Kapitulli i 2 (13)

Analiza e variances dhe modeli i eksperimentit

• Hyrje në analizën e variancës
• Analiza e variancës: Kontrolli i barazisë të k mesatareve
• Procedurat e krahasimeve të shumë fishta
• Modelet e blloqeve të rastit
• Eksperimenti me disa faktore

1
Hyrje ne modelimin e eksperimentit dhe analizen e Variances
• Të dhënat statistikore të grumbulluara janë rezultat i vrojtimit ose i
eksperimentit
• Në një studim eksperimental në fillim përcaktohen variablat që na interesojnë
për të cilat kryhet studimi.
• Pastaj përcaktohen një ose më shumë faktorë të cilët gjatë studimit vihen nën
kontroll për të parë se si ata ndikojnë në variablat në shqyrtim..
• Analiza e variancës (ANOVA) mund të përdoret për të analizuar të dhënat e
grumbulluara si rezultat i vrojtimit ose eksperimentit.
Hyrje ne modelimin e eksperimentit dhe analizen e Variances
• Ne kete kapitull do trajtojme tre tipe modelesh te rastit
• Modelet plotesisht te rastit
• Modelet e blloqeve te rastit
• Eksperimentet me disa faktore

3
Hyrje ne modelimin e eksperimentit dhe analizen e Variances
• Faktori eshte variabli qe eksperimentuesi ka zgjedhur per vrojtim.
• Trajtimi i korespondon nivelit te faktorit ne shqyrtim
• Njesite e eksperimentit jane objektet e interesit ne eksperiment.

• Nje model plotesishti rastit eshte nje model eksperimental ne te cilin trajtimet
jane plotesisht rastesore ne njesite e eksperimentit.

4
Analiza e Variances: Një përmbledhje konceptuale
• Analiza e Variances (ANOVA) perdoret per te testuar barazine e mesatareve
te tre ose me shume popullimeve
• Ne kete analize perdoren te dhenat e perftuara nga vrojtimi ose
eksperimenti.
• Do perdorim rezultatet e zgjedhjes per te testuar hipotezen e meposhteme:
H0: 1 = 2 = 3 = . . . = k
Ha: Jo te gjitha mesateret e popullimeve jane te barabarta

5
 Analiza e Variances: Nje permbledhje konceptuale
H0: 1 = 2 = 3 = . . . = k
Ha: Jo te gjitha mesataret e popullimeve jane te barbarta

• Nqs H0 hidhet poshte nuk mund te themi qe te gjitha mesataret e popullimeve ndryshojne.

• Hedhja poshte e H0 nenkupton qe te pakten dy mesatare popullimesh ndryshojne.

6
Analiza e Variances: Nje permbledhje konceptuale
Supozimet e Analizes se Variances

• Variabli qe shqyrtohet ne secilin popullim ka shperndarje normale.

• Varianca e variablit qe shqyrtohet shenohet me  2, eshte e njejte per

secilin popullim.
• Vrojtimet duhet te jene te pavarura.

7
Analiza e Variances: Nje permbledhje konceptuale

Kur H0 eshte e vertete mesataret e

zgjedhjeve jane afersisht te barabarta sepse
kane te njejten shperndarje zgjedhje.

8
Analiza e Variances: Nje permbledhje konceptuale

Kur H0 eshte false mesataret e zgjedhjeve jane jo te aferta

sepse ato vijne nga shperndarje zgjedhjesh te ndryshme.

