) : 由組間差異解釋的總變異比例。
– Omega 平方 (\(\omega^2\)) : 偏差較小的版本，尤其是在小樣本中。
效應量有助於評估實際相關性，而不僅僅是統計顯著性。
結論
單因子變異數分析（ANOVA）是一種基本的統計工具，用於比較基於單一因素的兩個以上組別的平均值。其基本概念是利用F統計量比較組間變異與組內變異。使用單因子變異數分析需要假設資料獨立、服從常態分佈且變異數齊性，以確保結論的可靠性。如果單因子變異數分析結果顯示有顯著差異，則需要事後檢定以進一步識別不同的組別，並報告效應量以實際評估影響強度。
如果您需要，我可以添加一個完整的案例範例（小數據）、簡單的手動計算步驟，或 SPSS/R/Excel 的 ANOVA 輸出範例以及如何解讀它。
