método de análisis spss-análisis de varianza 2022-06-05

Método de análisis spss - análisis de varianza

El análisis de varianza (ANOVA), también conocido como "análisis de variación", fue inventado por R.A Fisher y se utiliza para dos y la prueba de significancia para. la diferencia entre las medias de dos o más muestras. Debido a la influencia de diversos factores, los datos obtenidos del estudio varían. Las causas de las fluctuaciones se pueden dividir en dos categorías: una son factores aleatorios incontrolables y la otra son factores controlables impuestos durante el estudio que afectan los resultados.

A continuación explicamos principalmente los siguientes cuatro aspectos:

Aplicación práctica

Ideas teóricas

Proceso operativo

> Resultados del análisis

1. Aplicación práctica

En los experimentos científicos, a menudo es necesario explorar el impacto de diferentes condiciones experimentales o métodos de procesamiento en los resultados experimentales. Por lo general, se compara la diferencia entre las medias de las muestras en diferentes condiciones experimentales.

Por ejemplo, la comunidad médica estudia la eficacia de varios fármacos sobre determinadas enfermedades; la agricultura estudia los efectos del suelo, los fertilizantes, la hora de insolación y otros factores sobre el rendimiento de determinados cultivos; los efectos insecticidas de diferentes productos químicos; sobre plagas de cultivos, etc., se puede resolver utilizando el método de análisis de varianza.

Principales usos del análisis de varianza:

Prueba de significancia de la diferencia de medias

Separar factores relevantes y estimar su efecto sobre la variación total

Analizar la interacción entre factores

Prueba de homogeneidad de varianza

2. Ideas teóricas

El análisis de varianza es un método de procesamiento de K (K≥3) Un método para comparar variables cuantitativas entre poblaciones La prueba T se utiliza generalmente para comparar dos poblaciones. Utilizando la idea de variación, la variación total se divide en variación intergrupal y variación intragrupal a menudo es causada por variación individual y generalmente no es demasiado grande, además de la variación individual, entre grupos. La variación también incluye medidas de intervención intergrupales. Por lo tanto, R.A. Fisher cree que si la variación entre grupos dividida por la variación dentro del grupo, el resultado es mucho mayor que 1, es razonable creer que la intervención dentro del grupo está desempeñando un papel. Papel En memoria de Fisher, este método se conoce como prueba F.

Existen diferentes tipos de ANOVA basados ​​en diferentes métodos de agrupación, es decir, diferentes métodos de sumar intervenciones:

ANOVA unidireccional

Se utiliza para analizar una único Si existe una diferencia significativa en el valor medio de la variable dependiente cuando los factores de control se toman en diferentes niveles

El análisis de varianza multifactorial

se utiliza para analizar si dos o más factores de control tienen un impacto en la muestra en diferentes niveles. La media tiene un impacto significativo.

Análisis de covarianza

La idea básica del análisis de covarianza es utilizar factores que sean. Difícil de controlar manualmente como covariables. Primero, elimine la influencia de los factores de interferencia mediante regresión lineal. Luego realice un análisis de varianza. En el análisis de covarianza, se cree que el cambio de la variable dependiente se ve afectado por cuatro factores, a saber, los efectos independientes e interactivos de las variables de control, el efecto de las covariables y el efecto de los factores aleatorios. El análisis de covarianza analiza las variables de control después de eliminarlas. la influencia de las covariables efecto en las variables observadas

Análisis de varianza de variables multidependientes

El análisis de varianza de variables multidependientes se utiliza para estudiar el impacto de las variables de control en múltiples variables dependientes

3. Proceso de operación

Condiciones de los datos antes del análisis de varianza:

Comparabilidad. Las medias de los grupos en los propios datos deben ser comparables

Normal. El análisis de varianza requiere que la muestra provenga de una población distribuida normalmente y los datos de distribución sesgada no son adecuados para el análisis de varianza.

Homogeneidad de varianzas. El análisis de varianza requiere que los grupos tengan la misma varianza, es decir, que se cumpla la homogeneidad de varianzas.

Caso de análisis de varianza multifactorial:

Pregunta: Se dividieron aleatoriamente 20 ratas en 4 grupos, 5 ratas en cada grupo, para realizar una prueba de sutura después de una lesión muscular.

