You are on page 1of 6

III- ANÁLISE DE VARIÂNCIA SIMPLES Modelo de Efeitos Fixos

:

(Aplica-se na comparação dos valores médios de uma v.a. para k populações escolhidas à priori).

Grupos

1 x11 x12  x1 n1

2 x21 x22  x 2n2

 

k xk 1

 xk 2   xkn k

Modelo : x ij = µi + ε ij ou

, i = 1,…, k ; j = 1,…, ni , i = 1,…, k ; j = 1,…, ni

Modelo : x ij = µ + α i + ε ij

em que ε ij medem o erro experimental (englobam todos os factores externos que não influenciam, mas alteram os resultados, ε ij = x ij − µi ), µ representa a média global da v.a. em estudo, e α i mede o efeito do grupo i (população i) α i = µi − µ . Existe um único factor que é o factor grupo.
k

Tem-se :

∑ nα
i i =1

i

=0

ε ij são v.as. i.i.d. N (0,σ 2 ) independentes].
Hipótese de interesse:

[ ou → x

ij

∩ N( µi , σ 2 ), i = 1,…, k e as k amostras são

H0 : µ1 = µ2 =  = µ k ou H0 : α 1 = α 2 =  = α k = 0
ni k ni k

Tem-se que:

∑ ∑( x
i =1 j =1

k

ij − x.. ) = ∑ ∑ (x ij − x i.) + ∑ ni ( xi. − x.. ) i =1 j=1 i=1

2

2

2

ou seja, obtém-se a decomposição da variabilidade total das observações da variável em estudo (SQT), numa componente devida ao erro experimental (variabilidade dentro das amostras individuais, SQE) e numa componente devida ao factor grupo (reflecte a variabilidade das k médias amostrais, SQF),

1

) i =1 j=1 2 Se H0 é rejeitada há outras hipóteses de interesse a serem analisadas: • por exemplo. − x. j =1 ∑∑ x x. n − k ) SQE (n − k ) Logo. ANOVA TABLE Soma de Quadrados k Fonte de Variação Entre Grupos Graus de Liberdade k -1 Quadrado Médio MQF = 2 Valor de F SQF = ∑ ni ( x i.. se os grupos i e j diferem no seu efeito médio? Isto equivale a testar µi = µ j ? Para testar esta hipótese a estatística de teste é: 2 . sob H0 .. ) i =1 k ni 2 SQF ( k − 1) Residual n−k SQE = ∑ ∑ (x ij − x i. se F > Fα rejeita-se H0 . SQF ( k − 1) ∩ F (k − 1. ni k ij ni ij ∑x Note-se que: xi.. = Sob H0 .SQT = SQE + SQF . ) i =1 j =1 k ni F= S 2 = MSE = SQE n−k MQF MSE Total n −1 SQT = ∑ ∑( x ij − x. Então. = i=1 j =1 ni n SQE 2 2 ∩ χ (n − k ) σ SQF 2 2 ∩ χ (k − 1) σ SQE e SQF são independentes.

Um contraste é uma combinação linear dos µi tais que: k k L = ∑ λi µi i =1 k com ∑λ i=1 i = 0. L i i. i =1 Tem-se : ˆ =L EL () ˆ = σ 2 ∑ λi e var L i =1 ni () k 2 . n−k Note-se que i e j devem ser escolhidos antes da experiência. Exemplos de contrastes: 1 • L = ( µB + µC ) − µA → L=0 significa que os grupos B e C têm médias idênticas à 2 média do grupo A. i = 1. se fizermos vários testes.…. (1) Método de Tukey: amostras de iguais dimensões Seja n = ni . 4 e 3 não 3 diferem significativamente da média do grupo 5. k . Mas. 1 • L = ( µ2 + µ 3 + µ4 ) − µ 5 → L=0 significa que as médias dos grupos 2. • Vejamos métodos para resolver o problema das COMPARAÇÕES MÚLTIPLAS: As comparações múltiplas podem ser representadas por contrastes entre os parâmetros µ1 . como já sabemos. o erro de tipo I aumenta e não podemos saber qual o nível de significância da experiência como um todo. ∩ tn − k ⎛ 1 1 ⎞ ⎟ S 2 ⎜ ⎜ n + n ⎟ ⎝ i j ⎠ com S 2 = SQE . com µ1 . Os λ i são conhecidos e o contraste L é estimado por: ˆ =∑λx .x i. µk .…. − x j. podíamos também estar interessados em testar (se G1 for grupo de controle) todos os µi (i>2). Com probabilidade 1 − α tem-se que: ⎛ 1 k ⎞ ⎞ SQE ⎛ 1 k ˆ − T SQE ⎜ ˆ ⎟ ⎜ L λ ≤ L ≤ L + T λ ⎜ ∑ ⎟ ⎜ ∑ ⎟ ⎟ n − k ⎝ 2 i=1 i ⎠ n − k ⎝ 2 i =1 i ⎠ 3 .

