ANOVA

Z WikiSkript

(přesměrováno z Rozptylová analýza)

Analýza rozptylu (variance), z anglického pojmu Analysis of variance, je druh statistického testování hypotéz. Užíváme ji pro testování hypotéz setávající z více než dvou sledovaných skupin, u nichž známe střední hodnotu. Studentův t-test je analýze rozptylu podobný, ale aplikuje se pro testování pouze dvou výběrů.

Nulová hypotéza předpokládá, že všechny skupiny mají stejnou střední hodnotu. Alternativní hypotéza naopak předpokládá, že střední hodnoty jsou odlišné.


Mnoho testů pro srovnání charakteristik námi zkoumaných výběrů jsou založeny na porovnávání dvou skupin. V praxi se ale často stává, že nám dvě skupiny nestáčí a potřebujeme srovnat skupin více. Samožrejmě lze (mějme například tři různé skupiny) testovat dvě skupiny (první s druhou), pak další dvě (druhou s třetí) a další dvě (třetí s první). Je nutné si ale uvědomit, že s rostoucím počtem testovaných hypotéz roste pravděpodobnost falešně pozitivního výsledku. V každém tomto testování je 95% pravděpodobnost, že neuděláme statistikou chybu I. chybu, tedy že nesprávně zamítneme nulovou hypotézu ve prospěch hypotézi alternativní. Pokud jsou tedy provedeny tři testy, tato pravděpodobnost bude Nelze pochopit (syntaktická chyba): {\displaystyle 0,95 × 0,95 × 0,95 = 0,857} , tedy o přibližně 10 % vyšší než v případě testování pouze jednoho. Z tohoto důvodu je vhodné použít parametrický test vhodný pro více než dva výběry.


Klasifikace[upravit | editovat zdroj]

Vstupním proměnným (základní rozdělení do skupin) říkáme faktory, jedná se o kategoriální data. Na základě počtu faktorů rozdělujeme možnosti samotné analýzy:

  1. jednofaktorová ANOVA (one-way ANOVA) = máme pouze jeden faktor, například pohlaví (muž, žena);
  2. dvoufaktorová ANOVA (two-way ANOVA) = faktorů máme více, například faktor pohlaví a faktor vzdělání, kdy jejich kombinace vytváří celkem šest skupin;
  3. vícefaktorová ANOVA (n-way ANOVA) = více než dva faktory.


Základní předpoklady[upravit | editovat zdroj]

Abychom mohli analýzu rozptylu provést, je nutné zjistit, zda:

  1. jsou hodnoty sledované veličiny na sobě vzájemně nezávislé a zda jsou normálně rozložené;
  2. mají srovnatelný rozptyl .


Pokud tyto podmínky splněny nejsou, je nutné použít neparametrické testy, které neuvažují normálně rozdělené hodnoty, jedinou podmínkou je, že musí být spojité. Jednofaktorová neparametrická ANOVA pro nezávislá měření se nazývá Kruskal-Wallis test, v případě závislých měření se používá Friedmanův test.

Příklad[upravit | editovat zdroj]

Představme si, že máme celkem 24 osob s hepatitidou. Těchto 24 pacientů rozdělíme do tří skupin: jedna skupina budou osoby s infekční hepatitidou, jedna s autoimunitní a jedna s toxickou hepaptitidou. U každé této skupiny chceme zjistit, jak (zda) se liší střední hodnota jejich věku a váhy.

Provádět pro jednoduchost budeme dvě jednofaktorové analýzy rozptylu – jednu pro věk a jednu pro váhu.

Nejjednodušší je zanést si hodnoty do souhrnné tabulky následujícím způsobem, kdy skupina 0 = pacienti s infekční hepatitidou, skupina 1 = pacienti s autoimunitní hepatitidou a skupina 2 = pacienti s toxickou hepatitidou (naše vstupní data, kategoriální, tedy zmiňovaný faktor).

Navrhněme si proto dvě tabulky, jednu pro věk a jednu pro váhu jednotlivých osob rozdělených ve třech skupinách:

Charakteristiky skupin podle věku (roky)
Infekční hepatitida Autoimunitní hepatitida Toxická hepatitida
55 24 35
56 18 59
62 32 44
64 26 60
48 30 32
42 28 56
36 19 39
79 16 40
Charakteristiky skupin podle váhy (kg)
Infekční hepatitida Autoimunitní hepatitida Toxická hepatitida
93 56 78
105 61 66
89 50 85
97 73 94
99 50 63
125 71 100
87 64 92
110 59 81

Výpočet[upravit | editovat zdroj]

Abychom samotnou analýzu rozptylu mohli provést, je nutné zjistit, zda jsou naše data normálně rozdělená – pro zjednodušení test normality v našem příkladu provádět nebudeme, v praxi je ale nutné jej udělat.

