Nie masz jeszcze u Nas konta? Zarejestruj się | Zaloguj się

akceptuje  /  zamknij

Strona korzysta z plików cookies w celu realizacji usług i zgodnie z polityką plików cookies.
Możesz określić warunki przechowywania lub dostępu do plików cookies w Twojej przeglądarce.

Naukowiec.org

Nauka dla wszystkich




reklama sponsorowana

reklama sponsorowana

Temat dnia

„Dowód” Ebena Alexandra – czyli światowej sławy naukowiec o życiu po życiu

Wieloczynnikowa analiza wariancji

W przypadku wieloczynnikowej analizy wariancji mamy do czynienia z przynajmniej dwoma czynnikami. Najczęściej spotykanym modelem jest model dwuczynnikowy (dwuczynnikowa analiza wariancji), choć tych czynników może być znacznie więcej.

Stosując wieloczynnikową analizę wariancji chcemy sprawdzić wpływ kilku czynników (zmiennych niezależnych) na zmienną zależną. Można zapytać, czemu nie wykonać kilku jednoczynnikowych analiz wariancji? Otóż, zarówno z metodologicznego jak również praktycznego punktu widzenia należy stosować taki model analizy wariancji, ile mamy w badaniu interesujących nas zmiennych zależnych.

Po pierwsze, analizując kilka czynników naraz, przy wielokrotnym stosowaniu jednoczynnikowej analizy wariancji nie bierzemy pod uwagę interakcji tych czynników między sobą. Jest to bardzo ważne w kontekście metodologicznym, ponieważ często może zdarzyć się taka sytuacja, że zupełnie inne wyniki otrzymamy analizując wpływ czynników na zmienną zależną oddzielnie (stosując jednoczynnikową analizę wariancji) a analizując je łącznie (stosując wieloczynnikową analizę wariancji).

Po drugie, stosując wieloczynnikową analizę wariancji dostarczamy sobie o wiele więcej informacji, a jedną z najważniejszych jest tzw. występowanie efektu interakcyjnego, obok efektów głównych (czyli niezależnego od innych czynników wpływu danego czynnika na badaną zmienną zależną).

Przykład:
Badacz chciał sprawdzić, uczniowie której klasy: Va, Vb czy Vc mają średnio lepsze wyniki w nauce. W tym celu porównał ze sobą oceny na koniec roku uczniów z badanych klas. Interesowało go również, czy dziewczęta różnią się od chłopców pod względem wyników w nauce.

Jak można zauważyć, mamy do czynienia z dwoma czynnikami: płeć uczniów i rodzaj klasy. Zmienną zależną w przykładzie są w wyniki w nauce. Stosując wieloczynnikową analizę wariancji możemy uzyskać następujące informacje, tj:

czy płeć uczniów wpływa na wyniki w nauce, niezależnie od rodzaju klasy? (efekt główny)
czy rodzaj klasy wpływa na wyniki w nauce, niezależnie od płci? (efekt główny)
czy płeć i rodzaj klasy razem wpływają na wyniki w nauce? (efekt interakcji)

Należy zauważyć, że może zdarzyć się taka sytuacja, że w klasie Va nie ma różnic pomiędzy dziewczętami a chłopcami w wynikach nauki, a w klasie Vb i Vc, dziewczęta mają wyższe wyniki w nauce niż chłopcy. Istotny statystycznie efekt interakcji pokaże nam to, że zależności pomiędzy poszczególnymi grupami (np. pomiędzy dziewczętami a chłopcami) są inne, gdy będziemy sprawdzać te różnice oddzielnie dla poszczególnych grup drugiej zmiennej (inaczej te różnice mogą inaczej wyglądać w klasie Va, inaczej w Vb i inaczej w Vc).

Wieloczynnikowy model analizy wariancji dostarcza o wiele więcej informacji niż zwykła, jednoczynnikowa analiza wariancji, czy też porównania testami t-Studenta. Ponadto, gdy badamy, czy dany czynnik wpływa na zmienną zależną, to wprowadzenie kolejnego czynnika może dostarczyć nam bardzo cennych informacji, tj. efekt interakcji i zmienić nasz pogląd na badane zjawisko. 

Masz problem z analizą statystyczna? Przejdź TU! 

x

Naukowiec.org na facebooku

Nie czekaj dłużej! Dołącz już teraz do społeczności naukowiec.org na facebooku

Trwa ładowanie wtyczki..
Zamknij