ANOVA a due vie in Stata Introduzione Il ANOVA a due vie confronta le differenze medie tra i gruppi che sono stati divisi in due variabili indipendenti (chiamati fattori). Lo scopo primario di un ANOVA a due vie è capire se esiste una interazione tra le due variabili indipendenti sulla variabile dipendente. Ad esempio, è possibile utilizzare una ANOVA a due vie per capire se esiste una interazione tra livello di istruzione e il tipo di laurea sul salario (cioè la variabile dipendente sarebbe stipendio, misurato su una scala continua con dollari USA, e le variabili indipendenti sarebbero livello di istruzione, che ha tre gruppi universitari ndash, master e dottorato di ricerca ndash e tipo di laurea, che ha cinque gruppi: studi commerciali, psicologia, scienze biologiche, ingegneria e legge). In alternativa, è possibile utilizzare un ANOVA a due vie per capire se vi sia una interazione tra livello di attività fisica e il sesso sulla concentrazione di colesterolo nel sangue nei bambini (cioè la variabile dipendente sarebbe concentrazione di colesterolo nel sangue, misurato su una scala continua a mmolL, e la vostra variabili indipendenti sarebbero livello di attività fisica, che ha tre gruppi ndash basso, moderato e alto ndash e di genere, che ha due gruppi: maschi e femmine). Nota: Se si dispone di tre variabili indipendenti, piuttosto che due, avete bisogno di un tre vie ANOVA. Se si dispone di una interazione statisticamente significativa tra le due variabili indipendenti sulla variabile dipendente, è possibile seguire questo risultato determinare se ce ne sono effectsquot principale quotsimple, e se ci sono, ciò che questi effetti sono (ad esempio forse femmine con una formazione universitaria avuto un maggiore interesse per la politica rispetto ai maschi con una formazione universitaria). Torniamo a semplici effetti principali tardi. In questa guida di avvio rapido, vi mostriamo come effettuare una ANOVA a due vie con Stata, così come interpretare e riportare i risultati di questo test. Tuttavia, prima che vi presentiamo a questa procedura, è necessario comprendere le diverse ipotesi che i dati devono soddisfare per un ANOVA a due vie per dare un risultato valido. Discutiamo questi presupposti prossimo. Ipotesi Ci sono sei presupposti che stanno alla base della ANOVA a due vie. Se uno qualsiasi di questi sei ipotesi non sono soddisfatte, non è possibile analizzare i dati utilizzando una ANOVA a due vie, perché non sarà possibile ottenere un risultato valido. Dal momento che le ipotesi 1, 2 e 3 si riferiscono al vostro disegno dello studio e la scelta delle variabili, che non possono essere testati per l'utilizzo di Stata. Tuttavia, si dovrebbe decidere se il vostro studio soddisfa questi presupposti prima di passare. Assunzione 1: la variabile dipendente deve essere misurata a livello continuo. Esempi di tali variabili continue includono altezza (misurata in piedi e pollici), la temperatura (misurata in ° C), lo stipendio (misurato in dollari USA), tempo di revisione (misurato in ore), intelligenza (misurata con QI), il tempo di reazione (misurato in millisecondi), prestazioni (misurato da 0 a 100), vendite (misurata in numero di transazioni al mese), e così via. Se non siete sicuri se la variabile dipendente è continua (cioè misurata durante l'intervallo o il livello di rapporto), vedere i nostri Tipi di guida variabile. Ipotesi 2: I due variabili indipendenti dovrebbe composti ciascuno da due o più categorica. (indipendenti) gruppi indipendenti. Esempi di variabili categoriali includono genere (ad esempio 2 gruppi: maschi e femmine), l'etnia (ad esempio 3 gruppi: caucasico, africano-americana), la professione (ad esempio 5 gruppi: chirurgo, medico, infermiere, dentista, terapeuta), e così via . Assunzione 3: Si dovrebbe avere l'indipendenza delle osservazioni. il che significa che non vi è alcuna relazione tra le osservazioni in ogni gruppo o tra i gruppi stessi. Ad esempio, ci devono essere diversi partecipanti in ciascun gruppo con nessun partecipante essendo in più di un gruppo. Se non si dispone di indipendenza delle osservazioni, è probabile che avete relativi gruppi, il che significa che potrebbe essere necessario utilizzare un due vie misure ripetute ANOVA invece dei ANOVA a due vie. Fortunatamente, è possibile controllare le ipotesi 4, 5 e 6 utilizzando Stata. Quando si sposta a ipotesi 4, 5 e 6, li suggeriamo di testare in questo modo perché rappresenta un ordine in cui, se una violazione al presupposto non può essere corretta, non sarà più in grado di utilizzare un ANOVA a due vie. In realtà, non stupitevi se i dati non riesce una o più di queste ipotesi dal momento che questo è abbastanza tipico quando si lavora con i dati del mondo reale, piuttosto che esempi da manuale, che spesso mostrano solo il modo di effettuare una ANOVA a due vie in cui tutto va bene. Tuttavia, non ti preoccupare perché anche