ANOVA ir spēcīgs tests, taču dažās situācijās tas nav piemērots.
Vienvirziena ANalysis Of Variance jeb ANOVA ir statistikas metode, ko izmanto, lai salīdzinātu vairāk nekā divu datu kopu vidējos rādītājus, lai noskaidrotu, vai tie statistiski atšķiras viens no otra. SPSS, statistiskās analīzes pakotne, ļauj izmantot vienvirziena ANOVA tās lielajā procedūru komplektā. Tomēr ANOVA nav ideāls tests un noteiktos apstākļos sniegs maldinošus rezultātus.
Parauga ierobežojumi
ANOVA testā tiek pieņemts, ka analīzē izmantotie paraugi ir "Vienkārši izlases paraugi". Tas nozīmē, ka indivīdu paraugs (datu punkti) tiek ņemts no lielākas populācijas (lielāks datu kopums). Paraugiem jābūt arī neatkarīgiem, tas ir, tie neietekmē viens otru. ANOVA parasti ir piemērota vidējo salīdzināšanai kontrolētos pētījumos, bet, ja paraugi nav neatkarīgi, ir jāizmanto atkārtotu mērījumu tests.
Dienas video
Normāls sadalījums
ANOVA pieņem, ka dati grupās ir normāli sadalīti. Testu joprojām var veikt, ja tas tā nav, un, ja šī pieņēmuma pārkāpums ir tikai mērens, tests joprojām ir piemērots. Tomēr, ja dati ir tālu no parastā sadalījuma, tests nesniegs precīzus rezultātus. Lai to apietu, pirms analīzes palaišanas pārveidojiet datus, izmantojot SPSS funkciju "Aprēķināt", vai izmantojiet alternatīvu testu, piemēram, Kruskal-Wallace testu.
Vienādas standarta novirzes
Vēl viens ANOVA ierobežojums ir tāds, ka tiek pieņemts, ka grupām ir vienādas vai ļoti līdzīgas standarta novirzes. Jo lielāka ir standartnoviržu atšķirība starp grupām, jo lielāka iespēja, ka testa secinājums ir neprecīzs. Tāpat kā normālā sadalījuma pieņēmums, tā nav problēma, kamēr standarta novirzes nav ļoti atšķirīgas un katras grupas izlases lielumi ir aptuveni vienādi. Ja tas tā nav, labāks risinājums ir Welch tests.
Vairāki salīdzinājumi
Palaižot ANOVA SPSS, iegūtā F vērtība un nozīmīguma līmenis tikai norāda, vai vismaz viena jūsu analīzē iekļautā grupa atšķiras no vismaz vienas citas. Tas nenorāda, cik grupu vai kuras grupas atšķiras statistiski. Lai to noteiktu, ir jāveic turpmākie salīdzinājumi. Mazās analīzēs tā ir reti sastopama problēma, taču jo lielāks ir iekļauto grupu skaits pēcpārbaudes testā, jo lielāka iespēja pieļaut I tipa kļūdu, kas pieņem, ka tur ir ietekme nav viens.
