Дисперсионный анализ
Понятие и основные задачи дисперсионного анализа. Подготовка данных к дисперсионному анализу. Сущность метода однофакторного дисперсионного анализа для несвязанных выборок. Особенности и ограничения метода дисперсионного анализа для связанных выборок.
| Рубрика | Экономико-математическое моделирование |
| Вид | контрольная работа |
| Язык | русский |
| Дата добавления | 12.10.2016 |
| Размер файла | 588,7 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru
1. ПОНЯТИЕ ДИСПЕРСИОННОГО АНАЛИЗА
Дисперсионный анализ -- это анализ изменчивости признака под влиянием каких-либо контролируемых переменных факторов. В зарубежной литературе дисперсионный анализ часто обозначается как ANOVA, что переводится как анализ вариативности (Analysis of Variance). Автором метода является Р. А. Фишер (Fisher R.A., 1918, 1938).
Задача дисперсионного анализа состоит в том, чтобы из общей вариативности признака вычленить вариативность троякого рода:
а. вариативность, обусловленную действием каждой из исследуемых независимых переменных;
б. вариативность, обусловленную взаимодействием исследуемых независимых переменных;
в. случайную вариативность, обусловленную всеми другими неизвестными переменными.
Вариативность, обусловленная действием исследуемых переменных и их взаимодействием, соотносится со случайной вариативностью. Показателем этого соотношения является критерий F Фишера.
дисперсионный анализ выборка
Fэмп. А = (Вариативность, обусловленная переменной А)/ (Случайная вариативность)
Fэмп. Б = (Вариативность, обусловленная переменной Б)/ (Случайная вариативность)
Fэмп. АБ = (Вариативность, обусловленная взаимодействием переменных А и Б)/ (Случайная вариативность)
В формулу расчета критерия F входят оценки дисперсий, то есть параметров распределения признака, поэтому критерий F является параметрическим критерием.
Чем в большей степени вариативность признака обусловлена исследуемыми переменными (факторами) или их взаимодействием, тем выше эмпирические значения критерия F.
В дисперсионном анализе исследователь исходит из предположения, что одни переменные могут рассматриваться как причины, а другие -- как следствия. Переменные первого рода считаются факторами, а переменные второго рода -- результативными признаками. В этом отличие дисперсионного анализа от прямолинейного корреляционного анализа, в котором мы исходим из предположения, что изменения одного признака просто сопровождаются определенными изменениями другого.
В дисперсионном анализе возможны два принципиальных пути разделения всех исследуемых переменных на независимые переменные (факторы) и зависимые переменные (результативные признаки).
Первый путь состоит в том, что мы совершаем какие-либо воздействия на испытуемых или учитываем какие-либо не зависящие от нас воздействия на них, и именно эти воздействия считаем независимыми переменными, или факторами, а исследуемые признаки рассматриваем как зависимые переменные, или результативные признаки. Например, возраст испытуемых или способ предъявления им информации считаем факторами, а обучаемость или эффективность выполнения задания -- результативными признаками.
Размещено на http://www.allbest.ru
Второй путь предполагает, что мы, не совершая никаких воздействий, считаем, что при разных уровнях развития одних психологических признаков другие проявляются тоже по-разному. По тем или иным причинам мы решаем, что одни признаки могут рассматриваться скорее как факторы, а другие -- как результат действия этих факторов. Например, уровень интеллекта или мотивации достижения начинаем считать факторами, а профессиональную компетентность или социометрический статус -- результативными признаками.
Второй путь весьма уязвим для критики. Допустим, мы предположили, что настойчивость -- значимый фактор учебной успешности студентов. Мы принимаем настойчивость за воздействующую переменную (фактор), а учебную успешность -- за результативный признак. Против этого могут быть выдвинуты сразу же два возражения. Во-первых, успех может стимулировать настойчивость; во-вторых, как, собственно, измерялась настойчивость? Если она измерялась с помощью метода экспертных оценок, а экспертами были соученики или преподаватели, которым известна учебная успешность испытуемых, то не исключено, что это оценка настойчивости будет зависеть от известных экспертам показателей успешности, а не наоборот.
