Varyans testi analizinde tek kuyruklu bir test kullanma nedenini verebilir misiniz?
ANOVA'da neden tek kuyruklu bir test - F testi - kullanıyoruz?
Varyans testi analizinde tek kuyruklu bir test kullanma nedenini verebilir misiniz?
ANOVA'da neden tek kuyruklu bir test - F testi - kullanıyoruz?
Yanıtlar:
F testleri en yaygın olarak iki amaç için kullanılır:
ANOVA'da araçların eşitliğini (ve çeşitli benzer analizleri) test etmek için; ve
varyansların eşitliğini test etmede
Her birini sırayla düşünelim:
1) ANOVA'daki F testleri (ve benzer şekilde, sayım verileri için olağan ki-kare testleri çeşitleri), veriler alternatif hipotezle ne kadar tutarlı olursa, test istatistiği o kadar büyük olur, örnek düzenlemeleri null ile en tutarlı görünen veriler, test istatistiğinin en küçük değerlerine karşılık gelir.
Üç numuneyi (eşit örnek varyanslı 10 beden) düşünün ve eşit örnek araçlara sahip olacak şekilde düzenleyin ve ardından araçlarını farklı desenlerde hareket ettirin. Numune araçlarındaki değişim sıfırdan arttıkça F istatistiği büyür:
Siyah çizgiler ( ) veri değerleridir. Ağır kırmızı çizgiler ( ) grup anlamına gelir.|
Eğer sıfır hipotezi (nüfus araçlarının eşitliği) doğruysa, örnek araçlarda bir miktar değişiklik beklersiniz ve tipik olarak F oranlarını kabaca 1 civarında görmeyi beklersiniz. bekliyoruz ... bu yüzden sonuç anlamına gelmeyecek nüfus farklı anlamına gelir.
Yani alışılmışın dışında büyük F-değerleri alınca ANOVA için, sen araçlarının eşitlik hipotezi reddetmek edeceğiz olduğunu ve normalden daha küçük değerler (Bu gösterebilir gidince araçlarının eşitlik hipotezi reddetmek olmaz bir şey değil, nüfusun farklı olduğu anlamına gelir).
Aşağıda, yalnızca F üst kuyruğundayken reddetmek istediğimizi görmenize yardımcı olabilecek bir örnek verilmiştir:
2) Varyans eşitliği * için F testleri (varyans oranlarına dayalı). Burada, pay numune varyansının paydadaki varyanstan çok daha büyük olması durumunda iki örnek varyans tahmininin oranı büyük olacak ve payda örnek varyansının paydaki varyanstan çok daha büyük olması durumunda oran küçük olacaktır.
Yani, nüfus varyanslarının oranının 1'den farklı olup olmadığını test etmek için, hem büyük hem de küçük F değerleri için null değerini reddetmek isteyeceksiniz.
* (Bu testin dağıtım varsayımına yüksek hassasiyet konusunu bir kenara bırakmak (daha iyi alternatifler vardır) ve ayrıca ANOVA eşit varyans varsayımlarının uygunluğu ile ilgileniyorsanız, en iyi stratejinizin muhtemelen bir resmi test.)
ANOVA'nın amacının, numuneler arasındaki varyasyonlarla karşılaştırıldığında, numuneler arasındaki büyük varyasyonlarla (ve böylece varyasyonlardan hesaplandığı gibi anlamına gelir) ilgili olduğumuzu ima eden araçların eşitsizliği olup olmadığını kontrol etmek olduğu anlaşılmalıdır. (yine münferit numune ortalamasından hesaplanmıştır). Örnekler arasındaki varyasyonlar küçük olduğunda (F değerinin sol tarafta olmasıyla sonuçlanır) bu farkın önemsiz olması önemli değildir. Örnekler arasındaki varyasyonlar, içerideki varyasyonlardan önemli ölçüde yüksekse ve bu durumda F değeri 1'den fazla ve dolayısıyla sağ kuyrukta olursa önemlidir.
Geriye kalan tek soru, neden tüm önem düzeyini sağ kuyruğa koyduğudur ve cevap yine benzerdir. Reddetme yalnızca F oranı sağ tarafta olduğunda ve asla F oranı sol tarafta olmadığında gerçekleşir. Anlamlılık düzeyi, istatistiksel sınırlamalardan kaynaklanan hata ölçüsüdür. Reddetme sadece sağda gerçekleştiğinden, tüm önem düzeyi (yanlış yanılma riski) sağda tutulur. '
Tedaviler içindeki Ortalama Kare (MS) için beklenen değer popülasyon varyansı iken, tedaviler arasındaki MS için beklenen değer tedavi varyansı PLUS popülasyon varyansıdır. Bu nedenle, F = MSbween / MS oranı ile her zaman 1'den büyük ve asla 1'den az değildir.
1 kuyruklu bir testin hassasiyeti 2 kuyruklu bir testten daha iyi olduğu için 1 kuyruklu testi kullanmayı tercih ediyoruz.