3 1 2

9
Analiza e Variances dhe modelet plotesisht te rastit
• Vleresimi i variances midis trajtimeve
• Vleresimi i variances brenda trajtimeve
• Krahasimi i vleresimeve te variancave: kriteri F
• Tabela ANOVA

10
Vleresimi i variances midis Trajtimeve
• Nje vleresim i  2 variances se popullimit bazuar ne variacionin e mesatareve te
zgjedhjeve quhet ndryshe katrori mesatar per trajtimet ( ne rezultatet e
eksperimentit) dhe shenohet me KMTR. ( Ne rezultatet e vrojtimit kjo quhet
KMM, Katrori mesatar midis zgjedhjeve)

Ne rezultatet e eksperimentit, numeruesi quhet Shuma e

katroreve midis trajtimeve dhe shenohet (SKTR) ( ne rezultatet e
vrojtimit kjo quhet SKM, Shuma e katroreve midis zgjedhjeve)

Emeruesi jane shkallet e lirise te SKTR. Ku k eshte numri i

trajtimeve

11
Vleresimi i variances brenda Trajtimeve
• Nje vleresim i  2 varinaces se popullimit bazuar ne variacionin e vrojtimeve te
zgjedhjeve brenda cdo zgjedhje quhet ndryshe dhe katrori mesatar i gabimit
dhe shenohet me KMG ( ne rezultatet e eksperimentit) . (Ne rezultatet e
vrojtimit kjo quhet KMB, Katrori mesatar brenda zgjedhjeve)

Ne rezultatet e vrojtimit, numeruesi quhet shuma e katroreve

te gabimit (SKG). Ne rezultatet e vrojtimit kjo quhet SKB, Shuma
e katroreve brenda zgjedhjeve

Emeruesi jane shkallet e lirise te SKG

12
Krahasimi i vleresimeve te variances: Kriteri F

• Nqs hipoteza zero eshte e vertete dhe supozimet per ANOVA-n plotesohen,
raporti KMTR/KMG ( ne rezultatet e eksperimentit) ose KMM/KMB ( ne
rezultatet e vrojtimit) ka shperndarje F me shkalle lirie per KMTR te barabarte
me k - 1 dhe per KMG te barabarte me nT - k.
• Nqs mesataret e k popullimeve jane jo te barabarta, vlera e KMTR/KMG do te
tentoje te jete me e madhe sepse KMTR perben nje mbivleresim per  2.
• Keshtu hipoteza H0 do te hidhet poshte nqs gjejme nje vlere teper te madhe te
raportit KMTR/KMG, e cila nuk mund te kete ardhur nga nje zgjedhje e rastit me
shperndarje F me numer te shkalleve te lirise per numeruesin k-1 dhe
emeruesin nT – k.

13
Krahasimi i variancave te vleresuara: Kriteri F
• Shperndarja e zgjedhjes e KMTR/KMG

Hidhet poshte H0
Pranohet H0 
KMTR/KMG
F
Vlera kritike

14
Tabela ANOVA per modelet plotesisht te rastit

SKT = SKTR + SKG. nT – 1= (k – 1)+(nT – k)

15
Tabela ANOVA per modelet plotesisht te rastit

• Formula per llogaritjen e SKT me te dhenat e zgjedhjes eshte :

16
Tabela ANOVA per modelet plotesisht te rastit ( Vrojtim)

SKT = SKM + SKB nT – 1= (k – 1)+(nT – k)

17
Tabela ANOVA per modelet plotesisht te rastit
• ANOVA mund te shihet si nje proces i shumave te katroreve dhe shkalleve te
lirise perkatesisht te trajtimeve dhe gabimit.

• Pjestimi i shumave te katroreve me shkallet perkatese te tyre te lirise jane

vleresime te variances  2 dhe vlera e F perdoret per te testuar hipotezen e
barazise se mesatareve te popullimeve.

18
Kontrolli per barazine e k mesatareve te popullimeve
• Hipotezat
H0: 1 = 2 = 3 = . . . = k
Ha: Jo te gjitha mesataret e popullimeve jane te barabarta

• Kriteri
F = KMTR/KMG

19
Kontrolli per barazine e k mesatareve te popullimeve
• Rregulli i hedhjes poshte te H0

Me vleren e p: H0 hidhet poshte nese vlera e p < 

Me vleren kritike: H0 hidhet poshte nese F > F

Ku vlera F gjendet ne tabelen e shpernadrjes se F

me k - 1 shkale liri te numeruesit dhe nT - k emeruesit

20
Kontrolli per barazine e k mesatareve te popullimeve.
Modeli plotesisht i rastit
• Shembull: AutoShine, Inc. (kompani per pastrimin e makinave)