quando i dati non riesce alcune ipotesi, vi è spesso una soluzione per superare questo (ad esempio trasformare i dati o utilizzando un altro test statistico, invece). Basta ricordare che se non si controlla che i dati soddisfa queste ipotesi o si prova per loro in modo errato, i risultati che si ottengono quando si esegue un ANOVA a due vie potrebbe non essere valido. Assunzione 4: Non ci dovrebbero essere valori anomali significativi. Un valore anomalo è semplicemente un singolo caso entro il set di dati che non segue lo schema abituale (per esempio in uno studio di 100 punteggi studenti IQ, dove il punteggio medio è stato di 108, con solo una piccola variazione tra gli studenti, uno studente aveva un punteggio di 156 , che è molto insolito, e può anche metterla nella top 1 di punteggi QI a livello globale). Il problema con valori anomali è che possono avere un effetto negativo sulla ANOVA a due vie, riducendo l'accuratezza dei risultati. Fortunatamente, quando si utilizza Stata di eseguire una ANOVA a due vie sui dati, si può facilmente rilevare eventuali valori anomali. Assunzione 5: La variabile dipendente deve essere approssimativamente normalmente distribuito per ogni combinazione di gruppi di due variabili indipendenti. I suoi dati devono essere approssimativamente normale per l'esecuzione di un ANOVA a due vie solo perché è abbastanza robusto per le violazioni di normalità, il che significa che questa ipotesi possa essere un po 'violata e ancora fornire risultati validi. È possibile verificare la normalità con il test di Shapiro-Wilk della normalità, che è facilmente testato per l'utilizzo di Stata. Assunzione 6: C'è bisogno di omogeneità delle varianze per ogni combinazione dei gruppi delle due variabili indipendenti. È possibile verificare questa ipotesi in Stata usando Levenes di prova per l'omogeneità delle varianze. In pratica, il controllo per le assunzioni 4, 5 e 6 sarà probabilmente occupano la maggior parte del vostro tempo in cui la realizzazione di un ANOVA a due vie. Tuttavia, non è un compito difficile, e Stata fornisce tutti gli strumenti necessari per farlo. Nella sezione, Procedura di prova del Stata. illustriamo la procedura Stata necessaria per eseguire una ANOVA a due vie partendo dal presupposto che non ci ipotesi sono stati violati. In primo luogo, abbiamo deciso l'esempio che usiamo per spiegare la procedura ANOVA a due vie in Stata. Un ricercatore era interessato a sapere se un interesse individui in politica è stato influenzato dal loro livello di istruzione e di genere. Pertanto, la variabile dipendente era interesse per la politica, e le due variabili indipendenti erano genere e livello di istruzione. In particolare, il ricercatore voleva sapere se c'era una interazione tra livello di istruzione e sesso. In altre parole, era l'effetto del livello di istruzione su interesse per la politica diversi per i maschi e le femmine Per rispondere a questa domanda, un campione casuale di 60 partecipanti sono stati reclutati per partecipare allo studio ndash 30 maschi e 30 femmine ndash equamente diviso per livello di istruzione: scuola, università e l'università (vale a dire 10 partecipanti in ciascun gruppo). Ogni partecipante allo studio ha completato un questionario che ha segnato il loro interesse per la politica su una scala da 0 a 100, con punteggi più alti indicano un maggior interesse per la politica. I partecipanti interesse per la politica è stato registrato nella variabile, IntPolitics. il loro genere nella variabile, di genere. e il loro livello di istruzione nella variabile, EduLevel. In termini di variabili, il ricercatore ha voluto sapere se ci fosse un'interazione tra genere e EduLevel su IntPolitics. Impostazione in Stata In Stata, abbiamo separato i singoli individui nelle loro gruppi appropriati, utilizzando due colonne che rappresentano i due variabili indipendenti, ed etichettato loro genere e EduLevel. Per di genere. abbiamo scritto maschio come 1 e femminile come 2. e per EduLevel. abbiamo scritto scuola come 1. Università come 2 e Università come 3. L'interesse dei partecipanti in politica ndash ndash variabile dipendente è stato inserito sotto il nome della variabile, IntPolitics. La configurazione di questo esempio può essere visto qui sotto: Pubblicato con il permesso scritto da parte StataCorp LP. I punteggi per le variabili indipendenti, EduLevel e di genere. così come i punteggi per la variabile dipendente, IntPolitics. sono stati poi inseriti nel foglio di calcolo Data Editor (Edit), come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Procedura di prova in Stata In questa sezione, si mostrerà come analizzare i dati utilizzando una ANOVA a due vie in Stata quando i sei assunzioni nella sezione precedente, le ipotesi. non sono stati violati. È possibile eseguire una ANOVA a due vie utilizzando il codice o Statas interfaccia utente grafica (GUI). Dopo aver effettuato