Допустим, что в другом исследовании мы исходим из предположения, что фактор социальной смелости (фактор Н) из 16-факторного личностного опросника Р.Б. Кеттелла -- это та независимая переменная, которая определяет объем заключенных торговым представителем договоров на поставку косметических товаров. Но если объем договоров определялся по какому-то периоду работы, скажем трехмесячному, а личностное обследование проводилось в конце этого периода или даже после его истечения, то мы не можем со всей уверенностью отделить здесь причину от следствия. Есть очень сильное направление в психологии и психотерапии, которое утверждает, что личностные изменения начинаются с действий и поступков: «Начни действовать, и постепенно станешь таким, как твои поступки». Таким образом, психолог, представляющий это направление, возможно, стал бы утверждать, что причиной должен считаться достигнутый объем договорных поставок, а результатом -- повышение социальной смелости.
Только наше исследовательское чутье может подсказать нам, что должно рассматриваться как причина, а что -- как результат. Однако не всегда эти ощущения у разных исследователей совпадают, поэтому нужно быть готовым к тому, что наши выводы могут быть оспорены другими специалистами, которые рассматривают данный предмет с иной точки зрения и видят в нем иные перспективы. Впрочем, спорность выводов -- постоянный спутник психологического исследования.
Постараемся быть оптимистичными и представим себе, что существует все же какое-то совпадение взглядов на психологические причины и следствия. На Рис. 1 представлены два варианта рассеивания показателей учебной успешности в зависимости от уровня развития кратковременной памяти. Из Рис. 1(а) мы видим, что при низком уровне развития кратковременной памяти оценки по английскому языку, похоже, несколько ниже, чем при среднем, а при высоком уровне выше, чем при среднем. Похоже, что кратковременная память может рассматриваться как фактор успешности овладения английским языком. С другой стороны, Рис. 1(б) свидетельствует о том, что успешность в чистописании вряд ли так же определенно зависит от уровня развития кратковременной памяти.
О том, верны ли наши предположения, мы сможем судить только после вычисления эмпирических значений критерия F.
Низкий, средний и высокий уровни развития кратковременной памяти можно рассматривать как градации фактора кратковременной памяти.
Нулевая гипотеза в дисперсионном анализе будет гласить, что средние величины исследуемого результативного признака во всех градациях одинаковы.
Альтернативная гипотеза будет утверждать, что средние величины результативного признака в разных градациях исследуемого фактора различны.
В зарубежных руководствах чаще говорят о переменных, действующих в разных условиях, а не о факторах и их градациях (Greene J., D'Olivera M., 1982, р. 91-93).
Дело в том, что градация подразумевает ступень, стадию, уровень развития. Говоря о градациях фактора, мы явно или неявно подразумеваем, что сила его возрастает при переходе от градации к градации. Между тем, схема дисперсионного анализа применима и в тех случаях, когда градации фактора представляют собой номинативную шкалу, то есть отличаются лишь качественно. Например, градациями фактора могут быть: параллельные формы экспериментальных заданий; цвет окраски стимулов; жанр музыкальных произведений, сопровождающих процесс работы; традиционные или специально подобранные православные тексты в сеансах аутогенной тренировки; разные формы заболевания; разные экспериментаторы; разные психотерапевты и т. д.
Если градации фактора различаются лишь качественно, их лучше называть условиями действия фактора или переменной. Например, действие аутогенной тренировки при условии использования текстов православных молитв или эффективность психокоррекционных воздействий при разных формах хронических заболеваний у детей.
Экспериментальные данные, представленные по градациям фактора, называются дисперсионным комплексом. Данные, относящиеся к отдельным градациям -- ячейками комплекса.
Дисперсионный анализ позволяет нам констатировать изменение признака, но при этом не указывает направление, этих изменений. Нам необходимо специально графически представлять полученные данные по градациям фактора, чтобы получить наглядное представление о направлении изменений.