AutoShine, Inc. eshte duke konsideruar te marketoje nje metode pastrimi

qe zgjat ne kohe. Tre lloje te ndryshme pastrimesh jane zhvilluar nga
kompania (Tipi 1, Tipi 2, and Tipi 3). Per te kontrolluar kohezgjatjen e secilit tip
pastrimi, 5 makina pastruan sipas Tipit 1, 5 sipas Tipit 2, dhe 5 makina sipas
Tipit 3. Koha qe i duhet seciles makine sipas tipit te pastrimit jepet si me
poshte.

21
Kontrolli per barazine e k mesatareve te popullimeve.
Modeli plotesisht i rastit.
• Shembull: AutoShine, Inc.

AutoShine, Inc. duhet te vendosi cilin tip pastrimi te marketoj. A jane tre tipet
e pastrimit njesoj efektive?

Faktor . . . Pastrimi i makines

Trajtimet . . . Tipi 1, Tipi 2, Tipi 3
Njesite e eksperimentit. . Makinat
Variabli . . . Kohezgjatja e pastrimit
(min.)

22
Kontrolli per barazine e k mesatareve te popullimeve:
Modeli plotesisht i rastit
pastrimi pastrimi pastrimi
vrojtimet Tipi 1 Tipi 2 Tipi 3
1 27 33 29
2 30 28 28
3 29 31 30
4 28 30 32
5 31 30 31

Mesatarja e zgjedhjes 29.0 30.4 30.0

Varianca e zgjedhjes 2.5 3.3 2.5

23
Kontrolli per barazine e k mesatreve te popullimeve.
Modeli plotesisht i rastit.
• Hipotezat
H0: 1 = 2 = 3
Ha: Jo te gjitha te barabarta
ku:
1 = kohezgjatja mesatare e pastrimit sipas Tipit 1
2 = kohezgjatja mesatare e pastrimit sipas Tipit 2
3 = kohezgjatja mesatare e pastrimit sipas Tipit 3

24
Kontrolli per barazine e k mesatareve te popullimeve.
Modeli plotesisht i rastit.
• Shuma e katroreve midis trajtimeve
mesatarja e zgjedhjeve eshte e barabarte:

SKTR = 5(29–29.8)2 + 5(30.4–29.8)2 + 5(30–29.8)2 = 5.2

KMTR= 5.2/(3 - 1) = 2.6
• Shuma e katrorit te gabimit
SKG = 4(2.5) + 4(3.3) + 4(2.5) = 33.2
KMG = 33.2/(15 - 3) = 2.77

25
Kontrolli per barazine e k mesatareve te popullimeve.
Modeli plotesisht i rastit.
• Rregulli i hedhjes poshte te H0
Vlera e p : Hidhet poshte H0 nese vlera e p < .05
Me vleren kritike: Hidhet poshte H0 nese F > 3.89

ku F.05 = 3.89 e gjejme tek tabela e shperndarje se F me 2 shkalle

lirie te numeruesit dhe 12 shkalle lirie te emeruesit

26
Kontrolli per barazine e k mesatareve te popullimeve.
Modeli plotesisht i rastit.
• Kriteri
Vlera faktike e kriterit F = KMTR/KMG = 2.60/2.77 = .939
• Perfundimi
Vlera e p eshte me e madhe se .05, ku F = .939 < F = 3.89
vlera kritike F e gjetur ne tabele per α=. 05
(Excel jep nje vlere te p= .42) Pra Hipoteza H0 nuk
refuzohet.
Pra nuk kemi evidenca te mjaftueshme per te konkluduar qe
kohezgjatja mesatare e pastrimeve per tre tipet eshte e
ndryshme.

