Recopilación de información útil sobre análisis de datos: ¡Análisis de varianza! ¡La más completa de Quora!
El análisis de varianza se utiliza para analizar la relación entre datos categóricos y datos cuantitativos. El análisis específico es el siguiente:
1.
El análisis de varianza se utiliza para analizar la relación entre datos categóricos y datos cuantitativos. Por ejemplo, un investigador quiere saber si existe una diferencia significativa en el coeficiente intelectual promedio de tres grupos de estudiantes. El análisis de varianza se puede utilizar para múltiples grupos de datos, como las diferencias entre tres grupos: aquellos con una licenciatura, aquellos con una licenciatura y aquellos con una licenciatura o superior.
El análisis de varianza, en términos de contenido, consiste en analizar o probar si las medias de múltiples muestras son diferentes. Aunque se llama análisis de varianza, no consiste en probar si las varianzas son diferentes. Simplemente significa que el método o medio utilizado para la prueba es mediante variación.
¿Cómo realizar análisis de varianza?
2. Subdivisión del análisis de varianza
La clasificación del análisis de varianza es la siguiente:
(1) Análisis de varianza unifactorial
El análisis de varianza de factor único se utiliza para analizar la relación entre datos categóricos y datos cuantitativos. Por ejemplo, un investigador quiere saber si existe una diferencia significativa en el coeficiente intelectual promedio de tres grupos de estudiantes. La varianza de un solo factor tiene los siguientes supuestos:
Las observaciones son independientes entre sí.
No hay valores atípicos obvios.
El conjunto de las variables observadas debe obedecer a la distribución normal.
La varianza global de cada variable observada es igual.
(2) Análisis de varianza de dos factores
El análisis de varianza de dos factores se utiliza para analizar la relación entre dos datos categóricos y datos cuantitativos. Por ejemplo, estudiar las diferencias en el impacto del género y la educación en la satisfacción con las compras en línea y si los hombres (mujeres) tienen diferencias en la satisfacción con las compras en línea con diferentes niveles educativos o si diferentes géneros tienen diferencias en la satisfacción con las compras en línea con el mismo nivel educativo; .
Comparar ANOVA de un factor:
Anova ***Lo mismo es estudiar las diferencias entre diferentes categorías de muestras para datos cuantitativos. La diferencia es que solo ANOVA unidireccional. compara un dato categórico. El ANOVA bidireccional puede comparar dos datos categóricos y estudiar la interacción entre dos datos categóricos sobre datos cuantitativos.
El uso de ANOVA unidireccional es muy común; por el contrario, el ANOVA bidireccional tiene requisitos de datos más estrictos y, por lo tanto, se usa más comúnmente en investigaciones experimentales.
(3) Análisis de varianza de tres factores
Cuando X son datos categóricos e Y son datos cuantitativos, el análisis de varianza generalmente se utiliza para realizar investigaciones de diferencias.
Cuando X es 3, se llama varianza de tres factores.
(4) Análisis de varianza multifactorial
Cuando X son datos categóricos e Y son datos cuantitativos, el análisis de varianza generalmente se utiliza para realizar investigaciones de diferencias. Cuando el número de X es uno, lo llamamos varianza de un solo factor;
Cuando X excede 1, se denomina colectivamente varianza multifactorial.
(5) Análisis de covarianza
En la investigación experimental, es necesario considerar más factores de interferencia potenciales, como el impacto del "método de pérdida de peso" sobre el "efecto de pérdida de peso", la edad Es probable que sea un factor que influya; la misma forma de perder peso, pero diferentes grupos de edad tienen diferentes efectos en la pérdida de peso; la edad es un elemento de interferencia, por lo que debe tenerse en cuenta durante el análisis. Si es necesario considerar términos de interferencia durante el análisis de varianza, se denomina análisis de covarianza y los términos de interferencia también se denominan "covariables".