Pro výpočet zavádíme tři tzv. odhady variability.

Porovnání průměrů váhy napříč zkoumanými skupinami s jasně statisticky signifikantním rozdlem p<0,001, kdy zamítáme nulovou hypotézu ve prospěch hypotézy alternativní.
Porovnání průměrů věku napříč zkoumanými skupinami s jasně statisticky signifikantním rozdlem p<0,001.

1. Celkový počet čtverců (tzv. total sum of squares), = charakterizuje celkovou variabilitu v daném výběru, počítá se pomocí kvadrátů rozdílů pozorovaných hodnot od celkového průměru:

Tento odhad variability je funkce pozorovaných hodnot statistikou, která má své vlastní rozdělení pravděpodobnosti − i proto následně můžeme říci, že za platnosti chí-kvadrát distribuci s určitým počtem stupňů volnosti roven .

2. Skupinový součet čtverců (tzv. group sum of squares), = charakterizuje variabilitu mezi skupinovými průměry. Spočítat ho lze pomocí součtu kvadrátů rozdílů průměrů od celkového průměru:

Analogicky i statistika má své chí-kvadrát rozdělení pravděpodobnosti, v tomto případě jsou ale stupně volnosti rovny .

3. Reziduální počet čtverců (tzv. residual sum of squares), = charakterizuje variabilitu v rámci jednotlivých skupin. Jeho hodnota je rovna součtu kvadrátů rozdílů pozorovaných hodnot od jednotlivých průměrů daných skupin:


Důležitým je zmínit statistiku (Fisherovo rozdělení), která je testovou statistikou pro analýzu rozptylu. V případě neplatnosti nulové hypotézy bude výsledná hodnota statistiky větší než 1. Počítá se jako podíl rozdílu mezi skupinami a rozptylu uvnitř skupin. Abychom ale mohli zamítnout, musíme znát kvantil rozdělení , jenž je příslušný určité hladině významnosti testu .

Po dosazení dostáváme následující výsledky:

ANOVA pro váhu
Zdroj variability Součet čtverců Počet stupňů volnosti Průměrný čtverec Statistika F p-hodnota
Mezi skupinami 6457,6 2 3228,8 23,978 <0,001
Uvnitř skupin 2827,8 21 134,7
Celkem 9285,3 23
ANOVA pro věk
Zdroj variability Součet čtverců Počet stupňů volnosti Průměrný čtverec Statistika F p-hodnota
Mezi skupinami 4063,08 2 2031,54 17,774 <0,001
Uvnitř skupin 2400,25 21 114,30
Celkem 6463,33 23

Finální tabulkou by bylo porovnání jednotlivých průměrů s uvedením p-hodnoty, například:

Finální tabulka pro interpretaci výsledků
Proměnná Pacienti s infekční hepatitidou Pacienti s autoimunitní hepatitidou Pacienti s toxickou hepatitidou p-hodnota
Váha v kg (průměr) 100,6 60,5 82,4 <0,001
Věk v letech (průměr) 55,3 24,1 45,6 <0,001

Post-hoc analýzy[upravit | editovat zdroj]

Je zřemé, že samotná p-hodnota vycházející z analýzy rozptylu více skupin neříká, jaké konkrétní proměnné (jejich rozptyly) se nejvíce liší. Pokud přijímáme na základě signifikantní p-hodnoty, je to vhodné zjistit. K účelu testování jednotlivých dvojic tedy využíváme tzv. post-hoc testy, které jsou v podstatě obdobou t-testu pro potřeby ANOVA. Nejčastěji se pro post-hoc analýzy využívá Fisherova LSD testu.


Odkazy[upravit | editovat zdroj]

Související články[upravit | editovat zdroj]

Externí odkazy[upravit | editovat zdroj]

Použitá literatura[upravit | editovat zdroj]

  • KLASCHKA, Jan. Studentův t-test [přednáška k předmětu Zdravotnická statistika 1,2, obor Všeobecné lékařství, 1. LF Univerzita Karlova]. Praha. 10.5.2011. 
  • WOOLSON, Robert F. a William CLARKE. Statistical Methods for the Analysis of Biomedical Data. 2. vydání. New York : John Wiley & Sons. Inc., 2002. 368 s. ISBN 9780471394051.