VARIANCIAANALÍZIS

(ANOVA)

 módszercsalád
 több csoport várható értékeinek összehasonlítására szolgál
 akár több szempont (faktor) szerint → modellek
 hipotézisvizsgálat (általában több nullhipotézis!)
 próbastatisztika: F-próba (szórásnégyzetek hányadosa)
 alapelve: a csoportok közötti eltérés és a csoporton belüli
véletlen ingadozás összehasonlítása

BIOMETRIA2_ANOVA_egyfaktoros 11
 Egy faktor szerinti ANOVA

- több független mintánk van

- egy szempont szerint osztályozzuk
- a kétmintás t-próba kiterjesztése több csoportra

BIOMETRIA2_ANOVA_egyfaktoros 22
1. példa (veralv.sta)
Véralvadási idő (sec) négyféle diéta esetén
(Box-Hunter-Hunter: Statistics for Experimenters, J. Wiley, 1978, p. 165)

Szakmai kérdés: Statisztikai kérdés:

Befolyásolja-e a diéta H 0 : 1   2   3   4
véralvadási időt?
BIOMETRIA2_ANOVA_egyfaktoros 33
 Adatok ábrázolása: Box-plot (dobozos ábra)
72

70

68

66

64
CTIME

62

60

58

56 Median
25%-75%
Non-Outlier Range
54
Outliers
A B C D
Extremes
DIET

BIOMETRIA2_ANOVA_egyfaktoros 44
Szemléltető ábra az ANOVA alapgondolatához

BIOMETRIA2_ANOVA_egyfaktoros 55
 Jelölések
- csoportok száma: i  1r itt r=4
- csoporton belüli j  1 pi itt pl. p1=4
ismétlések száma:
- egyedi mérési adat: yij
pi
- csoportátlag:
y
j 1
ij

yi  
pi r pi

 y
i 1 j 1
ij
- összes mérés y  r
átlaga: p
i 1
i

- csoporton belüli
2 2 2
szórásnégyzetek: 𝑠1 , 𝑠2 , … , 𝑠𝑟
66
 csoportok: i  1r
ismétlések: j  1 pi
Az ANOVA alapelve

Csoporton belüli ingadozás varianciája

 y ij  yi 
pi
Az i-edik csoporton belüli ingadozás 2

varianciájának becslése: j 1
ˆ i2  si2 
(a csoport-átlagtól való eltérések) pi  1

Az egyesített csoportokon belüli szórásnégyzet (ha konstans):

y   s  p  1
2
 y i 2 csoporton belüli
ij i i
(within groups),
 y2  sR2  
i j i

p i
i r p
i
i r maradék vagy
error szórásnégyzet

BIOMETRIA2_ANOVA_egyfaktoros 77
 csoportok: i  1r
ismétlések: j  1 pi
Az ANOVA alapelve

Csoportok közötti ingadozás varianciája

r

A csoport-átlagoknak a közös átlagtól 

 i 
y  y 2

való eltéréséből becsülve (ha p=konst): ˆ y2  s y2  i 1

r 1
Emlék: Az egyedi érték ingadozásának varianciája
becsülhető a csoport-átlagok varianciájából:

p  yi  y   pi yi  y 

r 2 r 2

ˆ 2y  p * 2y ˆ 2y  s 2A  ps 2y  i 1 s 2A  i 1
r 1 r 1
csoportok közötti (between groups), általánosan
vagy az A faktor szórásnégyzete (ha pkonst)

BIOMETRIA2_ANOVA_egyfaktoros 88
 csoportok: i  1r
ismétlések: j  1 pi
Az ANOVA alapelve

Ha nincs különbség a csoportok között (azaz H0 igaz),

a csoport-átlagok is csak a véletlen ingadozás miatt térnek
el egymástól,
tehát s A és sR2 is ugyanúgy  y körül ingadozik,
2 2

hányadosuk pedig F-eloszlású lesz

r

 pi  y i  y 
2

s A2  i 1 (csoportok közötti)
s A2 r 1
F0  2
  y ij  yi  
2
sR
s R2 
i j (csoporton belüli)
p
i
i r