l'analisi, vi mostriamo come interpretare i risultati. In primo luogo, scegliere se si desidera utilizzare il codice o Statas interfaccia utente grafica (GUI). Nella prima sezione di seguito, abbiamo deciso il codice di effettuare una ANOVA a due vie. Tutto il codice è entrato in scatola Statas, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Il codice per eseguire una ANOVA a due vie sui dati prende la forma: ANOVA DependentVariable FirstIndependentVariableSecondIndependentVariable Utilizzando il nostro esempio in cui la variabile dipendente è IntPolitics e le due variabili indipendenti sono di genere e EduLevel. il codice richiesto sarebbe: ANOVA IntPolitics GenderEduLevel Pertanto, immettere il codice e premere il pulsante ReturnEnter sulla vostra parola chiave. È possibile visualizzare l'output Stata che sarà prodotta qui. Se vi è un'interazione statisticamente significativa, è possibile effettuare semplici effetti principali. Ne discuteremo più avanti. Interfaccia utente grafica (GUI) Clicca Modelli lineari Statistiche GT e relativi gt ANOVAMANOVA gt analisi della varianza e covarianza nel menu in alto, come illustrato di seguito. Pubblicato con il permesso scritto da parte StataCorp LP. Vi si presenterà con la seguente ANOVA - Analisi della finestra di dialogo di varianza e covarianza: Pubblicato con il permesso scritto da parte StataCorp LP. Selezionare la variabile dipendente, IntPolitics. dal di dentro la variabile dipendente: casella a discesa, e fare clic sul pulsante a tre punti,, all'estrema destra del Modello: casella a discesa. Pubblicato con il permesso scritto da parte StataCorp LP. Vi si presenterà con la seguente Creare lista-variabili con box di dialogo variabili fattore: Pubblicato con il permesso scritto da parte StataCorp LP. Mantenere l'opzione variabile fattore selezionata nella ndashType dell'area variablendash. Nella zona fattore variablendash ndashAdd, selezionare l'opzione dall'interno della specifica: casella a discesa. Verrà presentato con un secondo variabili casella a discesa, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Per variabile 1. Genere di selezione sotto la scatola e predefiniti discesa Variabili sotto la casella Base discesa. Per Variabile 2. Selezionare EduLevel sotto le variabili casella a discesa e di default sotto la casella Base discesa. Quindi, fare clic sul pulsante, che aggiungerà il termine modello, GenderEduLevel. per la lista-variabili: scatola. Pubblicato con il permesso scritto da parte StataCorp LP. Nota: Non abbiamo spuntato la casella di controllo, sotto c. per uno dei nostri due variabili indipendenti, sesso o EduLevel. Questo perché Assunzione 2 di un ANOVA a due vie è che entrambe le variabili indipendenti sono variabili fattoriali (cioè variabili categoriali) che è, di genere ha due categorie (ad esempio maschile e femminile), mentre EduLevel ha tre categorie (ad esempio scuola, College e Università ). Fare clic sul pulsante. Verrà presentato con l'ANOVA - analisi della varianza e covarianza finestra di dialogo, ma ora con il termine modello, GenderEduLevel. avendo stata aggiunta nel Modello: scatola, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Fare clic sul pulsante. Questo genera l'uscita Stata per l'ANOVA a due vie, mostrato nella sezione successiva. Uscita del ANOVA a due vie in Stata Se i dati passati ipotesi 4 (cioè non ci sono stati valori anomali significativi), assunzione 5 (cioè la variabile dipendente è stato di circa normalmente distribuito per ogni gruppo della variabile indipendente) e assunzione 6 (vale a dire non c'era omogeneità delle varianze), che abbiamo spiegato in precedenza nella sezione Ipotesi, si avrà solo bisogno di interpretare il seguente output Stata per l'ANOVA a due vie: Pubblicato con il permesso scritto da parte StataCorp LP. Il genere . EduLevel e GenderEduLevel righe nell'output sopra spiegare se abbiamo effetti statisticamente significativi per i nostri due indipendenti variabili, di genere e EduLevel. e per la loro interazione, GenderEduLevel. Per prima cosa guardiamo l'interazione GenderEduLevel perché questo è il risultato più importante siamo dopo. Possiamo vedere dalla colonna F Prob GT che abbiamo una interazione statisticamente significativa a livello di p 0,0016. Si potrebbe desiderare di riportare i risultati di genere e EduLevel pure. Possiamo vedere dall'output sopra che non vi era alcuna differenza statisticamente significativa nella interesse per la politica tra genere (p 0,4987), ma c'erano differenze statisticamente significative tra i livelli di istruzione (P lt .0005). Infine, se si dispone di una interazione statisticamente significativa, si dovrà anche riferire semplici effetti principali che è, l'effetto di una delle variabili indipendenti ad un particolare livello di altra variabile indipendente. Nel nostro esempio, ciò comporterebbe determinare la differenza media di interesse