ANOVA
Vít Gabrhel
vit.gabrhel@mail.muni.cz
FSS MU,
7. 11. 2016
Harmonogram
1. ANOVA
2. Faktoriální ANOVA
ANOVA
Úvod
ANOVA = ANalysis Of VAriance
Slouží pro srovnání skupinových průměrů napříč 3 a více
skupinami/podmínkami
Dvě výchozí varianty:
Between design: oddělené, na sobě nezávislé skupiny
(ANOVA, ANCOVA, faktoriální ANOVA atd.)
Liší se jednotlivé kraje v ČR z hlediska průměrné mzdy?
Within design: srovnání skupinového průměru napříč
různými podmínkami (Repeated Measures ANOVA)
Lišily se průměrné výdaje domácností na pohonné hmoty
během posledních 5 let?
One-Way ANOVA
Data: Cognitive training
Four independent groups (8, 12, 17, 19 sessions)
Measured IQ before and after training
Dependent variable is IQ gain
Null hypothesis: All groups are equal (i.e. all groups have equal
IQ gain)
Alternative hypothesis: More training leads to larger IQ gain
One-Way ANOVA
Data: Cognitive training
setwd()
dir()
install.packages("readxl")
library("readxl")
excel_sheets("ANOVA.xlsx")
ANOVA = read_excel("ANOVA.xlsx", sheet = 1)
View(ANOVA)
ANOVA$condition2 = factor(ANOVA$condition, order = TRUE, levels = c("8
days", "12 days", "17 days", "19 days"))
One-Way ANOVA
F-test a F-Ratio
Null hypothesis: all groups are equal
ANOVA provides a significance test
Můžeme určit kritickou hodnotu (na určité hladině významnosti) a
testovat, zda ji hodnota F v našem výzkumu překračuje, tj. testovat
statistickou významnost nalezených rozdílů mezi skupinami
Test statistic is the F-test (or F-ratio)
Variance between groups
Variance within groups
F =
Poměr toho, co model vysvětlit dokáže, ku tomu, co vysvětlit nedokáže
Large F-ratio indicates significant effect
Čím vyšší F, tím více záleží na rozdělení lidí do jednotlivých skupin, tj.
tím více se skupiny od sebe liší v závislé proměnné
One-Way ANOVA
F-test a F-Ratio
Jak získáme příslušnou p-hodnotu?
Obdoba t-testu a "rodině" t-rozložení
"Rodina" F-rozložení se odvíjí od:
Počtu pozorování (případů) ve vzorku
Počtu srovnávaných skupin
One-Way ANOVA
F-test a F-Ratio
# Create the vector x
x <- seq(from = 0, to = 10, length = 2000)
# Evaluate the densities
y_1 <- df(x, 3, 100)
y_2 <- df(x, 1, 1)
y_3 <- df(x, 2, 100)
y_4 <- df(x, 3, 30)
y_5 <- df(x, 3, 500)
y_6 <- df(x, 3, 50)
y_7 <- df(x, 6, 1000)
# Plot the densities
plot(x, y_1, col = 1, type = "l")
lines(x, y_2, col = 2)
lines(x, y_3, col = 3)
lines(x, y_4, col = 4)
lines(x, y_5, col = 5)
lines(x, y_6, col = 6)
lines(x, y_7, col = 7)
# Add the legend
legend("topright", title = "F distributions",
c("df = (3, 100)", "df = (1, 1)", "df = (2, 100)", "df = (3, 30)",
"df = (3, 500)", "df = (3, 50)", "df = (6, 1000)"),
col = c(1, 2, 3, 4, 5, 6, 7), lty = 1)
One-Way ANOVA
Summary Table
One-Way ANOVA
F-test a F-Ratio
Prozkoumání dat
# Summary statistics by group
library(psych)
describeBy(ANOVA, group = ANOVA$condition2)
# Boxplot
library(ggplot2)
bp1 = ggplot(ANOVA, aes(condition2, iq))
bp1 + geom_boxplot(aes(fill=condition2), alpha=I(0.5)) +
geom_point(position="jitter", alpha=0.5) +
geom_boxplot(outlier.size=0, alpha=0.5) +
theme(
axis.title.x = element_text(face="bold", color="black", size=12),
axis.title.y = element_text(face="bold", color="black", size=12),
plot.title = element_text(face="bold", color = "black", size=12)) +
labs(x="Condition",
y = "IQ gain",