BIOMETRIA2_ANOVA_egyfaktoros 9 99
 Az ANOVA alapelve

Ha van különbség a csoportok között (azaz H1 igaz),

akkor s A2 nem  y2 ingadozik, hanem sokkal nagyobb lesz sR2 -nél.

s A2
F0  2  F  egyoldali próba!
sR

f(F)

F F
BIOMETRIA2_ANOVA_egyfaktoros 10
 ANOVA táblázat

Az eltérés forrása eltérés-négyzetösszeg szabadsági szórás-négyzet F

fokszám
A hatása SA s 2A
S A   pi  y i  y  s 
2 2
(csoportok r-1 r 1
A
közötti) i
sR2
Ismétlések SR
y  yi   s 
2 2
SR  pi  r  pi  r
(csoportokon R
ij
belüli) i j i i

Teljes
S 0     y ij  y 
2
p
i
i 1
i j

A faktor hatása jelentős (elutasítjuk a H0 nullhipotézist), ha:

s A2 / s R2  Fkrit

BIOMETRIA2_ANOVA_egyfaktoros 11 11
 Kiegyensúlyozott terv: p1=p2=...=pr=p

Az eltérés eltérés- szabadsági szórásnégyzet F

forrása -négyzetösszeg fok

S A  p  y i  y  s 2A
2
A hatása r-1 SA
(csoportok s 2

r 1
A
közötti)
i
sR2
S R     y ij  y i 
2
Ismétlések r(p-1) S
(csoportokon s 
2 R
r  p  1
i j R
belüli)
S 0     y ij  y 
2
rp-1
Teljes i j

BIOMETRIA2_ANOVA_egyfaktoros 12 12
 1. példa megoldása „papíron, kézzel” kiszámolva

σ 2 2 2
𝑖 𝑝𝑖 (𝑦𝑖∙ − 𝑦∙∙ ) 4 ∙ (61 − 64) + ⋯ + 8 ∙ (61 − 64)
𝑠𝐴2 = = = 76
𝑟−1 4−1

σ 2
2 𝑖 𝑠𝑖 (𝑝𝑖 − 1) 3,33 ∙ 3 + 8 ∙ 5 + 2,8 ∙ 5 + 6,86 ∙ 7
𝑠𝑅 = = = 5,60
σ𝑖 𝑝𝑖 − 𝑟 24 − 4
2
σ𝑝𝑗=1
1
𝑦1𝑗 − 𝑦1⋅
𝑠12 = =
𝑝1 − 1
(62 − 61)2 + ⋯ + (59 − 61)2
= = 3,33
4−1
𝑠𝐴2 76
𝐹0 = 2 = = 13,6
𝑠𝑅 5,6
𝐹𝑘𝑟𝑖𝑡 (𝜈𝐴 = 3, 𝜈𝑅 = 20) = 3,1

H0-t elutasítjuk, azaz …

 1. példa eredménytáblázatai STATISTICA programmal / 1
Summary fülön: Descriptive cell statistics
Descriptive Statistics (Veralv)
Level of N CTIME CTIME CTIME ˆ y  ˆ y
i ij
pi
Effect Factor Mean Std.Dev. Std.Err
Total 24 64.00000 3.844816 0.784820
DIET A 4 61.00000 1.825742 0.912871
DIET B 6 66.00000 2.828427 1.154701
DIET C 6 68.00000 1.673320 0.683130
DIET D 8 61.00000 2.618615 0.925820

Summary fülön: Test all effects → ANOVA tábla

Univariate Tests of Significance for CTIME (Veralv)
Sigma-restricted parameterization r

 py  y 
2
Effective hypothesis decomposition
i i
SS Degr. of MS F p i 1
s A2 
Effect Freedom r 1
Intercept 92521.41 1 92521.41 16521.68 0.000000
DIET 228.00 3 76.00 13.57 0.000047 between
Error 112.00 20 5.60

 s  p  1
2
i i
within s 2
 i

 p r
R
BIOMETRIA2_ANOVA_egyfaktoros 14 14
i
 ANOVA modell

kísérleti (nemcsak mérési) hiba

y ij  Yi   ij   i   ij

mért érték igazi érték

várható érték

a faktor i-edik szintje (i-edik diéta)

az i-edik csoporton belüli j-edik ismétlés

BIOMETRIA2_ANOVA_egyfaktoros 15 15
1. átlag-modell: y ij   i   ij
H 0 : 1   2   3       r