27
Kontrolli per barazine e k mesatareve te popullimeve.
Modeli plotesisht i rastit
• Tabela ANOVA
Burimi i Shamat e Shkallet e Katrori
Variacionit katroreve lirise mesatar F p-Value

Trajtimet 5.2 2 2.60 .939 .42

Gabimi 33.2 12 2.77

Total 38.4 14

28
Kontrolli per barazine e k mesatareve te k popullimeve.
Nje rast studimor.
• Shembull: kompani prodhimi
Pronari i kompanise kerkon te dije nese ka ndryshime te rendesishme ne
numrin mesatar te oreve te punes ne jave ne tre departamente te tij. Perdorni
kriterin F per te kontrolluar nese ka ndryshime te rendesishme te numrit
mesatar te oreve te punes ne jave midis tre departamenteve duke perdorur
 = .05.

29
Kontrolli per barazine e k mesatareve te k popullimeve.
Nje rast studimor.
• Shembull: kompani prodhimi
U zgjodhen rastesisht pese punonjes ne secilin nga tre departamentet e tij. Per
secilin prej tyre ne tabelen me poshte tregohet numri i oreve te punes ne jave

Faktori . . . Kompania e prodhimit

Trajtimet . . . Departamenti 1; Departamenti 2; Departamenti 3
Njesite e eksperimentit. . . Punonjesit
Variabli. . . Numri i oreve te punes

30
Kontrolli per barazine e k mesatareve te k popullimeve.
Nje rast studimor.

Dep 1 Dep2 Dep 3

Vrojtimet
1 48 73 51
2 54 63 63
3 57 66 61
4 54 64 54
5 62 74 56
Mesatarja e zgjedhjes 55 68 57
Varianca e zgjedhjes 26.0 26.5 24.5

31
Kontrolli per barazine e k mesatreve te k popullimeve.
Nje rast studimor.
• Vlera e p dhe vlera e kriterit
1. Hipotezat.
H0: 1 = 2 = 3
Ha: jo te gjitha te barabarta
ku:  1 = numri mesatar i oreve te punes ne jave ne Dep 1
 2 = numri mesatar i oreve te punes ne jave ne Dep 2
 3 = numri mesatar i oreve te punes ne jave ne Dep 3

32
Kontrolli per barazine e k mesatareve te k popullimeve.
Nje rast studimor.
• Vlera e p dhe vlera e kriterit
2. Niveli I rendesise :  = .05
3. Llogarisim KMTR:
Shuma e katroreve midis Trajtimeve
(numri i njesive te zgjedhura ne cdo zgjedhje eshte i njejte.)

SKTR = 5(55 - 60)2 + 5(68 - 60)2 + 5(57 - 60)2 = 490

KMTR= 490/(3 - 1) = 245

33
Kontrolli per barazine e k mesatareve te k popullimeve.
Nje rast studimor
• p -Value dhe vlera e kriterit
3. Llogarisim KMG dhe me pas vleren faktike te kriterit F

SKG = 4(26.0) + 4(26.5) + 4(24.5) = 308

KMG = 308/(15 - 3) = 25.667
F = KMTR/KMG = 245/25.667 = 9.55

34
Kontrolli per barazine e k mesatareve te k popullimeve.
Nje rast studimor
• Tabela ANOVA

Burimi i Shumat e Shkallet e Katrori

variacionit katroreve lirise mesatar F p-Value
Trajtimet 490 2 245 9.55 .0033
Gabimi 308 12 25.667

Totali 798 14

35
Kontrolli per barazine e k mesatreve te k popullimeve.
Nje rast studimor
• Me vleren e p
4.Shohim ne tabele vleren e p.
Vlera e p eshte .0033 shohim qe vlera e p < α = .05
keshtu hedhim poshte H0.

36
Kontrolli per barazine e k mesatreve te k popullimeve.
Nje rast studimor
• Vlera kritike
5. Hedhja poshte e H0 me ane te vleres kritike
Bazuar ne shperndarjen e F me 2;12 shkalle lirie
F.05 = 3.89. Hidhet poshte H0 nese F > 3.89

6. Hedhim poshte H0.

sepse vlera faktike e F = 9.55 > 3.89
Perfundimi: Numri mesatar ne jave i punonjesve te tre
departamenteve nuk eshte i barabarte.