Подобного рода задачи, как мы помним, позволяют решать непараметрические методы сравнения выборок или условий измерения, а именно критерий Н. Крускала-Уоллиса и критерий ч2r Фридмана. Однако это касается только тех задач, в которых исследуется действие одного фактора, или одной переменной. Задачи однофакторного дисперсионного анализа, действительно, могут эффективным образом решаться с помощью непараметрических методов. Метод дисперсионного анализа становится незаменимым только когда мы исследуем одновременное действие двух (или более) факторов, поскольку он позволяет выявить взаимодействие факторов в их влиянии на один и тот же результативный признак. Именно эти возможности двухфакторного дисперсионного анализа послужили причиной, по которой изложение этого метода включено в настоящее руководство.
Несмотря на то, что нас интересует прежде всего двухфакторный дисперсионный анализ, который нельзя заменить другими методами, начнем рассмотрение мы с однофакторного дисперсионного анализа: во-первых, для того, чтобы выдержать определенную последовательность и логику в изложении; во-вторых, для того, чтобы на реальном примере продемонстрировать возможность замены этого метода непараметрическими методами.
Итак, начнем рассмотрение дисперсионного анализа с простейшего случая, когда исследуется действие только одной переменной (одного фактора). Исследователя интересует, как изменяется определенный признак в разных условиях действия этой переменной. Например, как изменяется время решения задачи при разных условиях мотивации испытуемых (низкой, средней, высокой) или при разных способах предъявления задачи (устно, письменно, в виде текста с графиками и иллюстрациями), в разных условиях работы с задачей (в одиночестве, в одной комнате с экспериментатором, в одной комнате с экспериментатором и другими испытуемыми) и т.п. В первом случае переменной, влияние которой исследуется, является мотивация, во втором -- степень наглядности, в третьем -- фактор публичности.
Преимущество однофакторного дисперсионного анализа по сравнению с непараметрическими методами Н Крускала-Уоллиса и ч2r Фридмана -- неограниченность в объемах выборок. Ограничения дисперсионного анализа достаточно условны. Например, требование нормальности распределения признака можно обойти по крайней мере двумя путями: при слишком скошенном, островершинном или плосковершинном распределении можно, во-первых, нормализовать данные, а во-вторых... просто вообще по этому поводу «не волноваться», как советуют, например, А.К. Kurtz и S.T. Мауо (1979, р.417).
2. ПОДГОТОВКА ДАННЫХ К ДИСПЕРСИОННОМУ АНАЛИЗУ
2.1 Создание комплексов
Лучше всего для каждого испытуемого создать отдельную карточку, куда были бы занесены данные по всем исследованным признакам. Дело в том, что в процессе анализа у исследователя могут измениться гипотезы. Потребуется создавать, быть может, не один, а множество дисперсионных комплексов, различающихся как по факторам, так и по результативным признакам. Карточки помогут нам быстро создавать новые дисперсионные комплексы. Благодаря карточкам мы сразу увидим, равномерно ли распределяются данные по градациям в случае, если за фактор мы решили принять один из исследованных психологических признаков. С помощью карточек мы можем помочь себе выделить три, четыре или более градаций этого фактора, например, уровни мотивации, настойчивости, креативности и др.
2.2 Уравновешивание комплексов
Комплекс, в котором каждая ячейка представлена одинаковым количеством наблюдений, называется равномерным. Равномерность комплекса позволяет нам обойти требование равенства дисперсий в каждой из ячеек комплекса (Шеффе Г., 1980).
Равномерные комплексы позволяют также избежать значительных трудностей, которые неизбежно возникают при обсчете неравномерных, или неортогональных, комплексов. В настоящем руководстве приведены алгоритмы расчета лишь для равномерных комплексов. С методами обсчета неравномерных комплексов можно ознакомиться у Н. А. Плохинского (1970), Г. В. Суходольского (1972), Г. Шеффе (1980).
В случае, если в разных градациях комплекса оказалось неравное количество наблюдений, необходимо отсеять некоторые из них. Если в комплексе со связанными выборками кто-либо из испытуемых не был подвергнут одному из условий действия переменной (градаций фактора), то его данные исключаются. Если же комплекс включает независимые выборки, каждая из которых была подвергнута определенному условию воздействия (градации фактора), то «лишние» испытуемые в какой-либо из ячеек комплекса отсеиваются путем случайного выбора необходимого количества карточек.
