คุณสามารถให้เหตุผลในการใช้การทดสอบแบบหางเดียวในการวิเคราะห์การทดสอบความแปรปรวนได้หรือไม่?
เหตุใดเราจึงใช้การทดสอบแบบหางเดียว - การทดสอบ F - ใน ANOVA
คุณสามารถให้เหตุผลในการใช้การทดสอบแบบหางเดียวในการวิเคราะห์การทดสอบความแปรปรวนได้หรือไม่?
เหตุใดเราจึงใช้การทดสอบแบบหางเดียว - การทดสอบ F - ใน ANOVA
คำตอบ:
การทดสอบ F มักใช้เพื่อวัตถุประสงค์สองประการ:
ใน ANOVA สำหรับการทดสอบความเท่าเทียมกันของวิธีการ (และการวิเคราะห์ที่คล้ายคลึงกันต่าง ๆ ); และ
ในการทดสอบความเท่าเทียมกันของผลต่าง
ลองพิจารณากัน:
1) การทดสอบ F ใน ANOVA (และในทำนองเดียวกันการทดสอบไคสแควร์แบบปกติสำหรับข้อมูลนับ) ถูกสร้างขึ้นเพื่อให้ข้อมูลมีความสอดคล้องกับสมมติฐานทางเลือกมากขึ้นสถิติการทดสอบที่มีขนาดใหญ่ขึ้นมีแนวโน้มที่จะเป็นในขณะที่การเตรียมตัวอย่าง ข้อมูลที่มีลักษณะสอดคล้องกับค่า null มากที่สุดจะสอดคล้องกับค่าที่เล็กที่สุดของสถิติการทดสอบ
ลองพิจารณาสามตัวอย่าง (ขนาด 10 พร้อมความแปรปรวนตัวอย่างเท่ากัน) และจัดให้มีค่าเฉลี่ยตัวอย่างเท่ากันจากนั้นย้ายค่าเฉลี่ยในรูปแบบที่แตกต่างกัน เมื่อความแปรปรวนในตัวอย่างหมายถึงเพิ่มขึ้นจากศูนย์สถิติ F จะใหญ่ขึ้น:
เส้นสีดำ (
หากสมมติฐานว่าง (ความเท่าเทียมกันของค่าเฉลี่ยประชากร) เป็นจริงคุณคาดหวังความผันแปรของค่าเฉลี่ยตัวอย่างและโดยทั่วไปคาดว่าจะเห็นอัตราส่วน F ประมาณ 1 สถิติ F ที่เล็กลงเป็นผลมาจากกลุ่มตัวอย่างที่อยู่ใกล้กันมากกว่าปกติ คาดหวัง ... คุณจะไม่สรุปความแตกต่างของประชากร
นั่นคือสำหรับ ANOVA คุณจะปฏิเสธสมมติฐานของความเท่าเทียมกันของค่าเฉลี่ยเมื่อคุณได้รับค่า F ขนาดใหญ่ผิดปกติและคุณจะไม่ปฏิเสธสมมติฐานของความเท่าเทียมกันของค่าเฉลี่ยเมื่อคุณได้รับค่าที่น้อยผิดปกติ (อาจบ่งบอกถึงบางสิ่งแต่ไม่ใช่ ประชากรมีความหมายแตกต่างกัน)
นี่คือภาพประกอบที่อาจช่วยให้คุณเห็นว่าเราต้องการปฏิเสธเฉพาะเมื่อ F อยู่ที่ส่วนบน:
2) การทดสอบ F เพื่อความเท่าเทียมกันของความแปรปรวน * (ขึ้นอยู่กับอัตราส่วนความแปรปรวน) ที่นี่อัตราส่วนของการประมาณค่าความแปรปรวนตัวอย่างทั้งสองจะมีขนาดใหญ่หากความแปรปรวนตัวอย่างตัวเศษมีขนาดใหญ่กว่าความแปรปรวนในตัวส่วนมากและอัตราส่วนจะมีขนาดเล็กถ้าค่าความแปรปรวนตัวอย่างตัวส่วนมีขนาดใหญ่กว่าความแปรปรวนในตัวเศษ
นั่นคือสำหรับการทดสอบว่าอัตราส่วนของความแปรปรวนประชากรแตกต่างจาก 1 คุณจะต้องปฏิเสธค่า N ทั้งค่าขนาดใหญ่และขนาดเล็กของ F
* (ทิ้งประเด็นของความอ่อนไหวสูงต่อข้อสันนิษฐานการกระจายตัวของการทดสอบนี้ (มีทางเลือกที่ดีกว่า) และปัญหาที่ว่าหากคุณสนใจความเหมาะสมของสมมติฐานความแปรปรวนเท่ากันของ ANOVA กลยุทธ์ที่ดีที่สุดของคุณอาจไม่ใช่ การทดสอบอย่างเป็นทางการ)
จะต้องเข้าใจว่าวัตถุประสงค์ของการวิเคราะห์ความแปรปรวนคือการตรวจสอบว่ามีความไม่เท่าเทียมกันของวิธีการ ... ซึ่งหมายความว่าเรามีความกังวลเกี่ยวกับรูปแบบขนาดใหญ่ระหว่างกลุ่มตัวอย่าง (คำนวณจากค่าเฉลี่ยตัวอย่างอีกครั้ง) เมื่อความแตกต่างระหว่างตัวอย่างมีขนาดเล็ก (ส่งผลให้ค่า F อยู่ทางด้านซ้าย) มันไม่สำคัญเนื่องจากความแตกต่างนี้ไม่มีนัยสำคัญ ความแตกต่างระหว่างตัวอย่างมีความสำคัญหากมันสูงกว่าความแปรปรวนภายใน & ในกรณีดังกล่าวค่า F จะมากกว่า 1 และในหางขวา
คำถามเดียวที่เหลืออยู่ก็คือเหตุผลที่ทำให้ระดับความสำคัญทั้งหมดอยู่ในส่วนท้ายขวา & คำตอบนั้นคล้ายกันอีกครั้ง การปฏิเสธจะเกิดขึ้นก็ต่อเมื่ออัตราส่วน F อยู่ทางด้านขวาและไม่เคยเกิดขึ้นเมื่ออัตราส่วน F อยู่ทางด้านซ้าย ระดับความสำคัญคือการวัดข้อผิดพลาดเนื่องจากข้อ จำกัด ทางสถิติ เมื่อการปฏิเสธเกิดขึ้นทางด้านขวาเท่านั้นระดับความสำคัญทั้งหมด (ความเสี่ยงข้อผิดพลาดจากการเข้าใจผิด) จะถูกเก็บไว้ในด้านขวา `
ค่าที่คาดหวังสำหรับ Mean Square (MS) ภายในการรักษาคือความแปรปรวนของประชากรในขณะที่ค่าคาดหวังสำหรับ MS ระหว่างการรักษาคือความแปรปรวนของประชากรบวกกับความแปรปรวนของการรักษา ดังนั้นอัตราส่วนของ F = MS ระหว่าง / MSwithin จะมากกว่า 1 เสมอและไม่น้อยกว่า 1
เนื่องจากความแม่นยำของการทดสอบแบบ 1 ด้านดีกว่าการทดสอบแบบ 2 ด้านเราจึงต้องการใช้การทดสอบแบบ 1 ด้าน