title= "IQ gain by the days of training") + theme(legend.position='none')
One-Way ANOVA
F-test a F-Ratio
Funkce aov
aov(dependent_var ~ independent_var)
summary()
# Apply the aov function
anova_wm <- aov(iq ~ condition2, data = ANOVA)
# Look at the summary table of the result
summary(anova_wm)
One-Way ANOVA
Velikost účinku
library( )
etaSquared(anova_wm, type = 2,
anova = FALSE)
lsr library( )
anova_wm2 <- lm(iq ~ condition2, data =
ANOVA)
r2(anova_wm2, n = NULL)
sjstats
One-Way ANOVA
Předpoklady použití
Povaha proměnných
"Závislá" proměnná kardinální úrovně měření
Normalita rozložení závislé proměnné
V rámci každé sledované skupiny
Narušení nepředstavuje závažný problém, pokud jsou skupiny stejně velké + mají velikost alespoň
okolo 30
Neparametrická alternativa – Kruskal-Wallisův test
Homogenita rozptylu
Sledujeme Levenův F-test, nulová hypotéza hovoří o homogenitě napříč skupinami
Pokud Levenův F-test vychází statisticky signifikantní:
Sledujeme poměr rozptylu u skupin s největším a nejmenším rozptylem, přičemž chceme,
aby byl tento poměr menší než 3
Narušení by nemělo vadit, pokud jsou skupiny stejně velké
Při narušení lze použít Welchovo F
Nezávislost pozorování
One-Way ANOVA
Předpoklady použití
install.packages("car")
library("car")
If you don't specify additional arguments, the deviation scores are
calculated by comparing each score to its group median.
This is the default behaviour, even though they are typically calculated
by comparing each score to its group mean.
If you want to use means and not medians, add an argument center
= mean. Do this now and compare the results to the first test.
# Levene's test
leveneTest(iq ~ as.factor(condition2), data = ANOVA)
# Levene's test with center = mean
leveneTest(iq ~ as.factor(condition2), data = ANOVA, center = mean)
One-Way ANOVA
Předpoklady použití
# Normalita rozložení
ggplot(data=ANOVA, aes(ANOVA$iq)) +
geom_histogram(breaks=seq(0, 20, by = 2),
col="red",
aes(fill=..count..)) +
scale_fill_gradient("Count", low = "green", high = "red")+
labs(title="Histogram for IQ Gain") +
labs(x="IQ Gain", y="Count") + theme(legend.position='none')
One-Way ANOVA
Welchův F-test
anova_wm_VNE = oneway.test(iq ~ condition2, data=ANOVA, var.equal=FALSE)
anova_wm_VNE
anova_wm_VE = oneway.test(iq ~ condition2, data=ANOVA, var.equal=TRUE)
anova_wm_VE
Post-Hoc testy
Úvod
Allow for multiple pairwise comparisons without an increase in the
probability of a Type I error
Používáme, pokud nemáme dopředu jasné hypotézy
Srovnávají vše se vším – každou skupinu s každou (ale neumí
slučovat skupiny jako kontrasty)
Z principu jsou oboustranné
Je jich mnoho – liší se v několika parametrech:
Konzervativní (Ch. II. typu) versus Liberální (Ch. I. typu)
Most liberal = no adjustment
Most conservative = adjust for every possible comparison that could
be made
Ne/vhodné pro rozdílně velké skupiny
Ne/vhodné pro rozdílné skupinové rozptyly
Post-Hoc testy
Doporučení podle Fielda
Stejně velké skupiny a skupinové rozptyly (ideální situace):
REGWQ
Tukey
Pokud si chceme být jistí, že P chyby I. typu nepřekročí zvolenou hladinu:
Bonferroni
Pokud jsou velikosti skupin trochu/hodně rozdílné:
Gabriel
Hochberg GT2
Pokud pochybujeme o shodnosti skupinových rozptylů:
Games-Howell
Post-Hoc testy
Tukey
# Conduct ANOVA
anova_wm = aov(iq ~ condition2, data = ANOVA)
# View summary
summary(anova_wm)