37
 Procedurat e krahasimeve te shumefishta
• Supozojme se eshte hedhur poshte hipoteza H0.

• Procedura e ndryshimit me te vogel te rendesishem te Fisherit (NVR) perdoret

per te percaktuar se ku ndodh ndryshimi.

38
 Procedura NVR
• Hipotezat
H0: i = j

• Kriteri

39
 Procedura NVR
• Rregulli i hedhjes poshte te hipoteze zero:
Me vleren e p : Hidhet poshte H0 nese vlera e p < 

Me vleren kritike: Hidhet poshte H0 nese t < -t/2 or t > t/2

Ku vlera e t/2 bazohet ne
shperndarjen studenti t me
nT - k shkall lirie

40
 Procedura NVR
• Hipotezat H0: i = j

• Kriteri

• Rregulla e
refuzimit te H0:
ku

41
• Shembull: kompani prodhimi
Kujtojme se pronari donte te dinte se ne cilat departamente ndryshimi midis
numrit mesatar te oreve te punes ne jave ishte i rendesishem.

Analiza e variances me lart hodhi poshte hipotezen H0

Procedura (NVR) mund te perdoret per te gjetur ku ndodh ndryshimi.

42
 Procedura (NVR)
Per  = .05 dhe nT - k = 15 – 3 = 12
shkalle lirie, t.025 = 2.179

43
 Procedura (NVR)
• NVR per Dep 1 and 2
• Hipoteza(A) H0: 1 = 2

• Rregulli I hedhjes
poshte
• Kriteri
• Perfundimi Numri mesatar i oreve te punes ne jave ne Dep 1
eshte i ndryshem nga ai ne Dep 2.

44
• NVR per Dep 1 dhe 3
• Hipoteza (B) H0: 1 = 3

• Rregulli i hedhjes
• poshte
• Kriteri
• Perfundimi Nuk ka diference te rendesishme midis numrit
mesatar te oreve te punes ne jave ne Dep1 dhe
Dep 3.

45
• NVR per Dep 2 dhe 3
• Hipoteza (C) H0: 2 = 3

• Rregulli I hedhjes
• poshte
• Kriteri

• Perfundimi Numri mesatar i oreve te punes ne jave ne Dep 2

eshte i ndryshem nga ai ne Dep 3.
.

46
 Modelet e blloqeve të rastit
• Njësitë e eksperimentit janë objektet e interesit në eksperiment.
• Një model plotësisht i rastit është një model eksperimenti ku trajtimet
trajtohen rastësisht në njësitë e eksperimenti.
• Nëse njësitë e eksperimentit janë heterogjene, blloqet mund të përdoren per
të formuar grupe homogjene duke marë keshtu një model blloku të rastit.

47
 Modelet e blloqeve të rastit
• Procedura ANOVA
– Në një model të blloqeve të rastit shuma e katrorëve total (SKT) përbëhet nga
tre grupe: shuma e katrorëve midis trajtimeve, shuma e katrorëve midis blloqeve,
dhe shuma e katrorëve të gabimeve.

SKT= SKTR + SKBL + SKG

• Shkallët e lirisë në total nT - 1, përbëhen nga k - 1 shkallë lirie të trajtimeve,

b - 1 shkallë lirie të blloqeve, dhe (k - 1)(b - 1) shkallë lirie të gabimit.

48
 Modelet e blloqeve te rastit
• Tabela ANOVA
Burimi i Shumat e Shkallët e Katroti p-
variacionit katrorëve lirisë mesatar F Value

Trajtimet SKTR k-1

Blloqet SKBL b-1

gabimi SKG (k – 1)(b – 1)

Totali SKT nT - 1

49
 Modelet e blloqeve te rastit
• Shembull: Kastrati kompani.
Kastrati kompani ka zhvilluar tre perzierje te reja te benzines dhe duhet te
vendose se cilen perzierje ose cilat perzierje duhet te prodhoje dhe
shperndaje. Eshtë bere nje studim i vleresimeve te km /gallon per tre
perzierjet . Kjo behet per te percaktuar nese kilometrazhi mesatar i
pershkruar eshte i njejte per tre përzierjet.

