ANOVA é um teste robusto, mas inapropriado em algumas situações.
Uma análise de variação unilateral, ou ANOVA, é um método estatístico usado para comparar as médias de mais de dois conjuntos de dados, para ver se eles são estatisticamente diferentes um do outro. O SPSS, um pacote de análise estatística, permite o uso de uma ANOVA unilateral em seu amplo conjunto de procedimentos. No entanto, a ANOVA não é um teste perfeito e, em certas circunstâncias, fornecerá resultados enganosos.
Limitações de amostra
O teste ANOVA assume que as amostras usadas na análise são "Amostras aleatórias simples". Isso significa que uma amostra de indivíduos (pontos de dados) é obtida de uma população maior (um conjunto de dados maior). As amostras também devem ser independentes - ou seja, não afetam umas às outras. A ANOVA é geralmente adequada para comparar médias em estudos controlados, mas quando as amostras não são independentes, um teste de medidas repetidas deve ser usado.
Vídeo do dia
Distribuição normal
ANOVA assume que os dados nos grupos são normalmente distribuídos. O teste ainda pode ser realizado se este não for o caso - e se a violação dessa suposição for apenas moderada, o teste ainda é adequado. No entanto, se os dados estiverem muito distantes da distribuição normal, o teste não fornecerá resultados precisos. Para contornar isso, transforme os dados com a função "Computar" do SPSS antes de executar a análise ou use um teste alternativo, como o teste de Kruskal-Wallace.
Desvios padrão iguais
Outra limitação da ANOVA é que ela assume que os grupos têm desvios-padrão iguais ou muito semelhantes. Quanto maior a diferença nos desvios-padrão entre os grupos, maior a chance de a conclusão do teste ser imprecisa. Como a suposição de distribuição normal, isso não é um problema, desde que os desvios padrão não sejam muito diferentes e os tamanhos das amostras de cada grupo sejam aproximadamente iguais. Se este não for o caso, um teste de Welch é uma opção melhor.
Comparações Múltiplas
Quando você executa uma ANOVA no SPSS, o valor F resultante e o nível de significância informam apenas se pelo menos um grupo em sua análise é diferente de pelo menos um outro. Não informa quantos grupos, ou quais grupos, diferem estatisticamente. Para determinar isso, comparações de acompanhamento devem ser realizadas. Isso raramente é um problema em pequenas análises, mas quanto maior o número de grupos incluídos no teste de acompanhamento, maior será a chance de cometer um erro Tipo I, que assume um efeito onde não é um.