2. hatás-modell: y ij     i   ij  i     i felbontással

i a faktor i-edik szintjének (i-edik diéta) hatása

 közös érték; r+1 paraméter
r

 p
i
i i 0 sum to zero

r  0 set to zero

H 0 :  i  0 , i  1,..., r

BIOMETRIA2_ANOVA_egyfaktoros 16 16
 A modell paramétereinek becslése

    yij  ˆ  ˆ i 2  min
r pi

Yˆi  ˆ  ˆ i
i j


 2  yij  ˆ  ˆ i   0
r pi

 i j

r pi r r

 y ij  ˆ  pi   piˆ i
sum to zero
i j i i =0

 y ij py. i i
ˆ  i j
 i
 y.. a várható érték becslése a főátlag
p i
i p i
i

BIOMETRIA2_ANOVA_egyfaktoros 17 17
 A modell paramétereinek becslése

    yij  ˆ  ˆ i 2  min
r pi

i j


 2   yij  ˆ  ˆ i   0
pi

ˆ i j
pi
pi yi.  
j
yij  ˆpi  piˆ i

hatások becslése a megfelelő átlagokkal

ˆ i  y i .  y .. csak r-1 független!

az i-edik csoport várható értékének becslése

Yˆi  ̂ i  y i
az i-edik csoport átlaga

BIOMETRIA2_ANOVA_egyfaktoros 18 18
 1. példa eredménytáblázatai STATISTICA programmal / 2
Summary fülön: Coefficients → a modell paramétereinek becslése
Parameter Estimates (Veralv)
r

 p
Sigma-restricted parameterization
Level of Column CTIME CTIME CTIME CTIME i i 0
Effect Effect Param. Std.Err t p i
Intercept 1 64.00000 0.497912 128.5367 0.000000 sum to zero
DIET A 2 -3.00000 0.973610 -3.0813 0.005889
DIET B 3 2.00000 0.845330 2.3659 0.028195 sigma-restricted
DIET C 4 4.00000 0.845330 4.7319 0.000128

Parameter Estimates (Veralv)

(*Zeroed predictors failed tolerance check)
Over-parameterized model
Level of CTIME CTIME CTIME CTIME
Effect Effect Param. Std.Err t p
Intercept 61.00000 0.836660 72.90895 0.000000
DIET A 0.00000 1.449138 0.00000 1.000000
DIET B 5.00000 1.278019 3.91230 0.000864
DIET C 7.00000 1.278019 5.47723 0.000023
DIET D 0.00000

4  0 set to zero
BIOMETRIA2_ANOVA_egyfaktoros
overparameterized
19 19
Konfidencia-intervallum az egyes csoportok várható értékére

Pontbecslés: Yˆi  ̂ i  y i

yi    i 2 s2
Intervallumbecslés: t sy 
i pi
s y i
szab. fok:
si2 egyes csoportokon belüli szórásnégyzet pi  1
s2 ?
s R2 egyesített szórásnégyzet (jobb becslés) p
i
i r

Az i-edik csoport várható értékének konfidencia-intervalluma:

yi  t 2 sR pi  i  yi  t 2 sR pi

BIOMETRIA2_ANOVA_egyfaktoros 20 20
Konfidencia-intervallum számítása pl. az „A” diéta várható értékére:

P(𝑦1⋅ − 𝑡𝛼Τ2 𝑠𝑅 Τ 𝑝1 < 𝜇1 ≤ 𝑦1⋅ + 𝑡𝛼Τ2 𝑠𝑅 Τ 𝑝1 )=0,95

P( 61−2,086 ∗ 5,6Τ 4 < 𝜇1 ≤ 61 + 2,086 ∗ 5,6ൗ 4) = 0,95

P( 58,532 < 𝜇1 ≤ 63,468) = 0,95

BIOMETRIA2_ANOVA_egyfaktoros 21 21
 1. példa eredménytáblázatai STATISTICA programmal / 3

Means fülön: Observed, unweighted (plot) → konfidencia-intervallum a csoportok

DIET; LS Means várható értékeire
Vertical bars denote 0.95 confidence intervals
72