(6) Varianza de medición repetida
En algunos estudios experimentales, a menudo es necesario considerar el impacto de los factores de tiempo en el experimento cuando es necesario repetir la misma unidad de observación varias veces. veces en diferentes momentos, existe una correlación entre los datos de medición de cada muestra, por lo que no se puede estudiar simplemente mediante el análisis de varianza, sino que se necesita un análisis de varianza de medidas repetidas.
3. ¿Cómo hacer la prueba de varianza homogénea?
La prueba de homogeneidad de varianza se utiliza para analizar si las fluctuaciones de diferentes grupos de datos categóricos para datos cuantitativos son consistentes. Por ejemplo, un investigador quiere saber si las fluctuaciones del coeficiente intelectual de tres grupos de estudiantes son consistentes (normalmente quieren que las fluctuaciones sean consistentes, es decir, que las variaciones sean iguales).
4. ¿Cómo analizar comparaciones por pares bajo análisis de varianza?
Cuando queremos estudiar las diferencias entre múltiples grupos de datos en diferentes grupos, generalmente elegimos el análisis de varianza. Sin embargo, el análisis de varianza sólo puede obtener un resultado significativo. No podemos saber específicamente qué grupos tienen diferencias significativas. Por tanto, es necesario comparar los dos grupos.
La prueba post hoc se basa en el análisis de varianza para comparar las diferencias entre dos grupos.
Selección del método:
Existen muchos métodos para la inspección post mortem, pero sus funciones son todas iguales, con solo diferencias menores en los puntos individuales o escenarios de uso. Actualmente, SPSSAU ofrece cinco métodos comunes: LSD, Scheffe, Tukey, corrección de Bonferroni y Tamhane T2, entre los cuales el método LSD es el más utilizado.
SPSSAU-Selección de métodos de comparación múltiple.
Al analizar, primero determine si el valor p del análisis de varianza es significativo. Si es significativo, significa que los datos de diferentes grupos tienen diferencias significativas y las diferencias se pueden comparar a través del. promedio; luego, determine las diferencias entre dos grupos específicos mediante pruebas post hoc.
Si sólo hay dos grupos de
Comparaciones múltiples post hoc no paramétricas:
Cuando los datos muestran una asimetría grave o una varianza desigual, puede considerar el uso de análisis no paramétricos y también puede realizar comparaciones por pares.
Pruebas no paramétricas.
Si se determina que la prueba no paramétrica de Kruskal-Wallis es significativa, puede continuar estudiando en profundidad, comparar las diferencias entre los dos grupos y seleccionar "Comparación por pares de Nemenyi" para generar los resultados.
Si la prueba de Kruskal-Wallis no muestra diferencias, no se requiere comparación por pares.
5. ¿Cuál es la diferencia entre análisis de varianza, prueba T y análisis chi-cuadrado?
El análisis de varianza es uno de los métodos de análisis de diferencias. El propósito de la investigación de diferencias es comparar las diferencias entre dos conjuntos de datos o múltiples conjuntos de datos, que generalmente incluyen tres tipos de métodos de análisis, a saber, análisis de varianza, prueba T y prueba de chi-cuadrado.
De hecho, la diferencia principal es que los tipos de datos son diferentes. Si se trata de clasificación y categorización, en este momento se debe utilizar el análisis de chi-cuadrado; si se trata de clasificación y cuantificación, se debe utilizar la prueba de varianza o T en este momento.
La diferencia entre la varianza y la prueba T es que para la prueba X de la prueba T, solo pueden haber dos categorías, como masculina y femenina. Si
6. Preguntas frecuentes en Análisis de Varianza
Problema de heterocedasticidad.
En econometría, pueden ocurrir problemas de heterocedasticidad en algunos casos. Los problemas de heterocedasticidad graves afectarán la estimación del modelo y las pruebas del modelo. Por lo tanto, es necesario probarlos durante la regresión de MCO. en consecuencia.
Método de detección de heterocedasticidad:
Gráfica residual.
Prueba de blanco.
Inspección BP.
Método de procesamiento de heterocedasticidad:
Realiza un procesamiento logarítmico de los datos originales.
Utilice una regresión de error estándar robusta y robusta.
Regresión FGLS.