Ανάλυση Διακύμανσης

για 3 ή περισσότερα εξαρτημένα δείγματα

Μη-παραμετρικά κριτήρια
στη μονοπαραγοντική ανάλυση διακύμανσης

&
Εισαγωγή στη
Διπαραγοντική ανάλυση διακύμανσης
Δείτε οπωσδήποτε και τις διαφάνεις 11 (διόρθωση για διαφάνεια 2)
καθώς και τη διαφάνεια 12 που αφορά σε διαδικαστικά θέματα
με βάση τις νέες εξελίξεις

Κ. Μυλωνάς
Διάλεξη 3ης Ιουνίου 2020 0
 Μονοπαραγοντική ανάλυση διακύμανσης
με 3 επαναληπτικές μετρήσεις στο StatsExcelGR

1
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
 Πίνακας Ανάλυσης Διακύμανσης
(μονοπαραγοντική, εξαρτημένα δείγματα)
ΠΗΓΗ ΔΙΑΣΠΟΡΑΣ SS df MS F p η2
Μεταξύ Μετρήσεων (WS) 44459,810 2 22229,9 202,52 0,0000 0,43
Μεταξύ Ατόμων 102021,995 269 379,26 3,46 0,0000
Υπόλοιπο 59053,523 538 109,76
ΣΥΝΟΛΟ 205535,328 809

η2MM = SSMM / (SSMM+SSY) = 44459,81 / (44459,81 + 59053,523) = 0,43

Σημειώσεις
-Προσοχή στην ορολογία: WS=WithinSubjects (π.χ. στο SPSS) = Μεταξύ Μετρήσεων !!
-Οι επαναληπτικές μετρήσεις (ή τα εξαρτημένα δείγματα) εδώ είναι k

Η Μεταξύ Ατόμων διασπορά στο Γενικό Γραμμικό Υπόδειγμα (π.χ. SPSS) θεωρείται error term.

Προσοχή! Αν Χ=0 για όλες τις επαναληπτικές μετρήσεις, το StatsExcelGR εξαιρεί τον συμμετέχοντα.

Υπολογισμοί εντός του Πίνακα Ανάλυσης Διακύμανσης

ΠΗΓΗ ΔΙΑΣΠΟΡΑΣ SS df MS F p η2
Μεταξύ Μετρήσεων (WS) B b=k-1 B/b=X X/Z < ? B/(A+C)
Μεταξύ Ατόμων A a=N-1 A/a=P P/Z < ?
Υπόλοιπο C c=ab C/c=Z
ΣΥΝΟΛΟ D d=ak
2
Σφάλμα. Ακούστε και τη διαφάνεια 11
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
 Υπολογιστικές διαδικασίες στην μονοπαραγοντική
ανάλυση διακύμανσης για εξαρτημένα δείγματα

Προσοχή, Αναφέρομαι στον

υπολογισμό με λάθος τρόπο.
Ακούστε και τη διαφάνεια 11

3
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
Μονοπαραγοντική ανάλυση διακύμανσης
για εξαρτημένα δείγματα μέσω

Διόρθωση Greenhouse-Geisser
Διόρθωση Huynh-Feldt
4
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
Μονοπαραγοντική ανάλυση διακύμανσης
για εξαρτημένα δείγματα μέσω SPSS

5
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
 Πολλαπλές εκ των προτέρων συγκρίσεις στη
μονοπαραγοντική ανάλυση διακύμανσης για εξαρτημένα δείγματα
35 35

30 30

25 25

20 20

15 15

10 10

5 5

0 0
AGREE NEUR EXTR PS PS NEUR AGREE EXTR

6
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
 Μη-παραμετρικό στατιστικό κριτήριο Κruskal-Wallis H
Έστω ότι συγκρίνουμε το κοινωνικο-οικονομικό επίπεδο
(διαβαθμιστική μέτρηση, επίπεδο ordinal)
κατά ομάδα εργασιακής πίεσης (τρεις ανεξάρτητες ομάδες)

StatsExcelGR
Οι διαφορές είναι στατιστικώς ασήμαντες
επομένως, οι τρεις ομάδες εργασιακής
πίεσης δεν είναι διαφορετικές ως προς
το κοινωνικο-οικονομικό επίπεδο
των συμμετεχόντων σε αυτές.
Εδώ, αυτό έχει μεθοδολογική σημασία.
7
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
 Μη-παραμετρικό στατιστικό κριτήριο Friedman
Έστω ότι για Ν=15 συγκρίνουμε τη μνήμη
υπό τρεις συνθήκες θορύβου (χαμηλό, μέσο, υψηλό)
(εξαρτημένα δείγματα). Παραβιάζεται η στατιστική
συνθήκη της κανονικότητας
Κριτήριο Friedman (Anova)

XXXXXXX

Οι διαφορές είναι στατιστικώς σημαντικές

SPSS επομένως, οι τρεις μετρήσεις διαφέρουν
με την κατώτερη επίδοση στη μνήμη
υπό συνθήκες μέσου θορύβου.