2.3 Проверка нормальности распределения результативного признака
Дисперсионный анализ относится к группе параметрических методов и поэтому его следует применять только тогда, когда известно или доказано, что распределение признака является нормальным (Суходольский Г. В., 1972; Шеффе Г., 1980 и др.). Строго говоря, перед тем, как применять дисперсионный анализ, мы должны убедиться в нормальности распределения результативного признака. Нормальность распределения результативного признака можно проверить путем расчета показателей асимметрии и эксцесса и сопоставления их с критическими значениями (Пустыльник Е. И., 1968* Плохинский Н. А., 1970 и др.).
Произведем необходимые расчеты на примере параграфа 8.3, в котором анализируется длительность мышечного волевого усилия.
Действовать будем по следующему алгоритму:
а) определим показатели асимметрии и эксцесса по формулам Н.А. Плохинского и сопоставим их с критическими значениями, указанными Н.А. Плохинским;
б) рассчитаем критические значения показателей асимметрии и эксцесса по формулам Е.И. Пустыльника и сопоставим с ними эмпирические значения;
в) если эмпирические значения показателей окажутся ниже критических, сделаем вывод о том, что распределение признака не отличается от нормального.
Таблица 1 Вычисление показателей асимметрии и эксцесса по показателю длительности попыток решения анаграмм
Для расчетов в Табл. 1 необходимо сначала определить среднюю арифметическую по формуле:
где xi - каждое наблюдаемое значение признака;
п - количество наблюдений.
В данном случае:
Стандартное отклонение (сигма) вычисляется по формуле:
у =
где
-- каждое наблюдаемое значение признака;
-- среднее значение (среднее арифметическое);
-- количество наблюдений.
В данном случае:
у =
Показатели асимметрии и эксцесса с их ошибками репрезентативности определяются по следующим формулам:
A =
где
-- центральные отклонения;
у - стандартное отклонение;
п - количество испытуемых.
В данном случае:
A =
Показатели асимметрии и эксцесса свидетельствуют о достоверном отличии эмпирических распределений от нормального в том случае, если они превышают по абсолютной величине свою ошибку репрезентативности в 3 и более раз:
В данном случае:
Мы видим, что оба показателя не превышают в три раза свою ошибку репрезентативности, из чего мы можем заключить, что распределение данного признака не отличается от нормального.
Теперь произведем проверку по формулам Е. И. Пустыльника. Рассчитаем критические значения для показателей А и Е:
Где n -- количество наблюдений.
В данном случае:
3,89
Aэмп = 0,106
Aэмп < Aкр
Eэмп = -0.711
Eэмп <Eкр
Итак, оба варианта проверки, по Н. А. Плохинскому и по Е. И. Пустыльнику, дают один и тот же результат: распределение результативного признака в данном примере не отличается от нормального распределения.
Можно выбрать любой из двух предложенных вариантов проверки и придерживаться его. При больших объемах выборки, по-видимому, стоит производить расчет первичных статистик (оценок параметров) на ЭВМ.
2.4 Преобразование эмпирических данных с целью упрощения расчетов
Н.А. Плохинский указывает на возможность следующих преобразований:
1) все наблюдаемые значения можно разделить на одно и то же число k, например перевести показатели из миллиметров в сантиметры и т.п.;
2) все наблюдаемые значения можно умножить на одно и то же число k, например для того, чтобы избавиться от дробных значений;
3) от всех наблюдаемых значений можно отнять одно и то же число А, например наименьшее значение;
4) можно сделать двойное преобразование: из каждого значения вычесть число А, а полученный результат разделить на другое число k.
При всех этих преобразованиях результативного признака показатели соотношения дисперсий получаются точными и не требуют никаких поправок.
