ANOVA to solidny test, ale w niektórych sytuacjach nieodpowiedni.
Jednokierunkowa ANaliza Wariancji (ANOVA) to metoda statystyczna używana do porównywania średnich z więcej niż dwóch zestawów danych, aby sprawdzić, czy różnią się one od siebie statystycznie. SPSS, pakiet do analizy statystycznej, pozwala na użycie jednokierunkowej analizy ANOVA w swoim dużym zestawie procedur. Jednak ANOVA nie jest testem doskonałym iw pewnych okolicznościach może dostarczyć mylących wyników.
Ograniczenia próbek
Test ANOVA zakłada, że próbki użyte w analizie są „prostymi próbkami losowymi”. Oznacza to, że próbka osób (punkty danych) jest pobierana z większej populacji (większa pula danych). Próbki również muszą być niezależne – to znaczy nie mogą na siebie wpływać. ANOVA jest ogólnie odpowiednia do porównywania średnich w badaniach kontrolowanych, ale gdy próbki nie są niezależne, należy zastosować test powtarzanych pomiarów.
Wideo dnia
Normalna dystrybucja
ANOVA zakłada, że dane w grupach mają rozkład normalny. Jeśli tak nie jest, test można nadal przeprowadzić – i jeśli naruszenie tego założenia jest tylko umiarkowane, test jest nadal odpowiedni. Jeśli jednak dane są daleko od rozkładu normalnego, test nie zapewni dokładnych wyników. Aby obejść ten problem, przekształć dane za pomocą funkcji SPSS „Oblicz” przed uruchomieniem analizy lub użyj alternatywnego testu, takiego jak test Kruskala-Wallace'a.
Równe odchylenia standardowe
Innym ograniczeniem ANOVA jest założenie, że grupy mają takie same lub bardzo podobne odchylenia standardowe. Im większa różnica w odchyleniach standardowych między grupami, tym większa szansa, że wniosek z testu będzie niedokładny. Podobnie jak założenie o rozkładzie normalnym, nie stanowi to problemu, o ile odchylenia standardowe nie różnią się znacząco, a liczebność próby w każdej grupie jest z grubsza równa. Jeśli tak nie jest, lepszym rozwiązaniem jest test Welcha.
Wielokrotne porównania
Po uruchomieniu analizy ANOVA w programie SPSS uzyskana wartość F i poziom istotności informuje tylko, czy przynajmniej jedna grupa w analizie różni się od przynajmniej jednej innej. Nie mówi, ile grup lub które grupy różnią się statystycznie. Aby to ustalić, należy przeprowadzić kolejne porównania. Rzadko jest to problem w małych analizach, ale im większa liczba grup uwzględnionych w test uzupełniający, tym większa szansa na popełnienie błędu typu I, czyli zakładanie efektu tam, gdzie występuje nie jest jednym.