70

68

66
CTIME

64

62

60

58 DIET; Unweighted Means (Veralv)

Current effect: F(3, 20)=13,571, p=,00005
56 Effective hypothesis decomposition
A B C D
DIET CTIME CTIME CTIME CTIME N
DIET
Cell No. Mean Std.Err. -95,00% +95,00%
1 A 61,00000 1,183216 58,53185 63,46815 4
2 B 66,00000 0,966092 63,98477 68,01523 6
3 C 68,00000 0,966092 65,98477 70,01523 6
4 D 61,00000 0,836660 59,25476 62,74524 8
 ANOVA feltételezései
Modell:
y ij   i   ij
 az ij „hibák” várható értéke zérus

  e2 varianciájuk konstans (homoszkedaszticitás)

 az ij „hibák” csoportokon belül és csoportok között

is függetlenek egymástól
 az ij „hibák” normális eloszlásúak (nem az yij adatok!)

Ellenőrizni kell!

BIOMETRIA2_ANOVA_egyfaktoros 23 23
 ANOVA feltételezéseinek ellenőrzése

1. Homoszkedaszticitás:  e2  konst ?
a) Statisztikai próbákkal
Assumptions fülön: Homogeneity of variances ...

Bartlett-próba
Tests of Homogeneity of Variances (Veralv) érzékeny a
Effect: DIET
normális eloszlás
Hartley Cochran Bartlett df p
F-max C Chi-Sqr. feltételezésére
CTIME 2.857143 0.381125 1.667956 3 0.644081

Levene's Test for Homogeneity of Variances (Veralv)

Effect: DIET
Degrees of freedom for all F's: 3, 20
Levene-próba MS MS F p
Effect Error
CTIME 1.444444 2.050000 0.704607 0.560414
BIOMETRIA2_ANOVA_egyfaktoros 24 24
A feltételezések ellenőrzése a reziduumok vizsgálatával

1. Homoszkedaszticitás:  e2  konst ?
b) Becsült értékek – reziduumok (Pred & resids) ábrával
6
5
4
3
2
1
0
-1
-2
Raw Residuals

-3
-4
-5
-6
-7
60 61 62 63 64 65 66 67 68 69
Predicted Values

BIOMETRIA2_ANOVA_egyfaktoros 25 25
 A feltételezések ellenőrzése a reziduumok vizsgálatával

2. az ij „hibák” normális eloszlásúak-e?

Normal Probability Plot reziduumokra hisztogram

vagy Gauss-háló
3.0

2.5 5
.99
2.0
.95
1.5 4
1.0
.75
0.5 3
.55
0.0

-0.5 .35
No. of obs. 2
-1.0 .15
Expected Normal Value

-1.5
.05 1
-2.0
.01
-2.5
0
-3.0 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
X <= Category Boundary
Residual

BIOMETRIA2_ANOVA_egyfaktoros 26 26
 A feltételezések ellenőrzése a reziduumok vizsgálatával

3. az ij „hibák” függetlenek-e?

reziduumok a mérési sorrend

függvényében
6
5
reziduumok a mérést végző
4 laboratóriumok függvényében
3
6
2
5
1
4
0
3
-1
2
-2
CTIME, Resids
1
CTIME, Resids

-3
0
-4
-1
-5
-2
-6
-3
-7
-5 0 5 10 15 20 25 30 -4

ORDER -5

-6

-7
1 2
BIOMETRIA2_ANOVA_egyfaktoros LABOR 27 27
 Többszörös összehasonlítások

H 0 : 1   2   3   4 elutasítva → Hogyan tovább?

Mindegyik különböző vagy csak egy különbözik a többitől?

72

Példák az összehasonlításokra:
70

68

66

1   4 2  3 1   4  2   3 64

CTIME
62

2 2 60

58

56 Median
25%-75%
Non-Outlier Range
54
Outliers
A B C D
Extremes
DIET

Összehasonlítások típusai: tervezett vagy post hoc

→ szemléletbeli különbség
→ veszélyei
BIOMETRIA2_ANOVA_egyfaktoros 28 28
 Többszörös összehasonlítások kockázata

Ha az összehasonlítások függetlenek,
még nem jelenti azt, hogy a statisztikai próbák is függetlenek!