per la politica tra i generi ad ogni livello di istruzione, nonché tra livello di istruzione per ogni genere (ad esempio, forse le donne con una formazione universitaria avuto un maggiore interesse per la politica rispetto ai maschi con una università educazione). In alternativa, se non si dispone di una interazione statisticamente significativo, si potrebbe riferire invece gli effetti principali. Entrambe le semplici effetti principali e gli effetti principali possono essere calcolati utilizzando Stata. Riportare i risultati di una ANOVA a due vie Quando si riporta l'uscita del ANOVA a due vie, è buona pratica includere: A. Introduzione all'analisi voi effettuata. B. Informazioni sul vostro campione (tra cui il numero di partecipanti erano in ciascuno dei vostri gruppi, se le dimensioni del gruppo erano disuguali o c'erano valori mancanti). C. Una dichiarazione se c'era un'interazione statisticamente significativa tra le due variabili indipendenti sulla variabile dipendente (compresa la osservata F - value F, gradi di libertà gl, e livello di significatività, o più specificamente, il p - value 2-tailed prob gt F. D. Se l'interazione è stata statisticamente significativa, una dichiarazione che i gruppi delle due variabili indipendenti hanno evidenziato differenze statisticamente significative in termini della variabile dipendente che è, gli effetti principali semplici (ad indicare che i gruppi erano o non erano statisticamente significativo .. diversa, comprese le pertinenti - Valori p) sulla base della uscita stata sopra potremmo riportare i risultati di questo studio come segue (NB abbiamo anche incluso un esempio di semplici effetti principali): un ANOVA a due vie è stato eseguito su un campione di 60 partecipanti per esaminare l'effetto del livello di genere e l'educazione su interesse per la politica. C'è stata una significativa interazione tra gli effetti del livello di genere e l'educazione su interesse per la politica, F (2, 52) 7,33, p 0,0016. Semplice analisi degli effetti principali ha mostrato che i maschi erano significativamente più interessati alla politica rispetto alle femmine quando educati a livello universitario (p .002), ma non c'erano differenze tra i sessi quando istruiti a scuola (p 0,465) o il livello di college (p 0,793).One ANOVA usando Stata Introduzione l'analisi della varianza ad una via (ANOVA) viene utilizzato per determinare se la media di una variabile dipendente è la stessa in due o più indipendenti, gruppi indipendenti. Tuttavia, è in genere utilizzato solo quando si hanno tre o più indipendenti, gruppi indipendenti, in quanto un campioni indipendenti t-test è più comunemente usato quando si hanno solo due gruppi. Se si dispone di due variabili indipendenti, è possibile utilizzare un ANOVA a due vie. Ad esempio, è possibile utilizzare un one-way ANOVA per determinare se le prestazioni esame differiva in base ai livelli di prova di ansia tra gli studenti (cioè la variabile dipendente sarebbe prestazioni esame, misurata da 0-100, e la variabile indipendente sarebbe livelli di prova ansia, che ha tre gruppi: studenti a basso stressati, media sottolineato gli studenti, e le alte studenti stressate). In alternativa, un one-way ANOVA potrebbe essere usata per capire se vi è una differenza di stipendio in base al tipo di laurea (cioè la variabile dipendente sarebbe lo stipendio e la variabile indipendente sarebbe il tipo di laurea, che ha cinque gruppi: studi commerciali, la psicologia, scienze biologiche, l'ingegneria e legge). Quando vi è una differenza statisticamente significativa tra i gruppi, è possibile determinare quali gruppi specifici erano significativamente differenti gli uni dagli altri test utilizzando alberino hoc. È necessario condurre questi test post hoc perché l'ANOVA a una via è un test omnibus e non si può dire che specifici gruppi erano significativamente diverse l'una dall'altra si dice solo che almeno due gruppi erano diverse. Questa guida rapida mostra come effettuare un one-way ANOVA con test post hoc utilizzando Stata, così come il modo di interpretare e comunicare i risultati di questo test. Tuttavia, prima che vi presentiamo a questa procedura, è necessario comprendere le diverse ipotesi che i dati devono soddisfare per un one-way ANOVA per darvi un risultato valido. Discutiamo questi presupposti prossimo. Ipotesi Ci sono sei presupposti che stanno alla base della ANOVA. Se uno qualsiasi di questi sei ipotesi non sono soddisfatte, non è possibile analizzare i dati utilizzando una ANOVA a senso unico, perché non sarà possibile ottenere un risultato valido. Dal momento che le ipotesi 1, 2 e 3 si riferiscono al vostro disegno dello studio e la scelta delle variabili, che non possono essere testati per l'utilizzo di Stata. Tuttavia, si dovrebbe decidere se il vostro studio soddisfa questi presupposti prima di passare. Assunzione 1: la variabile dipendente deve essere