8
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
 Εισαγωγή στη
Διπαραγοντική Ανάλυση Διακύμανσης
8

6
Μονοπαραγοντική
5

4
Διπαραγοντικός σχεδιασμός
3

0
g1 g2 g3 g4

80
Γυναίκες Άνδρες

70

60 Γυναίκες Άνδρες
50
Χαμηλή ΕΠ 67,71429 61,29167
40

30 Μέση ΕΠ 68,02128 41,45833

20
Υψηλή ΕΠ 63,2619 37,7907
10

0
ΧΕΠ ΜΕΠ ΥΕΠ

9
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
Διπαραγοντική Ανάλυση Διακύμανσης
Ένα πρώτο παράδειγμα

Στήλες (columns)

Σειρές (rows)
c1r1 c2r1 c3r1 r1
c1r2 c2r2 c3r2 r2
c1 c2 c3

ΗØ στήλες : μc1 = μc2 = μc3

ΗØ σειρές : μr1 = μr2
ΗØ αλληλεπίδρασης :
μc1r1 ÷ μc1r2 = μc2r1 ÷ μc2r2 = μc3r1 ÷ μc3r2

10
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
 Πίνακας Ανάλυσης Διακύμανσης
(μονοπαραγοντική, εξαρτημένα δείγματα)
ΠΗΓΗ ΔΙΑΣΠΟΡΑΣ SS df MS F p η2
Μεταξύ Μετρήσεων (WS) 44459,810 2 22229,9 202,52 0,0000 0,43
Μεταξύ Ατόμων 102021,995 269 379,26 3,46 0,0000
Υπόλοιπο 59053,523 538 109,76
ΣΥΝΟΛΟ 205535,328 809

η2MM = SSMM / (SSMM+SSY) = 44459,81 / (44459,81 + 59053,523) = 0,43

Σημειώσεις
-Προσοχή στην ορολογία: WS=WithinSubjects (π.χ. στο SPSS) = Μεταξύ Μετρήσεων !!
-Οι επαναληπτικές μετρήσεις (ή τα εξαρτημένα δείγματα) εδώ είναι k

Η Μεταξύ Ατόμων διασπορά στο Γενικό Γραμμικό Υπόδειγμα (π.χ. SPSS) θεωρείται error term.

Προσοχή! Αν Χ=0 για όλες τις επαναληπτικές μετρήσεις, το StatsExcelGR εξαιρεί τον συμμετέχοντα.

Υπολογισμοί εντός του Πίνακα Ανάλυσης Διακύμανσης

ΠΗΓΗ ΔΙΑΣΠΟΡΑΣ SS df MS F p η2
Μεταξύ Μετρήσεων (WS) B b=k-1 B/b=X X/Z < ? B/(A+C)
Μεταξύ Ατόμων A a=N-1 A/a=P P/Z < ?
Υπόλοιπο C c=ab C/c=Z
ΣΥΝΟΛΟ D d=Nk-1
11
Κ. Μυλωνάς, Διάλεξη 3ης Ιουνίου 2020
Θα σταματήσω τελικά τις διαλέξεις εδώ.
Δεν θα έχουμε μάθημα την ερχόμενη Τετάρτη 10 Ιουνίου
τόσο για να προετοιμαστείτε καλύτερα
όσο και για να διαμορφώσω δικαιότερα και ασφαλέστερα
τις πολυπληθείς παραμέτρους των εξετάσεων.
Θα ενημερώσω εν καιρώ και εγκαίρως για όλα τα περαιτέρω βήματα
μέσω ανακοινώσεων στο e-class.
Η εξεταστέα ύλη θα ανακοινωθεί το συντομότερο δυνατόν
με βάση και το πρόγραμμα των εξετάσεων.
ΠΡΟΣΟΧΗ, το πρόγραμμα που "κυκλοφόρησε" στις 29/5
ΔΕΝ ΙΣΧΥΕΙ.
Το Πρόγραμμα εξετάσεων
ανακοινώνεται ΜΟΝΟΝ από την Κοσμητεία και το Τμήμα.

Καλή δύναμη σε όλες και όλους.

12
Κ. Μυλωνάς, Διάλεξη 2ας Ιουνίου 2020