• egy összehasonlításra az elsőfajú hiba valószínűsége α* (pl. 0,05)

(individual error rate):

• hogy nem követünk el elsőfajú hibát: 1*

k
• hogy k független összehasonlítás egyikénél 1   * 
 
sem követünk el elsőfajú hibát:
k
• hogy k független összehasonlítás valamelyikénél   1  1   * 
 
elkövetünk elsőfajú hibát
(family error rate)
pl. k = 6-nál: 1  1  0,05  0,265
6

BIOMETRIA2_ANOVA_egyfaktoros 29 29
Nem független összehasonlítások esetén

  k * Bonferroni-egyenlőtlenség

pl. 6 nem független összehasonlításra   6  0,05  0,3

BIOMETRIA2_ANOVA_egyfaktoros 30 30
Hasonlítsuk össze a 2. és a 3. diétát!

H0 : 𝜇2 = 𝜇3
?
𝑦2⋅ − 𝑦3⋅ 1 1
𝑡0 = 𝑠𝑦22⋅ −𝑦3⋅ =𝑠 2
+
𝑠𝑦2⋅ −𝑦3⋅ 𝑝2 𝑝3

s22 és s32 egyesítésével a szabadsági fok n2+n3-2=6+6-2=10 lenne,

sR2 szabadsági foka ෍ 𝑝𝑖 − 𝑟 = 24 − 4 = 20

𝑖

BIOMETRIA2_ANOVA_egyfaktoros 31 31
Módosított kétmintás t-próba:
LSD-próba (Least Significant Difference)

𝑦2⋅ − 𝑦3⋅ 66 − 68
𝑡0 = = = −1,464
1 1 1 1
𝑠𝑅 + 5,6 +
𝑝2 𝑝3 6 6

𝜈=20
𝑡0,05/2 = 2,086

Döntés?

BIOMETRIA2_ANOVA_egyfaktoros 32 32
Többszörös összehasonlítások a Statistica programban / 1
LSD test; variable CTIME (Veralv)
Probabilities for Post Hoc Tests
Post-hoc fülön: LSD teszt Error: Between MS = 5.6000, df = 20.000
DIET {1} {2} {3} {4}
Cell No. 61.000 66.000 68.000 61.000
Az összes párra elvégzi 1 A 0.003803 0.000181 1.000000
az összehasonlítást 2
3
B 0.003803
C 0.000181 0.158776
0.158776 0.000864
0.000023
4 D 1.000000 0.000864 0.000023

Post-hoc fülön: Bonferroni

Bonferroni test; variable CTIME (Veralv)

  k *
Probabilities for Post Hoc Tests
Error: Between MS = 5.6000, df = 20.000
DIET {1} {2} {3} {4}
Cell No. 61.000 66.000 68.000 61.000
1 A 0.022815 0.001083 1.000000 k *  6  0,003803  0,022815
2 B 0.022815 0.952656 0.005182
3 C 0.001083 0.952656 0.000139
4 D 1.000000 0.005182 0.000139

BIOMETRIA2_ANOVA_egyfaktoros 33 33
 Kontrasztok

Az összehasonlítások általánosítása:

H 0k :  cik  i  0 k-adik nullhipotézis

i

c
i
ik 0 cik kontraszt-együtthatók

C k   cik yi Ck kontraszt

i

Pl. H 10 :  2   3  0
C 1  y 2   y 3 c11=0, c21=1, c31=-1, c41=0

BIOMETRIA2_ANOVA_egyfaktoros 34 34
Kontrasztokra vonatkozó hipotézisvizsgálat:

C k   cik yi E C k    cik  i

i i

H 0k : E C k    cik  i  0
i

c ik yi 
t0  i

sR  ik pi
c 2

Függetlenek az összehasonlítások, ha
ortogonálisak a kontrasztok, ha minden kl-re c
i
c 0
ik il

BIOMETRIA2_ANOVA_egyfaktoros 35 35
Többszörös összehasonlítások a Statistica programban / 2
Planned comps fülön: Specify contrasts

Between Contrast Coefficients (Veralv in Veralv)

Coefficients for each cell in the selected effect
Cell No. DIET Cell N CNTRST1
1 A 4 0
2 B 6 -1
3 C 6 1
H0 : 𝜇3 −𝜇2 = 0
4 D 8 0

