آزمون کروسکال والیس جایگزینی برای ANOVA یک طرفه است در صورتی مفروضات آن نقض شود. داده هایی که در این آموزش استفاده می کنیم در creatine.sav آمده اند. بیایید اکنون نگاهی سریع به بخشی از داده ها بیندازیم.
توضیحات سریع داده ها.
داده های ما حاوی نتیجه یک آزمایش کوچک در مورد کراتین است ، مکمل محبوب در بین بدنسازان . اینها به 3 گروه تقسیم شدند: برخی هیچ کراتینی مصرف نکردند ، برخی دیگر صبح و برخی دیگر عصر هنگام. پس از انجام این کار به مدت یک ماه ، افزایش وزن آنها اندازه گیری شد. سوال اساسی تحقیق این استآیا افزایش متوسط وزن به وضعیت کراتین مصرف شده توسط افراد بستگی دارد؟یعنی ، ما آزمایش می کنیم که آیا سه میانگین – هر کدام بر روی گروه های مختلف افراد محاسبه شده است – برابر است. روتین ترین آزمایش برای این سناریو ANOVA یک طرفه است ، اما استفاده از آن نیاز به برخی مفروضات دارد. برخی از بررسی های اساسی به ما می گوید که این مفروضات با داده های موجود در اختیار ما نیست.
بررسی داده 1 - هیستوگرام
یک بررسی داده بسیار کارآمد اجرای هیستوگرام بر روی همه متغیرهای متریک است. سریعترین راه برای انجام این کار اجرای دستور زیر است.
*Create histogram of weight gain.
frequencies gain
/formats notable
/histogram.
نتیجه هیستوگرام
هیستوگرام ما با افزایش وزن بین -1 تا +5 کیلو ، که نتایج منطقی در طول یک ماه است ، قابل قبول به نظر می رسد. اما متغیر نتیجه ما معمولاً آنطور که برای ANOVA لازم است توزیع نرمال ندارد . این مسئله برای نمونه های بزرگتر مثلاً حداقل 30 نفر در هر گروه مطرح نیست. با این حال، برای نمونه کوچک ما این یک مشکل واقعی در برخواهد داشت.
بررسی داده ها 2 - توصیفی برای هر گروه
در حال حاضر ، پس از اطمینان از اینکه نتایج افزایش وزن معتبر به نظر می رسند ، بیایید ببینیم که آیا 3 گروه ما در واقع میانگین متفاوتی دارند یا خیر. سریعترین راه برای انجام این کار اجرای ساده MEANS است که در زیر نشان داده شده است.
*Inspect means and standard deviations.
means gain by group.
خروجی MEANS در SPSS
توجه داشته باشید که گروه کراتین عصرانه (4 شرکت کننده) به طور متوسط 961 گرم در مقابل 120 گرم برای “بدون کراتین” افزایش یافت. این نشان می دهد که کراتین تفاوت چشم گیری را ایجاد می کند.
انحرافات استاندارد گروه ها را نادیده نگیرید : آنها بسیار متفاوت هستند ، اما ANOVA آنها را برابر می داند. این دومین نقض مفروضات ANOVA است.
آزمون کروسکال والیس
خب حالا باید چکار کنیم؟ ما می خواهیم از ANOVA استفاده کنیم ، اما داده های ما مفروضات آن را به طور جدی نقض می کند. خوب ، آزمایشی که دقیقاً برای این وضعیت طراحی شده است ، آزمون کروسکال والیس است که به این مفروضات نیاز ندارد. این اساساً نمرات افزایش وزن را با شماره رتبه آنها جایگزین می کند و آزمایش می کند که آیا این امتیازات در گروه ها برابر است یا خیر. با دنبال کردن تصاویر زیر ، آن را اجرا می کنیم.
اجرای آزمون کروسکال والیس در SPSS
اگر 3 گروه یا بیشتر از موارد را با هم مقایسه کنیم ، از استفاده می کنیم. آنها “مستقل” هستند زیرا گروه های ما با یکدیگر همپوشانی ندارند (هر مورد فقط به یک بدنساز کراتین تعلق دارد).
بسته به نسخه SPSS ممکن است گزینه Exact را داشته باشد که در زیر نشان داده شده است. در غیر این صورت از این مرحله بگذرید.
دستور آزمون کروسکال والیس در SPSS
با دنبال کردن تصاویر صفحه قبلی ، دستور زیر به دست می آید. ما آن را اجرا کرده و خروجی را توضیح می دهیم.
*Basic Kruskal-Wallis test syntax.
NPAR TESTS
/K-W=gain BY group(1 3)
/MISSING ANALYSIS.
خروجی آزمون کروسکال والیس در SPSS
ما از جدول “” RANKS رد می شویم و به “ Test Statistics” که در زیر نشان داده شده است می پردازیم.
1 آمار آزمون ما -که توسط SPSS به اشتباه ” “ Chi-Square نام گذاری شده است – به عنوان Kruskal-Wallis H شناخته می شود. مقدار بزرگتر نشان دهنده تفاوت های بزرگتر بین گروه هایی است که مقایسه می کنیم. برای داده های ما تقریبا 3.87 است. ما باید توزیع نمونه گیری آن را برای ارزیابی اینکه آیا این حجم غیرمعمول زیاد است ، بدانیم
3 .Exact Sig دقیقاً (اما خیلی پیچیده) از توزیع H در نمونه گیری استفاده می کند. معلوم می شود که اگر هر گروه شامل 4مورد یا بیشتر از باشدتوزیع این نمونه گیری تقریباً با توزیع کی دو یکسان است(خیلی شبیه اند).
2 بنابراین ما معمولاً p-value را تقریب می زنیم با توزیع کی دو . اگر k گروه را مقایسه کنیم ، k – 1 درجه آزادی داریم که در خروجی با df نشان داده می شود
4 Asymp. Sig ،همان p-value بر اساس تقریب کی دو است. مقدار 0.145 اساساً بدین معناست که اگر کراتین هیچ تاثیری در کل جامعه نداشته باشد ، احتمال یافتن نتایج نمونه 14.5% است. بنابراین اگر کراتین هیچ کاری انجام ندهد ، ما این شانس را داریم (14.5)که تنها به دلیل نمونه گیری تصادفی چنین تفاوتهای جزئی در افزایش وزن پیدا کنیم. اگر p > 0.05 باشد ، معمولاً نتیجه می گیریم که تفاوت های ما از نظر آماری معنی دار نیست.
توجه داشته باشید که مقدار p دقیق ما 0.146 است در حالی که مقدار p تقریبی 0.145 است. این ادعا را تأیید می کند که H تقریباً از توزیع کی دو است.
آزمون کروسکال والیس - گزارش
روش رسمی گزارش نتایج آزمایش ما شامل مقدار کی دو ، df و p است در اینجا به این صورا است: “این مطالعه هیچ تاثیری از کراتین ، باH (2) = 3.87 و p = 0.15 نشان نداد .”
امیدوارم این آموزش برای شما مفید بوده باشد.
ممنون از مطالعه شما!