Средние величины изменяются, но их можно восстановить, умножая среднюю величину на число k или деля ее на k (варианты 1 и 2), или прибавляя к средней число А (вариант 3) и т. п. Стандартное отклонение изменяется только при введении множителя или делителя; полученный результат затем придется либо разделить на число k, либо умножить на него (Плохинский Н. А.,1964, с.34-36; Плохинский Н. А., 1970, с.71-72).
В последующих трех параграфах будет рассмотрен метод однофакторного анализа в двух вариантах:
а) для дисперсионных комплексов, представляющих данные одной и той же выборки испытуемых, подвергнутой влиянию разных условий (разных градаций фактора);
б) для дисперсионных комплексов, в которых влиянию разных условий (градаций фактора) были подвергнуты разные выборки испытуемых.
Первый вариант называется однофакторным дисперсионным анализом для связанных выборок, второй -- для несвязанных выборок.
Все предложенные алгоритмы расчетов предназначены для равномерных комплексов, где в каждой ячейке представлено одинаковое число наблюдений.
3. ОДНОФАКТОРНЫЙ ДИСПЕРСИОННЫЙ АНАЛИЗ ДЛЯ НЕСВЯЗАННЫХ ВЫБОРОК
3.1 Назначение метода
Метод однофакторного дисперсионного анализа применяется в тех случаях, когда исследуются изменения результативного признака под влиянием изменяющихся условий или градаций какого-либо фактора. В данном варианте метода влиянию каждой из градаций фактора подвергаются разные выборки испытуемых. Градаций фактора должно быть не менее трех.
Непараметрическим вариантом этого вида анализа является критерий Н Крускала-Уоллиса.
3.2 Описание метода
Работу начинаем с того, что представляем полученные данные в виде столбцов индивидуальных значений. Каждый из столбцов соответствует тому или иному из изучаемых условий (см. Табл. 1).
После этого нам нужно просуммировать индивидуальные значения по столбцам и суммы возвести в квадрат.
Суть метода состоит в том, чтобы сопоставить сумму этих возведенных в квадрат сумм с суммой квадратов всех значений, полученных во всем эксперименте.
3.3 Гипотезы
H0: Различия между градациями фактора (разными условиями) являются не более выраженными, чем случайные различия внутри каждой группы.
Н1: Различия между градациями фактора (разными условиями) являются более выраженными, чем случайные различия внутри каждой группы.
3.4 Графическое представление метода для несвязанных выборок
На Рис. 2 показана кривая изменения объема воспроизведения слов при разной скорости их предъявления (см. Пример). Метод дисперсионного анализа позволяет определить, что перевешивает -- тенденция, выраженная этой кривой, или вариативность признака внутри групп, которая на графике схематически изображена в виде диапазонов изменения признака от минимального значения к максимальному значению в каждой группе.
3.4 Ограничения метода однофакторного дисперсионного анализа для несвязанных выборок
1. Однофакторный дисперсионный анализ требует не менее трех градаций фактора и не менее двух испытуемых в каждой градации.
2. Должно соблюдаться правило равенства дисперсий в каждой ячейке дисперсионного комплекса. Условие равенства дисперсий выполняется при использовании предлагаемой схемы расчета за счет выравнивания количества наблюдений в каждом из условий (градаций). Правомерность этого методического приема была обоснована Г.Шеффе (1980).
3. Результативный признак должен быть нормально распределен в исследуемой выборке.
Правда, обычно не указывается, идет ли речь о распределении признака во всей обследованной выборке или в той ее части, которая составляет дисперсионный комплекс.
Характерно, что зарубежные руководства, в общем ссылаясь на необходимость нормального распределения данных для дисперсионного анализа, при рассмотрении конкретных схем и примеров к этому вопросу уже не возвращаются и никаких данных о распределении признака в выборке в целом или в той ее части, которая составляет дисперсионный комплекс, не приводят (см. McCall R., 1970; Welkowitz J., Ewen R.B., Cohen J., 1982; Greene J., D'Olivera M, 1989).
Рассмотрим схему дисперсионного однофакторного анализа для несвязанных выборок, предлагаемую в руководстве J.Greene, M.D'Olivera (1989) с использованием примера этих авторов.
