ANOVA adalah tes yang kuat, tetapi tidak sesuai dalam beberapa situasi.
A Analisis Varians satu arah, atau ANOVA, adalah metode statistik yang digunakan untuk membandingkan rata-rata lebih dari dua kumpulan data, untuk melihat apakah mereka berbeda secara statistik satu sama lain. SPSS, paket analisis statistik, memungkinkan penggunaan ANOVA satu arah dalam rangkaian prosedurnya yang besar. Namun, ANOVA bukanlah tes yang sempurna dan dalam keadaan tertentu akan memberikan hasil yang menyesatkan.
Batasan Sampel
Uji ANOVA mengasumsikan bahwa sampel yang digunakan dalam analisis adalah "Sampel acak sederhana". Ini berarti bahwa sampel individu (titik data) diambil dari populasi yang lebih besar (kumpulan data yang lebih besar). Sampel juga harus independen - yaitu, mereka tidak saling mempengaruhi. ANOVA umumnya cocok untuk membandingkan cara dalam studi terkontrol, tetapi ketika sampel tidak independen, tes pengukuran berulang harus digunakan.
Video Hari Ini
Distribusi normal
ANOVA mengasumsikan bahwa data dalam kelompok berdistribusi normal. Pengujian masih dapat dilakukan jika hal ini tidak terjadi -- dan jika pelanggaran asumsi ini hanya sedang, pengujian tersebut masih layak dilakukan. Namun, jika data jauh dari distribusi normal, pengujian tidak akan memberikan hasil yang akurat. Untuk menyiasatinya, ubah data dengan fungsi "Hitung" SPSS sebelum menjalankan analisis, atau gunakan uji alternatif seperti uji Kruskal-Wallace.
Standar Deviasi yang Sama
Keterbatasan lain dari ANOVA adalah bahwa ia mengasumsikan bahwa kelompok memiliki standar deviasi yang sama, atau sangat mirip. Semakin besar perbedaan standar deviasi antar kelompok, semakin besar kemungkinan bahwa kesimpulan tes tidak akurat. Seperti asumsi distribusi normal, hal ini tidak menjadi masalah selama simpangan baku tidak jauh berbeda, dan ukuran sampel setiap kelompok kira-kira sama. Jika tidak demikian, tes Welch adalah pilihan yang lebih baik.
Beberapa Perbandingan
Saat Anda menjalankan ANOVA di SPSS, nilai F dan tingkat signifikansi yang dihasilkan hanya memberi tahu Anda apakah setidaknya satu grup dalam analisis Anda berbeda dari setidaknya satu grup lainnya. Itu tidak memberi tahu Anda berapa banyak kelompok, atau kelompok mana, yang berbeda secara statistik. Untuk menentukan ini, tindak lanjut perbandingan harus dilakukan. Ini jarang menjadi masalah dalam analisis kecil, tetapi semakin tinggi jumlah kelompok yang termasuk dalam tes lanjutan, semakin besar kemungkinan membuat kesalahan Tipe I, yang mengasumsikan efek di mana ada bukan satu.