# Conduct Tukey procedure
tukey <- TukeyHSD(anova_wm)
# Plot confidence intervals
plot(tukey)
Post-Hoc testy
Bonferroni
# Use p.adjust
bonferroni_ex <- p.adjust(.005, method = "bonferroni", n = 8)
# Print bonferroni_ex
bonferroni_ex
# Pairwise t-test
pairwise.t.test(ANOVA$iq, ANOVA$condition2, p.adjust =
"bonferroni")
Kontrasty
Úvod
Umožňují porovnat jednotlivé skupiny v jednom kroku bez nutnosti
korigovat hladinu významnosti (bez snížení síly testu)
Jen když máme dopředu hypotézy
Kontrastů lze provést tolik, kolik je počet skupin – 1
Každý kontrast srovnává 2 průměry
Průměr skupiny nebo průměr více skupin dohromady
Např. "19 dnů" vs. "8 dnů" nebo "17 dnů" vs. "12 dnů"
Ortogonální (nezávislé) kontrasty
Skupina použitá v jednom srovnání není použitá v dalším
Neortogonální kontrasty
Kontrasty
Příklad
c1 = c(-1, 0, 0, 1)
c2 = c(0,-1,1,0)
mat <- cbind(c1,c2)
contrasts(ANOVA$condition2) <- mat
model1 <- lm(iq ~ condition2, data = ANOVA)
summary(model1)
options(contrasts = c("contr.helmert", "contr.poly"))
contrasts(ANOVA$condition2) <- "contr.helmert"
model1 <- lm(iq ~ condition2, data = ANOVA)
summary(model1)
Faktoriální ANOVA
Úvod
ANOVA s více kategorickými nezávislými proměnnými (faktory) nachází
uplatnění v experimentálních designech,
kde pracujeme s několika druhy experimentální manipulace
nebo kde chceme zohlednit kromě experimentální manipulace
i další proměnné (např. pohlaví)
Uplatnění v neexperimentálních designech, kde chceme posoudit
vliv více kategorických prediktorů najednou
Faktoriální ANOVA
Úvod
Dependent variable
Assess impact on driving error
Independent variable
Randomly assign people to different (simulated) driving conditions
Driving difficulty
Conversation demand
Two independent variables
One continuous dependent variable
Faktoriální ANOVA
Data
library("readxl")
excel_sheets("FANOVA.xlsx")
FANOVA = read_excel("FANOVA.xlsx", sheet = 1)
View(FANOVA)
FANOVA$conversation2 = factor(FANOVA$conversation, order = TRUE, levels =
c("None demand", "Low demand", "High demand"))
FANOVA$driving2 = factor(FANOVA$driving, order = TRUE, levels = c("Easy",
"Difficult"))
library(psych)
describeBy(FANOVA, group = FANOVA$conversation2)
describeBy(FANOVA, group = FANOVA$driving2)
Faktoriální ANOVA
Úvod
We can test 3 hypotheses:
More errors in the difficult simulator?
More errors with more demanding conversation?
More errors due to the interaction of driving difficulty and
conversation demand?
Faktoriální ANOVA
Úvod
Three F-ratios
FA = 1st Independent variable, i.e. driving difficulty
FB = 2nd Independent variable, i.e. conversation demand
FAxB = Interaction between FA and FB
Main effect
Effect of one independent variable ignoring the other one
Interaction effect
Effect of one independent variable depends on the other
Simple effect
Effect of one independent variable at a particular level of the
other
Faktoriální ANOVA
Interakce
V různých úrovních jednoho faktoru se rozdíly mezi úrovněmi druhého
faktoru liší (rozdíl rozdílů).
S měnící se úrovní jedné nezávislé proměnné se mění vliv druhé
nezávislé proměnné na závislou proměnnou
Nezávislá proměnná nemusí mít žádný hlavní efekt (main effect)
na závislou proměnnou, ale může ji ovlivňovat tím, že ovlivňuje vliv
druhé nezávislé
Při interpretaci interakcí je obvykle velmi užitečné znázornění formou
grafu.