Пример
Три различные группы из шести испытуемых получили списки из десяти слов. Первой группе слова предъявлялись с низкой скоростью -- 1 слово в 5 секунд, второй группе со средней скоростью -- 1 слово в 2 секунды, и третьей группе с большой скоростью -- 1 слово в секунду. Было предсказано, что показатели воспроизведения будут зависеть от скорости предъявления слов. Результаты представлены в Табл. 2.
Таблица 2. Количество воспроизведенных слов (по: J.Greene, M.D'Olivera, 1989, p.99)
Поскольку сопоставляются разные группы, любые различия в показателях между разными условиями предъявления слов -- это в то же время различия между группами испытуемых. Однако всякие различия между испытуемыми внутри каждой группы объясняются какими-то другими, не относящимися к делу переменными, будь то индивидуальные различия между отдельными испытуемыми или неконтролируемые факторы, заставляющие их реагировать различным образом Критерий F позволяет проверить гипотезы:
H0: Различия в объеме воспроизведения слов между группами являются не более выраженными, чем случайные различия внутри каждой группы.
Н1: Различия в объеме воспроизведения слов между группами являются более выраженными, чем случайные различия внутри каждой группы. Используя экспериментальные значения, представленные в Табл. 7.2, установим некоторые величины, которые будут необходимы для расчета критерия F.
Таблица 3. Расчет основных величин для однофакторного дисперсионного анализа
Отметим разницу между , в которой все индивидуальные значения сначала возводятся в квадрат, а потом суммируются, и , где индивидуальные значения сначала суммируются для получения общей суммы, а потом уже эта сумма возводится в квадрат.
Последовательность расчетов представлена в Табл. 4.
Часто встречающееся в этой и последующих таблицах обозначение SS - сокращение от «суммы квадратов» (sum of squares). Это сокращение чаще всего используется в переводных источниках (см., например: Гласе Дж., Стенли Дж., 1976).
SSфакт означает вариативность признака, обусловленную действием исследуемого фактора; SSобщ -- общую вариативность признака; SSсл --вариативность, обусловленную неучтенными факторами, «случайную» или «остаточную» вариативность.
MS -- «средний квадрат», или математическое ожидание суммы квадратов, усредненная величина соответствующих SS.
df -- число степеней свободы, которое при рассмотрении непараметрических критериев мы обозначили греческой буквой V.
Таблица 4 Последовательность операций в однофакторном дисперсионном анализе для несвязанных выборок
Вывод: H0 отклоняется. Принимается H1. Различия в объеме воспроизведения слов между группами являются более выраженными, чем случайные различия внутри каждой группы (<0,01). Итак, скорость предъявления слов влияет на объем их воспроизведения. Вернемся к графику на Рис.2. Мы видим, что, скорее всего, значимость различий объясняется тем, что показатель воспроизведения при самой высокой скорости предъявления слов (условие 3) гораздо ниже соответствующих показателей при средней и низкой скорости.
4. ДИСПЕРСИОННЫЙ АНАЛИЗ ДЛЯ СВЯЗАННЫХ ВЫБОРОК
4.1 Назначение метода
Метод дисперсионного анализа для связанных выборок применяется в тех случаях, когда исследуется влияние разных градаций фактора или разных условий на одну и ту же выборку испытуемых.
Градаций фактора должно быть не менее трех.
Непараметрический вариант этого вида анализа -- критерий Фридмана ч2r
4.2 Описание метода
В данном случае различия между испытуемыми -- возможный самостоятельный источник различий. В схеме однофакторного анализа для несвязанных выборок различия между условиями в то же время отражали различия между испытуемыми. Теперь различия между условиями могут проявиться только вопреки различиям между испытуемыми.
Фактор индивидуальных различий может оказаться более значимым, чем фактор изменения экспериментальных условий. Поэтому нам необходимо учитывать еще одну величину -- сумму квадратов сумм индивидуальных значений испытуемых.