misurata a livello continuo. Esempi di tali variabili continue includono altezza (misurata in piedi e pollici), la temperatura (misurata in ° C), lo stipendio (misurato in dollari USA), tempo di revisione (misurato in ore), intelligenza (misurata con QI), il tempo di reazione (misurato in millisecondi), prestazioni (misurato da 0 a 100), vendite (misurata in numero di transazioni al mese), e così via. Se non siete sicuri se la variabile dipendente è continua (cioè misurata durante l'intervallo o il livello di rapporto), vedere i nostri Tipi di guida variabile. Se la variabile dipendente è ordinale, si potrebbe prendere in considerazione l'esecuzione di un test di Kruskal-Wallis H, invece. Ipotesi 2: La variabile indipendente deve essere costituito da due o più categorica. (indipendenti) gruppi indipendenti. Esempi di variabili categoriali includono genere (ad esempio 2 gruppi: maschi e femmine), l'etnia (ad esempio 3 gruppi: caucasico, africano-americana), il livello di attività fisica (ad esempio 4 gruppi: sedentari, basso, moderato e alto), e professione ( ad esempio, 5 gruppi: chirurgo, medico, infermiere, dentista, terapeuta). Assunzione 3: Si dovrebbe avere l'indipendenza delle osservazioni. il che significa che non vi è alcuna relazione tra le osservazioni in ogni gruppo o tra i gruppi stessi. Ad esempio, ci devono essere diversi partecipanti in ciascun gruppo con nessun partecipante essendo in più di un gruppo. Se non si dispone di indipendenza delle osservazioni, è probabile che avete relativi gruppi, il che significa che sarà necessario utilizzare un senso unico ripetute misure ANOVA al posto del ANOVA. Fortunatamente, è possibile controllare le ipotesi 4, 5 e 6 utilizzando Stata. Quando si sposta a ipotesi 4, 5 e 6, li suggeriamo di testare in questo modo perché rappresenta un ordine in cui, se una violazione al presupposto non può essere corretta, non sarà più in grado di utilizzare un one-way ANOVA. In realtà, non stupitevi se i dati non riesce una o più di queste ipotesi dal momento che questo è abbastanza tipico quando si lavora con i dati del mondo reale, piuttosto che esempi da manuale, che spesso mostrano solo il modo di effettuare una ANOVA quando tutto va bene. Tuttavia, non ti preoccupare perché anche quando i dati non riesce alcune ipotesi, vi è spesso una soluzione per superare questo (ad esempio trasformare i dati o utilizzando un altro test statistico, invece). Basta ricordare che se non controllare che i dati soddisfa queste ipotesi o si prova per loro in modo corretto, i risultati ottenuti durante l'esecuzione di un one-way ANOVA potrebbe non essere valido. Assunzione 4: Non ci dovrebbero essere valori anomali significativi. Un valore anomalo è semplicemente un singolo caso entro il set di dati che non segue lo schema abituale (per esempio in uno studio di 100 punteggi studenti IQ, dove il punteggio medio è stato di 108, con solo una piccola variazione tra gli studenti, uno studente aveva un punteggio di 156 , che è molto insolito, e può anche metterla nella top 1 di punteggi QI a livello globale). Il problema con valori anomali è che possono avere un effetto negativo sulla ANOVA, riducendo l'accuratezza dei risultati. Fortunatamente, quando si utilizza Stata per eseguire un one-way ANOVA sui dati, si può facilmente rilevare eventuali valori anomali. Assunzione 5: la variabile dipendente deve essere approssimativamente normalmente distribuito per ogni categoria della variabile indipendente. I suoi dati devono essere approssimativamente normale per l'esecuzione di un one-way ANOVA solo perché è abbastanza robusto per le violazioni di normalità, il che significa che questa ipotesi possa essere un po 'violata e ancora fornire risultati validi. È possibile verificare la normalità con il test di Shapiro-Wilk della normalità, che è facilmente testato per l'utilizzo di Stata. Assunzione 6: ci deve essere l'omogeneità delle varianze. È possibile verificare questa ipotesi in Stata usando Levenes di prova per l'omogeneità delle varianze. Test di Levene è molto importante quando si tratta di interpretare i risultati di una guida ANOVA unidirezionale perché Stata è capace di produrre uscite diverse a seconda se i dati soddisfa o non questa ipotesi. In pratica, il controllo per le assunzioni 4, 5 e 6 sarà probabilmente occupano la maggior parte del vostro tempo in cui la realizzazione di un senso unico ANOVA. Tuttavia, non è un compito difficile, e Stata fornisce tutti gli strumenti necessari per farlo. Nella sezione, Procedura di prova del Stata. illustriamo la procedura Stata necessario per eseguire un one-way ANOVA partendo dal presupposto che non ci ipotesi sono stati violati. In primo luogo, abbiamo deciso l'esempio che usiamo per spiegare la procedura ANOVA a senso unico in Stata. Un rivenditore online vuole ottenere il meglio da parte dei dipendenti, così come migliorare la loro esperienza di