Faktoriální ANOVA
F-ratio's a Interakce
ggplot(FANOVA,aes(x=factor(conversation2),y=errors,fill=factor(driving2)),
color=factor(vs)) +
stat_summary(fun.y=mean,position=position_dodge(),geom="bar") +
scale_y_continuous("Errors done while driving") +
scale_x_discrete("Conversation difficulty") +
scale_fill_discrete(name ="Driving difficulty", labels=c("Easy", "Difficult"))
Factorial_ANOVA = aov(errors ~ conversation2 * driving2, data = FANOVA)
summary(Factorial_ANOVA)
Faktoriální ANOVA
F-ratio's a Interakce
# Interaction plot
interaction.plot(x.factor = FANOVA$conversation2, trace.factor =
FANOVA$driving2,
response = FANOVA$errors)
summary.lm(Factorial_ANOVA)
Faktoriální ANOVA
Velikost účinku
"Eta-squared (η²) and partial eta-squared (ηp²) are biased effect size
estimators. I knew this, but I never understood how bad it was. Here’s
how bad it is: If η² was a flight from New York to Amsterdam, you
would end up in Berlin."
"When there is no true effect, η² from small studies can easily give the
wrong impression that there is a real small to medium effect, just due
to the bias. Your p-value would not be statistically significant, but this
overestimation could be problematic if you ignore the p-value and
just focus on estimation."
D. Lakens, n.d.
One-Way ANOVA
Velikost účinku
library( )
etaSquared(Factorial_ANOVA, type
= 2, anova = FALSE)
lsr library( )
Factorial_ANOVA2 = lm(errors ~
conversation2 * driving2, data =
FANOVA)
r2(Factorial_ANOVA2, n = NULL)
sjstats
Faktoriální ANOVA
Předpoklady použití
Povaha proměnných
"Závislá" proměnná kardinální úrovně měření
Normalita rozložení závislé proměnné
V rámci každé sledované skupiny
Narušení nepředstavuje závažný problém, pokud jsou skupiny stejně velké + mají velikost alespoň okolo 30
Neparametrická alternativa – Kruskal-Wallisův test
Homogenita rozptylu
Sledujeme Levenův F-test, nulová hypotéza hovoří o homogenitě napříč skupinami
Pokud Levenův F-test vychází statisticky signifikantní:
Sledujeme poměr rozptylu u skupin s největším a nejmenším rozptylem, přičemž chceme, aby byl tento
poměr menší než 3
Narušení by nemělo vadit, pokud jsou skupiny stejně velké
Při narušení lze použít Welchovo F
Nezávislost pozorování
Dostatečný počet případů pro každou kombinaci faktorů
Faktoriální ANOVA
Předpoklady použití
# Levene's test
leveneTest(errors ~ driving2, data = FANOVA)
# Levene's test with center = mean
leveneTest(errors ~ conversation2, data = FANOVA)
# Normalita rozložení
ggplot(data=FANOVA, aes(FANOVA$errors)) +
geom_histogram(breaks=seq(0, 20, by = 2),
col="red",
aes(fill=..count..)) +
scale_fill_gradient("Count", low = "blue", high = "purple")+
labs(title="Errors done while driving") +
labs(x="Errors done while driving", y="Count") + theme(legend.position='none')
Faktoriální ANOVA
Post-Hoc testy
tukey <- TukeyHSD(Factorial_ANOVA)
pairwise.t.test(FANOVA$errors, FANOVA$conversation2, p.adjust = "bonferroni")
pairwise.t.test(FANOVA$errors, FANOVA$driving2, p.adjust = "bonferroni")
Faktoriální ANOVA
Kontrasty
options(contrasts = c("contr.helmert", "contr.poly"))
contrasts(ANOVA$condition2) <- "contr.helmert"
model1 <- lm(iq ~ condition2, data = ANOVA)
summary(model1)
Základní literatura
Field, A., Miles, J., & Field, Z. (2012). Discovering Statistics Using R.
Sage: UK.
Navarro, D. J. (2014). Learning statistics with R: A tutorial for
psychology students and other beginners. Available online:
http://health.adelaide.edu.au/psychology/ccs/teaching/lsr/