4.3 Графическое представление метода
На Рис. 3 представлена кривая изменения времени решения анаграмм разной длины: четырехбуквенной, пятибуквенной и шестибуквенной. Однофакторный дисперсионный анализ для связанных выборок позволит определить, что перевешивает -- тенденция, выраженная этой кривой, или индивидуальные различия, диапазон которых представлен на графике в виде вертикальных линий -- от минимального до максимального значения.
Рис. 3. Изменение времени работы над разными анаграммами у пяти испытуемых; вертикальными линиями отображены диапазоны изменчивости признака в разных условиях от минимального значения (снизу) до максимального значения (сверху)
4.4 Ограничения метода дисперсионного анализа для связанных выборок
1. Дисперсионный анализ для связанных выборок требует не менее трех градаций фактора и не менее двух испытуемых, подвергшихся воздействию каждой из градаций фактора.
2. Должно соблюдаться правило равенства дисперсий в каждой ячейке комплекса. Это условие косвенно выполняется за счет одинакового количества наблюдений в каждой ячейке комплекса. Предлагаемая схема расчета ориентирована только на такие равномерные комплексы.
3. Результативный признак должен быть нормально распределен в исследуемой выборке.
В приводимом ниже примере показатели асимметрии и эксцесса составляют:
A=2,18
mA=0,632
tA=2,18/0,632=3,45
E=4,17
mE=1,264
tE=4,17/1,264=3,30
Таким образом, распределение показателей 5-ти человек, составляющих дисперсионный комплекс, несколько отличается от нормального: tA>3; tE>3. Однако в целом по выборке распределение нормальное:
n=22; A=1,26; тА=0,522 tA=2,41<3; E=2,29; mE=l,044; tE=2,19<3.
По-видимому, необходимо удовлетвориться тем, что в выборке в целом результативный признак распределен нормально. Случайно отобранные 5 человек распределением своих оценок демонстрируют некоторое отклонение. Однако, если бы мы выбирали испытуемых таким образом, чтобы распределение их оценок подчинялось нормальному закону, это нарушило бы правило рэндомизации -- случайности отбора объектов без учета значений результативного признака при отборе (Плохинский Н. А., 1970).
Данные этого примера нам уже знакомы. Они использовались для иллюстрации непараметрического критерия Фридмана ч2r Использование здесь этого же примера позволит нам сопоставить результаты, получаемые с помощью непараметрических и параметрических методов.
Размещено на Allbest.ru
...Подобные документы
Общая характеристика однофакторного дисперсионного анализа. Сущность двухфакторного дисперсионного анализа при перекрестной классификации факторов. Особенности дисперсионного анализа в системе MINITAB и формы выполнения работы в программе MS Excel.
методичка [440,7 K], добавлен 15.12.2008Дисперсионный анализ - исследование причин отклонений фактических затрат от нормативных. Схемы организации исходных данных с двумя и более факторами. Формулы расчета межгрупповой и внутригрупповой дисперсии. Задачи двухфакторного дисперсионного анализа.
курсовая работа [1,0 M], добавлен 16.01.2013Общее понятие, основные цели и задачи дисперсионного анализа. Компоненты изменчивости и методы их определения. Однофакторный дисперсионный анализ, его графическое изображение и области применения. Перечень формул вычисления для двухфакторного анализа.
презентация [576,2 K], добавлен 22.03.2015Равенство нулю математического ожидания случайной компоненты. Знакомство со статистическим методом однофакторного дисперсионного анализа, а также с реализацией его на ПК в различных программах. Сравнение IBM SPSS Statistics 20 и Microsoft Office 2013.
курсовая работа [1,3 M], добавлен 29.11.2014Изучение показателей качества конструкционного газобетона как случайных величин. Проведение модульного эксперимента и дисперсионного анализа с целью определения достоверности влияния факторов на поведение выбранных показателей качества данной продукции.
курсовая работа [342,3 K], добавлен 08.05.2012Изучение сущности однофакторного дисперсионного анализа. Методы разбиения суммы квадратов и проверки значимости. Исследование вопроса планирования и организации отдельных этапов научных исследований, содержания и этапов научно-исследовательских работ.