lavoro. Attualmente, i dipendenti dei rivenditori Order Center adempimento non sono dotati di ogni tipo di intrattenimento, mentre funzionano (per esempio la musica di sottofondo, televisione, ecc). Tuttavia, il rivenditore vuole sapere se la fornitura di musica, che alcuni dipendenti hanno richiesto, porterebbe a una maggiore produttività, e in caso affermativo, da quanto. Pertanto, il ricercatore reclutare un campione casuale di 60 dipendenti. Questo campione di 60 partecipanti è stata suddivisa in modo casuale in tre gruppi indipendenti con 20 partecipanti in ogni gruppo: (a) un gruppo di controllo che non ha ascoltare la musica (b) un gruppo di trattamento che ascoltava la musica, ma non aveva scelta di ciò che hanno ascoltato a (c) un secondo gruppo di trattamento che ascoltato la musica e aveva una scelta di ciò che hanno ascoltato. L'esperimento è durato per un mese. Alla fine dell'esperimento, la produttività dei tre gruppi è stata misurata in termini di numero medio di pacchetti trasformati all'ora. Pertanto, la variabile dipendente era produttività (misurata in termini di numero medio di pacchetti trasformati per ora durante l'esperimento un mese), mentre la variabile indipendente era tipo di trattamento, dove c'erano tre gruppi indipendenti: Nessuna musica (gruppo di controllo), musica - Nessuna scelta (gruppo di trattamento A) e Musica - scelta (trattamento di gruppo B). Un one-way ANOVA è stata utilizzata per determinare se vi è stata una differenza statisticamente significativa in termini di produttività tra i tre gruppi indipendenti. Nota: L'esempio e dati utilizzati per questa guida sono fittizi. Abbiamo semplicemente creato per gli scopi di questa guida. Impostazione in Stata In Stata, abbiamo separato i tre gruppi per l'analisi con la creazione della variabile indipendente. Music. e ha dato: (a) un valore di 1 - Nessuna musica al gruppo di controllo (b) un valore di 2 - Musica - Nessuna scelta per il gruppo di trattamento che ascoltava la musica, ma non aveva altra scelta di ciò che hanno ascoltato e (c) un valore pari a 3 - musica - scelta al gruppo di trattamento che ascoltato la musica e aveva una scelta di ciò che hanno ascoltato, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. I punteggi per la variabile indipendente, la musica. sono stati poi inseriti nella colonna di sinistra del foglio di calcolo Data Editor (Edit), mentre i valori per la variabile dipendente. Produttività. sono stati inseriti nella colonna di destra, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Procedura di prova in Stata In questa sezione, si mostrerà come analizzare i dati utilizzando un one-way ANOVA in Stata quando i sei assunzioni nella sezione precedente, le ipotesi. non sono stati violati. È possibile eseguire una ANOVA utilizzando il codice o Statas interfaccia utente grafica (GUI). Dopo aver effettuato l'analisi, vi mostriamo come interpretare i risultati. In primo luogo, scegliere se si desidera utilizzare il codice o Statas interfaccia utente grafica (GUI). Nella prima sezione di seguito, abbiamo deciso il codice per eseguire una ANOVA. e nella seconda sezione, il test post hoc che segue la ANOVA. Tutto il codice è entrato in scatola Statas, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. One-way ANOVA Il codice per eseguire un one-way ANOVA sui dati prende la forma: senso unico DependentVariable IndependentVariable, tabulare Utilizzando il nostro esempio in cui la variabile dipendente è la produttività e la variabile indipendente è la musica. il codice richiesto sarebbe: oneway produttività Musica, tabulare Nota: È possibile eseguire il comando a senso unico, senza aggiungere il comando tabulate alla fine del codice, ma questo fornisce utili statistiche descrittive (cioè la media, la deviazione standard ed N), quindi abbiamo scegliere di includere esso. Quindi, immettere il codice e premere il pulsante ReturnEnter sulla tastiera. È possibile visualizzare l'output Stata che sarà prodotta qui. Se c'è una differenza statisticamente significativa tra i gruppi, è possibile effettuare test post hoc usando il codice seguente per determinare dove le differenze si trovano. test post hoc Ci sono molti tipi di test post hoc, che è possibile utilizzare in seguito ad un one-way ANOVA (ad esempio Bonferroni, Sidak, Scheffe, Tukey, ecc). Vi mostriamo il codice per eseguire il test di Tukey post hoc di sotto, che assume la forma: DependentVariable pwmean, effetti overIndependentVariable, mcompare (Tukey) Usando il nostro esempio in cui la variabile dipendente è la produttività e la variabile indipendente è la musica. il codice richiesto sarebbe: pwmean produttività, overMusic, mcompare (Tukey) effetti Nota: È necessario eseguire il one-way ANOVA in Stata prima di poter effettuare test post hoc o Stata mostrerà il seguente messaggio di errore: ultime stime non trovato . Non è sufficiente che il file è impostato