50
 Modelet e blloqeve të rastit
• Shëmbull : Kastrati kompani.
Pesë makina jane testuar duke përdorur të tre llojet e përzierjeve dhe eshte
matur numri i km per gallon , qe pershkruan

Faktori . . . Përzierja e benzinës

Trajtimet . . . Përzierja X, Përzierja Y, Përzierja Z
Blloqet . . . Makinat
Variabli. . . Km per cdo gallon perzierje

51
 Modelet e blloqeve të rastit
Tipet e perzierjes(Trajtimet)
Makinat Mesataret
(Blloqet) Perzierja X Perzierja Y Perzierja Z blloqeve
1 31 30 30 30.333
2 30 29 29 29.333
3 29 29 28 28.667
4 33 31 29 31.000
5 26 25 26 25.667

Mesataret e
Trajtimeve 29.8 28.8 28.4

52
 Modelet e blloqeve të rastit
• Katrori mesatar i trajtimeve
 x  x 
k
2
SKTR = b j Mesatarja e përgjitheshme e zgjedhjes është 29.
j =1
SKTR = 5[(29.8 - 29)2 + (28.8 - 29)2 + (28.4 - 29)2] = 5.2

 x  x 
b
2 KMTR = 5.2/(3 - 1) = 2.6
SKBL = k i
i =1 • Katrori mesatar i blloqeve
SKBL = 3[(30.333 - 29)2 + . . . + (25.667 - 29)2] = 51.33
KMBL = 51.33/(5 - 1) = 12.8
• Katrori mesatar i gabimit
SKG = 62 - 5.2 - 51.33 = 5.47
KMG= 5.47/[(3 - 1)(5 - 1)] = .68

53
 Modelet e blloqeve të rastit
• Tabela ANOVA

Burimi i Shumat e Shkallët e Katrori

variacionit katrorëve lirisë mesatr F p-Value

Trajtimet 5.20 2 2.60 3.82 .07

Blloqet 51.33 4 12.80
Gabimi 5.47 8 .68

Totali 62.00 14

54
 Modelet e blloqeve të rastit
• Rregulli i hedhjes poshtë të H0
Me p-Value : Hidhet poshtë H0 nëse p-value < .05
Me vlerën kritike: Hidhet poshtë H0 nëse vlera faktike e F > 4.46
Për  = .05, F.05 = 4.46
(me shkallë lirie 2;8)

55
 Modelet e blloqeve të rastit
• Kriteri
F = KMTR/KMG = 2.6/.68 = 3.82
• Përfundimi
p-value = .07 është më madhe se  = .05 . Atehere pranohet H0.
Vlera faktike e F = 3.82 < F.05 = 4.46 pra pranohet H0.

56
 Eksperimenti me disa faktore
• Ne disa eksperimente lind nevoja te nxirren konkluzione per me shume se nje
variabel ose faktor.
• Modelimi faktorial dhe procedura ANOVA jane vecanerisht te nevojshme te
perdoren ne rastin kur kerkohet te nxirren konkluzione per dy ose me shume
faktore ne te njejten kohe.
• Perdorimi i termit faktorial lidhet me faktin se kushtet eksperimentale
perfshijne te gjitha kombinimet e mundeshme te faktoreve te perfshire ne
eksperiment.
• Per shembull, nese faktori A ka a nivele dhe faktori B ka b nivele, atehere
eksperimenti do te perfshije ab kombinime te trajtimeve.