курсовая работа [148,0 K], добавлен 27.12.2012Анализ структуры взаимосвязей признаков по данным трехмерной таблицы сопряженности с помощью логлинейных моделей. Непараметрические методы проверки гипотез об однородности распределения двух совокупностей. Модели двухфакторного дисперсионного анализа.
отчет по практике [388,6 K], добавлен 01.10.2013Основная терминология, понятие и методы факторного анализа. Основные этапы проведения факторного анализа и методика Чеботарева. Практическая значимость факторного анализа для управления предприятием. Метода Лагранжа в решении задач факторного анализа.
контрольная работа [72,9 K], добавлен 26.11.2008Применение дискриминантного анализа. Дискриминантные функции и их геометрическая интерпретация. Расчет коэффициентов дискриминантной функции. Классификация при наличии двух обучающих выборок. Взаимосвязь между дискриминантными переменными и функциями.
реферат [4,6 M], добавлен 08.05.2009Изучение зависимости оборота розничной торговли от денежных доходов населения, доли доходов, используемых на покупку товаров и оплату услуг, численности безработных, официального курса рубля. Проведение регрессионного и дисперсионного анализа ситуации.
контрольная работа [924,3 K], добавлен 27.10.2014Разработка и принятие правильного решения как задачи работы управленческого персонала организации. Деревья решений - один из методов автоматического анализа данных, преимущества их использования и область применения. Построение деревьев классификации.
контрольная работа [91,6 K], добавлен 08.09.2011Основные задачи оценки экономических явлений и процессов. Проведение детерминированного факторного анализа и приемы математического моделирования факторной системы. Суть метода последовательного элиминирования факторов. Оперативный контроль затрат.
шпаргалка [1,1 M], добавлен 08.12.2010Расчет параметров уравнений линейной и нелинейной парной регрессии, порядок проведения дисперсионного анализа. Оценка тесноты связи между ценами первичного рынка и себестоимостью с помощью показателей корреляции и детерминации, ошибки аппроксимации.
курсовая работа [923,5 K], добавлен 07.08.2013Способы описания случайной величины, основные распределения и их генерация в Excel. Дисперсионный анализ как особая форма анализа регрессии. Применение элементов линейной алгебры в моделировании экономических процессов и решение транспортной задачи.
курс лекций [1,6 M], добавлен 05.05.2010Получение функции отклика показателя качества Y2 и формирование выборки объемом 15 и более 60. Зависимость выбранного Y от одного из факторов Х. Дисперсионный анализ и планирование эксперимента. Проведение корреляционного и регрессионного анализа.
курсовая работа [827,2 K], добавлен 19.06.2012Методология анализа сложных объектов, изучения и познания процессов. Основные принципы системного подхода к анализу проблем и основные понятия о системах. Декомпозиция, анализ подпроблем и их решение, выявление альтернатив и выбор оптимальных решений.
контрольная работа [47,5 K], добавлен 04.08.2010Определение экономических рисков разными авторами. Основные способы анализа чувствительности модели. Суть и технология анализа чувствительности модели как способ восстановления финансового равновесия, принятия оптимального решения, недостатки метода.
курсовая работа [205,0 K], добавлен 27.05.2009Выборочные исследования предпочтений потребителей специалистами маркетологами. Построение выборочной функции спроса. Маркетинговые опросы потребителей. Выбор и организация метода опроса. Обработка данных. Проверка однородности двух биномиальных выборок.
реферат [179,8 K], добавлен 08.01.2009Метод статистического исследования. Генеральная совокупность и выборка. Приведение статистики темпа инфляции за 10 лет. Выборочное обследование торговых предприятий, оценка величины запаса (в днях оборота). Этапы корреляционно-регрессионного анализа.
контрольная работа [170,0 K], добавлен 20.01.2014Факторный анализ. Задачи факторного анализа. Методы факторного анализа. Детерминированный факторный анализ. Модели детерминированного факторного анализа. Способы оценки влияния факторов детерминированном факторном анализе. Стохастический анализ.
курсовая работа [150,0 K], добавлен 03.05.2007