correttamente con le variabili dipendenti e indipendenti competenti correttamente etichettati. Stata pretende di identificare questi ai fini della realizzazione di test post hoc prima di aver eseguito l'ANOVA. Pertanto, se si ottiene un messaggio di errore, sarà necessario eseguire la procedura ANOVA a senso unico di nuovo e poi inserire il codice post hoc per la seconda volta. Quindi, immettere il codice e premere il pulsante ReturnEnter sulla tastiera. È possibile visualizzare l'output Stata che sarà prodotta dal test post hoc qui e il senso unico principale procedura ANOVA qui. Interfaccia grafica utente (GUI) Nella prima sezione di seguito, abbiamo riportato il codice per eseguire una ANOVA. e nella seconda sezione, il test post hoc che segue la ANOVA. One-way ANOVA Select Statistiche GT lineare modelli e relativi gt ANOVAMANOVA gt ANOVA nel menu in alto, come illustrato di seguito. Pubblicato con il permesso scritto da parte StataCorp LP. Verrà presentato con il seguente senso unico - l'analisi a una via di dialogo varianza: Pubblicato con il permesso scritto da parte StataCorp LP. Selezionare la variabile dipendente, produttività. dal di dentro la variabile risposta: casella a discesa, e la variabile indipendente, Musica. nella variabile Factor: menu a discesa. Avanti, selezionare la casella tabella riassuntiva Produrre nella zona ndashOutputndash, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. È possibile visualizzare l'output Stata che sarà prodotta qui. Se c'è una differenza statisticamente significativa tra i gruppi, è possibile effettuare test post hoc utilizzando la procedura riportata di seguito per determinare dove le differenze si trovano. test post hoc Clicca sulle statistiche gt Sintesi, tavoli e Sintesi test GT e statistiche descrittive gt confronti a coppie delle mezzi nel menu in alto, come mostrato di seguito. Pubblicato con il permesso scritto da parte StataCorp LP. Verrà presentato con le seguenti pwmean - confronti a coppie delle mezzi finestra di dialogo: Pubblicato con il permesso scritto da parte StataCorp LP. Selezionare la variabile dipendente, produttività. dall'interno della variabile: casella a discesa, e la variabile indipendente, Musica. dall'interno del corso: casella a discesa. Avanti, selezionare il test post-hoc all'interno della goccia di regolazione confronti multipla a tendina, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Nota: È necessario eseguire il one-way ANOVA in Stata prima di poter effettuare test post hoc o Stata mostrerà un messaggio di errore. Non è sufficiente che il file è impostato correttamente con le variabili dipendenti e indipendenti competenti correttamente etichettati. Stata pretende di identificare questi ai fini della realizzazione di test post hoc prima di aver eseguito l'ANOVA. Pertanto, se si ottiene un messaggio di errore, sarà necessario eseguire la procedura ANOVA a senso unico di nuovo e poi seguire la procedura post hoc per la seconda volta. Fare clic sulla scheda evidenziato nel rettangolo rosso. Vi ritroverete con una schermata simile a quella riportata di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Mantenere l'intervallo di confidenza di default 95 per non cambiare il valore 95 nella casella a discesa livello di confidenza. Avanti, selezionare l'opzione tabelle Effects, che aprirà tre altre possibilità di seguito. Infine, selezionare la tabella di mostrare gli effetti con intervalli di confidenza e di dialogo p-value, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. È possibile visualizzare l'output Stata che sarà prodotta dal test post hoc qui e il senso unico principale procedura ANOVA qui. Uscita del One-Way ANOVA in Stata Se i dati passati ipotesi 4 (cioè non ci sono stati valori anomali significativi), assunzione 5 (cioè la variabile dipendente è stato di circa normalmente distribuito per ogni gruppo della variabile indipendente) e assunzione 6 (vale a dire non c'era homogeneity of variances), which we explained earlier in the Assumptions section, you will only need to interpret the following Stata output for the one-way ANOVA: Descriptive statistics The descriptives output, highlighted in the red rectangle below, provides some very useful descriptive statistics , including the mean, standard deviation and sample sizes for the dependent variable ( Productivity ) for each group of the independent variable, Music (ie No music, Music - No choice and Music - Choice), as well as when all groups are combined ( Total). These figures are useful when you need to describe your data. Published with written permission from StataCorp LP. One-way ANOVA results The Stata output for the one-way ANOVA is shown in the red rectangle below, indicating whether we have a statistically significant difference between our three group means. We can see that the significance level is 0.0040 ( p .004), which is below 0.05. and, therefore, there is