El tratamiento se compone de dos factores. El factor A es el método de sutura, que son la sutura de la membrana externa y la sutura de la íntima respectivamente, registradas como a1 y a2; el factor B es el tiempo después de la sutura, respectivamente 1 mes y 2 meses después de la sutura; registrado como Do b1, b2. Los resultados de la prueba son la recuperación de la fuerza muscular después de la sutura muscular en ratas (). Examinar si el método de sutura y el tiempo después de la sutura tienen un impacto significativo en la recuperación de la fuerza muscular.

1. Entrada de datos

2. Pasos de la operación

1. Ingrese a SPSS, abra el archivo de datos relevante y seleccione "Análisis" | " | Comando "Variable única"

2. Seleccione "Recuperación de la fuerza muscular" para ingresar al cuadro de lista "Variable dependiente"; seleccione "Método de sutura" y "Tiempo posterior a la sutura" para ingresar al cuadro "Fijo". cuadro de lista "factor"

3. Configúrelo para mostrar gráficamente si existe interacción entre múltiples factores. Haga clic en el botón "Gráfico" en el lado derecho del cuadro de diálogo "Variable única" y en el cuadro de lista izquierdo del cuadro de diálogo "Variable única: Gráfico de contorno", seleccione "Tiempo después de unir" para ingresar al "Eje horizontal". cuadro de edición y seleccione "Método de costura" en el cuadro de edición "Líneas individuales". Luego haga clic en el botón "Agregar" para ingresar al cuadro de lista "Gráfico". Después de la configuración, haga clic en el botón "Continuar" para volver al cuadro de diálogo "Variable única".

4. Establezca el tipo de comparación múltiple media. Haga clic en el botón "Comparación post-hoc" en el lado derecho del cuadro de diálogo "Variable única" En el cuadro de lista "Factor" en el lado izquierdo del cuadro de diálogo, seleccione "Tiempo posterior a la sutura" para ingresar el "Post-sutura". -Prueba hoc de los siguientes elementos" en el cuadro de lista y seleccione el método "LSD" para comparar.

5. Establezca las opciones de salida a la ventana de resultados. Haga clic en el botón "Promedio EM" en el lado derecho del cuadro de diálogo "Variable única" y en el cuadro de lista "Interacción factor a factor", seleccione "TOTAL" para ingresar al cuadro de lista "Mostrar el promedio de los siguientes elementos". ; haga clic en "Variable única" Haga clic en el botón "Opciones" en el lado derecho del cuadro de diálogo "Variables" y seleccione la casilla de verificación "Prueba de homogeneidad". Después de la configuración, haga clic en el botón "Continuar" para volver al cuadro de diálogo "Variable única".

6. Utilice los valores predeterminados del sistema para el resto de las configuraciones.

7. Haga clic en el botón "Aceptar" y espere los resultados.

IV.Análisis de Resultados

1. Tabla de prueba de Levine para igualdad de varianzas de error

La significancia 0,335 es mayor que 0,05, por lo que se considera que las muestras de cada grupo provienen de la población Las varianzas son iguales.

2. Tabla de análisis de varianza

La significancia de los factores método de sutura y tiempo después de la sutura son 0,45 y 0,012 respectivamente, que son mayores y menores que el nivel de significancia de 0,05 respectivamente. , por lo que el método de sutura tiene un impacto significativo en la fuerza muscular, el efecto del grado de recuperación no es significativo, mientras que el tiempo después de la sutura tiene un impacto significativo en el grado de recuperación de la fuerza muscular, la importancia de la interacción entre los dos factores sí lo es; 0,067, que es mayor que el nivel de significancia de 0,05, es decir, el efecto sobre el grado de recuperación de la fuerza muscular no es significativo.

3. Gráfico de líneas de la interacción entre dos factores

Las dos líneas son aproximadamente paralelas, lo que indica que la interacción entre los dos factores no es significativa.

Conclusión del análisis:

A través del análisis de varianza multifactorial se pueden obtener las siguientes conclusiones.

Se desprende del resultado (1) que en este caso la varianza de la población de la que procede cada grupo de muestras es igual.

Del resultado (2), se puede observar que el método de sutura no tiene un impacto significativo en la recuperación de la fuerza muscular, el tiempo después de la sutura tiene un impacto significativo en la recuperación de la fuerza muscular y el La interacción entre los dos factores no es significativa.

El resultado (3) también muestra que después de agregar el término de interacción, el efecto de interacción no es significativo.

En resumen, el método de sutura no tiene un impacto significativo en la recuperación de la fuerza muscular, el tiempo posterior a la sutura tiene un impacto significativo en la recuperación de la fuerza muscular y la interacción entre ambos factores no es significativa.