ANOVA je robusten test, vendar v nekaterih situacijah neprimeren.
Enosmerna analiza variance ali ANOVA je statistična metoda, ki se uporablja za primerjavo povprečja več kot dveh nizov podatkov, da se ugotovi, ali se med seboj statistično razlikujejo. SPSS, paket statistične analize, omogoča uporabo enosmerne ANOVA v svojem velikem naboru postopkov. Vendar ANOVA ni popoln test in bo v določenih okoliščinah zagotovil zavajajoče rezultate.
Omejitve vzorca
Test ANOVA predpostavlja, da so vzorci, uporabljeni v analizi, "preprosti naključni vzorci." To pomeni, da je vzorec posameznikov (podatkovnih točk) vzet iz večje populacije (večje zbirke podatkov). Vzorci morajo biti tudi neodvisni – torej ne vplivajo drug na drugega. ANOVA je na splošno primerna za primerjavo srednjih vrednosti v nadzorovanih študijah, če pa vzorci niso neodvisni, je treba uporabiti test ponavljajočih se meritev.
Video dneva
Normalna porazdelitev
ANOVA predpostavlja, da so podatki v skupinah normalno porazdeljeni. Test je še vedno mogoče izvesti, če temu ni tako – in če je kršitev te predpostavke le zmerna, je test še vedno primeren. Če pa so podatki daleč od običajne porazdelitve, test ne bo dal točnih rezultatov. Če se želite izogniti temu, bodisi pretvorite podatke s funkcijo SPSS "Compute", preden zaženete analizo, ali uporabite alternativni test, kot je Kruskal-Wallaceov test.
Enaka standardna odstopanja
Druga omejitev ANOVA je, da predpostavlja, da imajo skupine enake ali zelo podobne standardne deviacije. Večja kot je razlika v standardnih odstopanjih med skupinami, večja je možnost, da je zaključek testa netočen. Tako kot predpostavka normalne porazdelitve tudi to ni problem, dokler se standardne deviacije ne razlikujejo močno in so velikosti vzorcev vsake skupine približno enake. Če temu ni tako, je boljša možnost Welchov test.
Več primerjav
Ko zaženete ANOVA v SPSS, vam dobljena vrednost F in raven pomembnosti povesta samo, ali se vsaj ena skupina v vaši analizi razlikuje od vsaj ene druge. Ne pove, koliko skupin ali katere skupine se statistično razlikujejo. Da bi to ugotovili, je treba opraviti nadaljnje primerjave. To je redko težava pri majhnih analizah, ampak večje je število skupin, vključenih v nadaljnji test, večja je možnost za napako tipa I, ki predpostavlja učinek, kjer obstaja ni eden.