a statistically significant difference in the mean productivity between the three different groups of the independent variable, Music (i. e. No Music, Music - No Choice and Music - Choice). This is great to know, but we do not know which of the specific groups differed. Luckily, we can find this out in the Pairwise comparisons of means with equal variances output that contains the results of our post hoc tests (see below ). Published with written permission from StataCorp LP. Pairwise comparisons results for the Tukey post hoc test From the results so far, we know that at least one of the group means is different from the other group means. Next, we can use the Stata output below, entitled Pairwise comparisons of means with equal variances . to determine which groups differed from each other. Looking at the p - value (i. e. the Pgtt row under the Tukey column), we can see that there is a statistically significant difference in productivity between the Music - Choice group who listened to music (and had a choice over what music they listened to) and the No music control group who did not listen to music ( p 0.003). However, there were no differences between the Music - No choice group who listened to music (but had no choice over what music they listened to) and the No music control group ( p 0.467), or between the Music - Choice group and Music - No choice group ( p 0.072). Published with written permission from StataCorp LP. In the section that follows, we show you how you could report these results. Note: We present the output from the one-way ANOVA above. However, since you should have tested your data for the assumptions we explained earlier in the Assumptions section, you will also need to interpret the Stata output that was produced when you tested for them. This includes: (a) the boxplots you used to check if there were any significant outliers (b) the output Stata produces for your Shapiro-Wilk test of normality to determine normality and (c) the output Stata produces for Levenes test for homogeneity of variances. Also, remember that if your data failed any of these assumptions, the output that you get from the one-way ANOVA procedure (i. e. the output we discuss above) will no longer be relevant, and you will need to interpret the Stata output that is produced when they fail (i. e. this includes different results). Reporting the Output of the One-Way ANOVA When you report the output of your one-way ANOVA, it is good practice to include: A. An introduction to the analysis you carried out. B. Information about your sample (including how many participants were in each of your groups if the group sizes were unequal or there were missing values). C. A statement of whether there were statistically significant differences between your groups (including the observed F - value F , degrees of freedom df , and significance level, or more specifically, the 2-tailed p - value Prob gt F . D. If there was a statistically significant difference between the groups, the results from the Tukey post hoc test, including the mean ( Contrast ) and standard error ( Std. Err. ) for each of your groups, as well as the relevant 2-tailed p - value Prob gt t . Based on the Stata output above. we could report the results of this study as follows: A one-way ANOVA was conducted to determine if productivity in a packing facility was different for groups with different physical activity levels. Data is mean standard error. Participants were classified into three groups: No music ( n 20), Music - No choice ( n 20) and Music - Choice ( n 20). There was a statistically significant difference between groups as determined by one-way ANOVA ( F (2,57) 6.08, p .004). A Tukey post-hoc test revealed that productivity was statistically significantly higher in the Music - Choice group compared to the No music control group (8.55 2.49 packages, p .003). However, there were no statistically significant differences between the Music - No choice and No music groups (2.95 2.49 packages, p .467), or the Music - Choice and Music - No choice groups (5.6 2.49 packages, p .072). In addition to the reporting the results as above, a diagram can be used to visually present your results. For example, you could do this using a bar chart with error bars (e. g. where the errors bars could be the standard deviation, standard error or 95 confidence intervals). This can make it easier for others to understand your results. Furthermore, you are increasingly expected to report effect sizes in addition to your one-way ANOVA results. Effect sizes are important because whilst the one-way ANOVA tells you whether differences between group means are real (i. e. different in the population), it does not tell you the size of the difference. Whilst Stata will not produce these effect sizes for you using this procedure, there is a procedure in Stata to do so.
No comments:
Post a Comment