57
 Eksperimenti faktorial me dy faktorë
• Procedura ANOVA
• Procedura ANOVA për eksperimentin faktorial me dy faktorë njgjason me
modelin plotësisht të rastit dhe modelin e blloqeve të rastit.
• Ku shuma e katrorëve total (SKT) përbëhet nga:

SKT = SKA + SKB + SKAB + SKG

• Shkallët e lirisë të totalit, nT - 1, përbëhet nga (a – 1) shkallë lirie të Faktorit A,
(b – 1) shkallë lirie të Faktorit B, (a – 1)(b – 1) shkallë lirie të Bashkëveprimit,
dhe ab(r – 1) shkallë lirie të Gabimit.
nT – 1= (a – 1) + (b – 1) + (a – 1)(b – 1) + ab(r – 1)

58
 Eksperimenti faktorial me dy faktore
Burimi i Shumat e Shkallët e Katrori p-
variacionit katrorëve lirise mesatar F Value

Faktori A SKA a-1

Faktori B SKB b-1

Bashkëveprimi SKAB (a–1)(b–1)

Gabimi SKG ab(r – 1)

Totali SKT nT - 1

59
 Eksperimenti faktorial me dy faktore
• Hapi 1 Llogarisim shumën e katrorëve total

• Hapi 2 Llogarisim shumën e katrorëve për faktorin A

• Hapi 3 Llogarisim shumën e katrorëve për faktorin B

60
 Eksperimenti faktorial me dy faktore
• Hapi 4 Llogarisim shumën e katrorëve për bashkëveprimin

• Hapi 5 Llogarisim shumën e katrorëve për gabimin

SKG = SKT – SKA – SKB - SKAB

61
 Eksperimenti faktorial me dy faktorë
• Shembull:
Eshtë kryer një vrojtim në lidhje me pagat orare të punëtorëve në dy
industri dhe tre vendodhje të tyre. Që llimi i vrojtimit është të përcaktojë
nëse egzistojnë diferenca midis pagave sipas tipeve të industrisë dhe
vendodhjes së bashku. Të dhënat e zgjedhjes tregohen në tabelën më
poshtë .

62
 Eksperimenti faktorial me dy faktorë
• Shëmbull:

Industria Tiranë Durrës Elbasan (A) X I

I $12.10 $11.80 $12.90 12.08
I 11.80 11.20 12.70
I 12.10 12.00 12.20
II 12.40 12.60 13.00 12.4
II 12.50 12.00 12.10
II 12.00 12.50 12.70
( B) X j 12.15 12 12.6 X = 12.2

63
 Eksperimenti faktorial me dy faktore
• Faktoret
• Facktori A: Tipi i indrustisë (2 nivele) a=2
• Faktori B: Vendodhja (3 nivele) b = 2
• Përsëritja
• Secili eksperiment përsëritet 3 here r= 3

64
 Eksperimenti faktorial me dy faktorë
• Tabela ANOVA

Birimi i Shumat e Shkallët e Katrori

variacionit katrorëve lirisë mesatar F p-Value

Faktori A .50 1 .50 4.19 .06

Faktori B 1.12 2 .56 4.69 .03
Bashkëveprimi .37 2 .19 1.55 .25
Gabimi 1.43 12 .12

Totali 3.42 17

65
 Eksperimenti faktorial me dy faktorë
• Përfundimet duke prëdorur vlerat kritike
• Tipi i industrise: F = 4.19 < F = 4.75
Ho Pranohet. Mesataret nuk ndryshojnë sipas tipit të industrisë.
• Vendodhja: F = 4.69 > F = 3.89
Ho rrezohet. Mesataret ndryshojnë sipas vendodhjes.

• Bashkëveprimi: F = 1.55 < F = 3.89

Ho pranohet. Bashkëveprimi është jo i rëndësishëm.

66
 Eksperimenti faktorial me dy faktorë
• Perfundime duke perdorur p-Value
• Tipi I Industrisë: p-value = .06 >  = .05
Mesataret nuk ndryshojnë sipas tipit të industrisë.
• Vendodhja: p-value = .03 <  = .05
Mesataret ndryshojnë sipas vendodhjes.

• Bashkëveprimi: p-value = .25 >  = .05

Bashkëveprimi është jo i rëndësishëm.

67
68