You are on page 1of 7

1

ANOVA 1 fator - Modelo com efeito aleatório - Exemplo
Richard A. Armstrong; F. Eperjesi and B. Gilmartin - Application of ANOVA in Optometry

Opthtal. Physiol. Opt. 2002 22: 248-256. Experimento: delineamento inteiramente casualizado O objetivo é estimar o grau de variação de uma medida particular e em muitos casos comparar diferentes fontes de variação em espaço e em tempo. Neste caso, neste exemplo, as componentes de variância são mais úteis que o teste F para indicar que a variação entre dias é quase duas vezes aquela num único dia.
……………………………………………………………………………………………………………………………………………

One-way

ANOVA

(random effects model). An alternative one-way model is the ‘random effects

model’ in which the objective is not to measure a ‘fixed’ effect but to estimate the degree of variation of a particular measurement and to compare different sources of variation in space and/or time. These designs are often called ‘nested’ or ‘hierarchical’ designs. Hence, in our glaucoma trial, we may wish to determine the degree of variability in the response to a treatment within a single patient, between different patients, or with time. The most important statistics from a random effects model are the ‘components of variance’ which estimate the variance associated with each of these sources of variation influencing a measurement. Hence, the nested design is particularly useful in preliminary experiments designed to estimate different sources of variation and hence, in the design of experiments.

Statistical guidelines for clinical studies of human vision. Richard A Armstrong, Leon N Davies, Mark C M Dunne and Bernard Gilmartin. Ophthalmic & Physiological Optics 31 (2011) 123–136. …………………………………………………………………………………………………

n = 1 paciente medida = IOP = pressão intra-ocular três sessões de medições distanciadas de 3 dias cada sessão Days = dias 3 ; 6 e 9 dias. Foram efetuadas 5 medições no mesmo indivíduo: - após cada 1 min foi efetuada sucessivamente uma leitura da pressão e, também, no 3º dia; no 6º dia e no 9º dia.
Valores

Sessão 1
18 19 20 19 21

Sessão 2
17 18 16 17 17

Sessão 3
19 18 20 20 19

C2 Days 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 Ou ANOVA c1 = c2. Means Days. Random c2. Means c2. EMS.2 disposição dos valores numa única coluna C1 IOP = pressão intra-ocular 18 19 20 19 21 17 18 16 17 17 19 18 20 20 19 Comandos no Minitab Após Ctrl+L digitamos no espaço em branco ANOVA 'IOP' = Days. Random 'Days'. Ou via Menu do Minitab Stat >> ANOVA >> Balanced ANOVA . EMS.

3 Ou via Menu do Minitab Stat >> ANOVA >> Balanced ANOVA Clicar em Results e check box (X) Display expected mean squares and variance components .

720 10.93% No STATISTICA for Windows -. of .607 .8333 F 10.000 Degr.833 F 6182.8667 0. Independente Univariate Tests of Significance for IOP (Spreadsheet1) Sigma-restricted parameterization Effective hypothesis decomposition SS Intercept Days Error 5152.733 10.Freedom 1 2 12 MS 5152.0000 27.866 -0.000000 0.4 Clicamos em OK ANOVA: IOP versus Days Factor Type Levels Days random 3 Values 1.640 p 0.ANOVA one-way com o fator Days como Var.94% R-Sq(adj) = 57.267 8.912871 R-Sq = 63. 3 Analysis of Variance for IOP Source Days Error Total DF 2 12 14 SS 17. 2.64 P 0.833) / 5 = 1.267 17.7333 10.002 S = 0.7333 MS 8.867 0.002198 among-group variance = (MSamong−MSwithin)/n Componente da Variância para Days = (8.

....6067 / 2...................400 2 5 17......8333) = (1..6067 0...60678+0... mas numa amostra de dias e não medir seguidamente a cada 1 minuto .................5 Expected Mean Square for Each Term (using unrestricted model) (2) + 5 (1) (2) 1 2 Source Days Error Variance component 1....8333 Error term 2 É preferível medir uma vez a cada 3 dias do que medir num único dia várias vezes ! É aconselhável medir a pressão só uma vez............6067 /(1.....85% Means Days N IOP 1 5 19..............200 .................000 3 5 19.............6067 0..44)*100 = 65.......... Conclusão: Expected Mean Square for Each Term (using unrestricted model) (2) + 5 (1) (2) 1 2 Source Days Error Variance component 1...8333 Error term 2 Error = variação de 1 min a 1 min Relativa Contribuição da Variância para Dias = (1................

então..pois a variação a cada 3 dias = 1.....833. a melhor estratégia seria obter várias medições de IOP num único dia......6 A variação a cada 3 dias = 1............ . Se a variação de minuto a minuto fosse desprezível... mas numa amostra de dias.6067 é o dobro da variação a cada 1 minuto num dia = 0. seria melhor medir IOP só uma vez...... .... mas houvesse variação significante de dia para dia...............6067 é o dobro da variação a cada 1 minuto num dia = 0... mas em média pouco entre os dias... Se IOP variasse consideravelmente de minuto a minuto............ É o caso desse nosso exemplo: ..833 ......

. that would tell you that the mean values for different rats were all about the same...7 http://udel.. and how many measurements to make on each rat... so you do a pilot experiment in which you measure calcium uptake on 6 rats.... If a high percentage of the variation is among rats that would tell you that there's a lot of variation from one rat to the next...... with 4 measurements per rat..html Handbook of Biological Statistics Componente de variância para Planejar o Experimento Another area where partitioning variance components is useful is in designing experiments. You analyze the data with a one-way anova and look at the variance components.. let's say you're planning a big experiment to test the effect of different drugs on calcium uptake in rat kidney cells. but the measurements within one rat are pretty uniform. Or you could do some more pilot experiments to try to figure out why there's so much rat-to-rat variation (maybe the rats are different ages. while there was a lot of variation among the measurements on each rat.. On the other hand.edu/~mcdonald/statanovapart. or you could try to figure out why there's so much variation among measurements and control it better.... You want to know how many rats to use. .. You could then design your big experiment to include a lot of rats for each drug treatment. or some have eaten more recently than others... if the among-rat portion of the variance was low.. or some have exercised more) and try to control it. .... You could design your big experiment with fewer rats and more observations per rat. For example.. but not very many measurements on each rat.....