p( n −1) n . n − k ) Uma vantagem de usar todas as amostras com a mesma dimensão é que as consequências das variâncias serem diferentes não são tão sérias.1 q (n − k ) . t = 2. ˆ são significativamente diferentes de zero.v . sendo qα o valor da v.…. Esta expressão verifica-se simultaneamente para todos os contrastes possíveis. p e seja qα . (4) Método de Duncan (Duncan’s Multiple Range Test) Seja n = ni . médias amostrais na lista ordenada com Qt (isto é. Este método é pouco afectado se as variâncias não forem iguais. (3) Método de Bonferroni: Utilizamos o intervalo de confiança obtido a partir da estatística apresentada no início da página 3. ou a hipótese de Normalidade não for satisfeita. em que T = (2) Método de Scheffé: Com probabilidade 1 − α todos os possíveis contrastes são capturados pelo conjunto de intervalos de confiança dado por: ˆ − Sσ ˆ + Sσ ˆˆ≤L≤L ˆ ˆ (*) L L L onde λi 2 ˆL e σ . p . o método de Scheffé encontra contrastes significativamente diferentes de zero. Neste O teste F rejeita H0 sse alguns dos L caso.colocar as médias amostrais por ordem crescente. para nos protegermos de um α muito elevado. S 2 = (k − 1) F1−α (k − 1.a. “Studentized range” que deixa n α para a direita uma área de α . então. t . mas. i = 1. temos em conta que : P(Cometer pelo menos 1 erro de tipo I) ≤ p α em que p representa o número de testes ou de intervalos que vamos calcular Basta. ˆ = MSE ∑ i =1 ni Dizemos que L é significativamente diferente de zero se o intervalo (*) exclui L=0.definir Qt = qα. obtendo-se um conjunto de intervalos de confiança. Outra consequência é que minimiza a probabilidade do erro de tipo II. utilizarmos α Total ≤ pα individual . o número de médias amostrais na k 2 4 . .….….3. .comparar a amplitude de cada subconjunto de t . p . p o valor crítico para o teste “multiple range” de Duncan. Este teste para detectar diferenças significativas entre grupos ao nível de significância global de α consiste em: s2 para t = 2.3.

p µ0 > µi . então as médias nesse subconjunto de médias ordenadas não são significativamente diferentes entre si. 2 ⎜ ⎝ n A nB ⎠ (5) Método de Dunnett Seja n = ni . p .p ( n−1 ). p( n −1).….…. p Quando as amostras têm dimensões diferentes. ⎝ i o ⎠ - Modelo de Efeitos Aleatórios: Aplica-se no caso de as k populações (grupos) referidos em A) serem seleccionados aleatoriamente de entre as possíveis populações em que se pode observar a v.H0 : µ0 = µi i = 1. No modelo de efeitos aleatórios não estamos interessados em fazer inferências sobre os grupos.…. p Região de rejeição: Di ≤ dα . O teste de Dunnett para testar a existência de diferenças significativas entre cada grupo e o grupo de controle ao nível de significância global de α . Neste caso podemos tirar conclusões relativamente ao próprio factor que origina a distinção entre as k populações. p i = 1. em estudo.2. substitui-se o denominador por ⎛ 1 1 ⎞ s 2 ⎜ ⎜ n + n ⎟ ⎟ .p ( n −1 ).Hipótese alternativa: µ0 < µi i = 1. é dado por: .Estatística de teste: Di = - Yi − Y0 2 s2 n Di ≥ dα . p µ0 ≠ µ i . Se a amplitude de um subconjunto é inferior a Qt . Se nem todas as amostras tiverem a mesma dimensão. a estimativa do desvio-padrão que s 2 ⎛ 1 1 ⎞ ⎜ ⎟ se usa é + ⎟ . p Di ≥ dα 2.lista ordenada. sendo A e B os grupos a comparar. i = 1.a. mas sim sobre o próprio factor em estudo. p ( n−1) .…. No caso do modelo de efeitos fixos. 2. e seja dα . 5 . só se podem tirar conclusões para aquelas populações (grupos) especificamente. incluindo estas duas). p o valor crítico para o teste de Dunnett e seja O o grupo de controle. uma vez que estes foram seleccionados aleatoriamente de entre os possíveis grupos. entre as duas que quer comparar.

k . i = 1.….σ 1 2 ) ε ij são v. 6 . são v. i = 1.d. j = 1.as i.d.….i. i = 1.i. k . i. j = 1.…. A análise deste modelo faz-se do mesmo modo que para o modelo de efeitos fixos. ni .as. ni Modelo : x ij = µ + α i + ε ij em que : α i .σ 2 ) {αi } e {ε } são independentes. N (0. ij Estamos interessados em testar: H0 : σ 1 2 = 0 vs H1 :σ 1 2 ≠ 0 em que H0 significa que o factor não tem efeitos sobre as observações.….…. k . N (0.Modelo : x ij = µi + ε ij ou .