Contrast Estimates (Veralv in Veralv)

Dependent variable: CTIME
Estimate Std.Err t p
Contrast
CNTRST1 2,000000 1,366260 1,463850 0,158776

BIOMETRIA2_ANOVA_egyfaktoros 36 36
Többszörös összehasonlítások a Statistica programban / 3

Between Contrast Coefficients (Veralv in Veralv)

Coefficients for each cell in the selected effect
Cell No. DIET Cell N CNTRST1
1 A 4 1 𝜇1 +𝜇4 𝜇2 +𝜇3
2 B 6 -1 H0 : − =0
3 C 6 -1 2 2
4 D 8 1
H0 : 𝜇1 −𝜇2 −𝜇3 +𝜇4 = 0

Contrast Estimates (Veralv in Veralv)

Dependent variable: CTIME
Estimate Std.Err t p
Contrast
CNTRST1 -12,0000 1,991649 -6,02516 0,000007

BIOMETRIA2_ANOVA_egyfaktoros 37 37
 Kimutatható különbség és a próba ereje

H 0 : 1   2   3   4 elfogadva → Hogyan tovább?

„Emlékek”:
Mitől függ a másodfajú hiba valószínűsége?
 Elsőfajú hiba valószínűségétől (𝛼)
 Kimutatandó különbségtől (∆)
 Varianciától (𝜎 2 )
 Mintaelem-számtól (n)
Próba ereje:
annak valószínűsége, hogy észreveszem a különbséget

BIOMETRIA2_ANOVA_egyfaktoros 38 38
1. Milyen valószínűséggel mutatható ki a csoportok között
egy adott különbség?
2. Mekkora különbség mutatható ki adott valószínűséggel?
Statistics>Power Analysis>Several Means, ANOVA 1-Way
1-Way ANOVA: Power Calculation
1-Way ANOVA (Fixed Effects)

1.0
Power vs. RMSSE (Alpha = 0.05, Groups = 4, N = 6) ← rögzítjük
.9

.8

.7 A kimutatandó
.6 különbséget
jellemző mérőszám:
Power

.5


.4
2
.3 i
RMSSE  i
.2

.1
r  1 e2
0.0
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2
39 39
Root Mean Square Standardized Effect (RMSSE) 39 39
  i
2

RMSSE  i
r  1 e2
y ij     i   ij

Pl. ha 1 = -3, 2 = 3, 3 = 4 = 0 és 𝜎𝑒2 = 5,6

RMSSE 
 32  32  02  02 
18
 1,035
4  1 5,6 3  5,6

Az előző diagramról leolvasva:

ehhez a próba ereje = 1-  0,95

De ha 1 = -1, 2 = 1, 3 = 4 = 0,
akkor RMSSE értéke már csak 0,345;
a próba ereje pedig már csak kb. 0,19.

BIOMETRIA2_ANOVA_egyfaktoros 40 40
 Sample Size Calculation
ANOVA, 1-W ay Milyen ismétlés-
Fixed Effects
Value számmal tudunk
Number of Groups 4.0000 ← rögzítjük adott különbséget
RMSSE 1.0350
Noncentrality Parameter (Delta) 32.1368 kimutatni?
Type I Error Rate (Alpha) 0.0500
Power Goal 0.9000
Actual Power for Required N 0.9308
Required Sample Size (N) 6.0000

41 41
 Kimutatható különbség számítása táblázattal
df numerator
df
denom.
1 2 3 4 5 6 10 20 50 (Több) rögzített
1
2
20.96
6.796
23.25
6.710
24.16
6.682
24.65
6.668
24.95
6.659
25.15
6.653
25.57
6.642
25.89
6.633
26.08
6.628
faktorokra
3 5.014 4.630 4.475 4.390 4.336 4.299 4.221 4.159 4.121
4 4.396 3.900 3.692 3.576 3.502 3.450 3.339 3.250 3.193

α = 0,05
5 4.092 3.538 3.301 3.166 3.079 3.018 2.886 2.777 2.707
6 3.913 3.324 3.068 2.921 2.825 2.757 2.609 2.486 2.405
7
8
3.795
3.712
3.183
3.084
2.914
2.805
2.759
2.643
2.656
2.535
2.583
2.458
2.423
2.288
2.287
2.142
2.197
2.044
β = 0,1
10 3.604 2.953 2.661 2.489 2.375 2.292 2.107 1.944 1.832
12 3.536 2.871 2.570 2.392 2.272 2.186 1.989 1.814 1.690
14
16
3.489
3.455
2.815
2.774
2.508
2.463
2.325
2.276
2.202
2.150
2.112
2.058
1.907
1.846
1.721
1.652
1.588
1.510
F-próba
18
20
3.429
3.409
2.743
2.718
2.428
2.401
2.239
2.210
2.111
2.080
2.017
1.984
1.800
1.762
1.598
1.554
1.449
1.399
számlálójának
22
24
3.393
3.380
2.698
2.682
2.379
2.361
2.186
2.166
2.054
2.033
1.957
1.935
1.732
1.707
1.519
1.489
1.357
1.322
és nevezőjének
26
28
3.368
3.359
2.669
2.657
2.346
2.333
2.150
2.136
2.016
2.001
1.917
1.901
1.686
1.667
1.464
1.442
1.292
1.265
szabadsági foka
30 3.351 2.647 2.322 2.124 1.988 1.888 1.652 1.423 1.242
40 3.322 2.613 2.283 2.082 1.944 1.841 1.597 1.355 1.159
60
80
3.295
3.281
2.580
2.563
2.246
2.227
2.042
2.022
1.900
1.878
1.794
1.772
1.542
1.515
1.287
1.252
1.070
1.022  hatás 
C
EMS nevező 
100 3.273 2.554 2.216 2.010 1.866 1.758 1.498 1.231 .9926
200 3.257 2.534 2.195 1.986 1.840 1.731 1.466 1.187 .9298
500 3.248 2.523 2.182 1.972 1.825 1.715 1.446 1.161 .8894
1000 3.245 2.519 2.178 1.967 1.820 1.709 1.439 1.152 .8754
 3.242 2.515 2.173 1.962 1.815 1.704 1.433 1.143 .8610 42 42
  hatás 
A táblázatban C értékei vannak
EMS nevező 

 C = az összes kísérletek száma / a hatás szintjeinek száma

(egyfaktoros ANOVA-nál: C = p)

 Φ (hatás) értelmezése: r

 i
 2

 ( A)  i y ij     i   ij
r 1
 EMS (nevező) = az F-próba nevezőjében szereplő
szórásnégyzet várható értéke
(egyfaktoros ANOVA-nál: 𝜎𝑒2 )

BIOMETRIA2_ANOVA_egyfaktoros 43 43
Számítsuk ki a kimutatható különbséget
a „véralvadás” példánkra:
- csoportok száma (i): 4
- ismétlések száma (j): 6
(most legyen kiegyensúlyozott terv)
- a számláló szabadsági foka: 4−1 = 3 𝑠𝐴2
𝐹0 = 2
- a nevezőé szabadsági foka: 4∙(6−1) = 20 𝑠𝑅

- a táblázatból kiolvasott érték: 2,401  hatás 

C
EMS nevező 
- 𝐶 = 24/4 =6
Φ hatás 2,4012 σ 𝛼𝑖2
= = 0,96 Φ hatás =
𝐸𝑀𝑆 nevező 6 𝑟−1
σ 𝛼𝑖2
= 0,96
𝑟−1 ∙ 𝜎𝑒2
BIOMETRIA2_ANOVA_egyfaktoros 44 44
 σ 𝛼𝑖2
= 0,96
𝑟−1 ∙ 𝜎𝑒2

෍ 𝛼𝑖2 = 2,88 ∙ 𝜎𝑒2

ha 2 szintre nézzük: 𝑦𝑖𝑗 = 𝜇 + 𝛼𝑖 + 𝜀𝑖𝑗

2 ∆
∆ 𝛼1 = −𝛼2 =
2∙ = 2,88 ∙ 𝜎𝑒2 2
2

∆= 2,4 ∙ 𝜎𝑒

azaz ha a faktor 2 szintje között az eltérés a véletlen (cellán

belüli) ingadozás szórásának kb. a két és félszerese vagy annál
nagyobb, akkor azt 90%-os valószínűséggel észrevesszük.
BIOMETRIA2_ANOVA_egyfaktoros 45 45