برای تفسیر نتایج کمک می خواهی؟
تیم تحلیل آماری تزنویسه نتایج را به صورت علمی برای پژوهش شما تفسیر می کند.
راهنمای استفاده از ماشین حساب
هر سطر یک مشاهده است و هر ستون یک گروه. مقادیر هر سطر را می توانید با Tab، کاما یا نقطه ویرگول از هم جدا کنید و تعداد سطر ها باید در همه ستون ها برابر باشد. خانه های خالی یا ناخوانا پذیرفته نمی شوند و پیام خطای فارسی دریافت می کنید. داده ها فقط در مرورگر شما پردازش می شوند و به هیچ سروری ارسال نمی شوند.
مثال کاربردی: فرض کنید نمرات دو کلاس هشت نفره را دارید. در ستون اول این اعداد را وارد کنید: 12، 15، 14، 18، 16، 11، 13، 17 و در ستون دوم: 10، 11، 9، 13، 12، 8، 11، 10. ابزار برای این نمونه F برابر 2.03، درجات آزادی df1=1 و df2=14 و p برابر 0.176 به دست می دهد. چون p بزرگ تر از 0.05 است، شواهد کافی برای رد برابری واریانس ها نداریم.
آزمون براون–فورسایت چه چیزی را بررسی می کند؟
این ابزار برای بررسی برابری واریانس چند گروه مستقل طراحی شده است. نسخه براون–فورسایت از خانواده آزمون Levene است و به جای فاصله هر مشاهده از میانگین گروه، فاصله آن از میانه گروه را بررسی می کند. استفاده از میانه باعث می شود آزمون نسبت به بعضی انحراف ها از نرمال بودن مقاوم تر باشد.
فرض صفر و فرض مقابل چیست؟
فرض صفر: واریانس گروه ها برابر است.
فرض مقابل: دست کم یک گروه واریانس متفاوتی دارد.
رد فرض صفر فقط نشان می دهد شواهدی علیه برابری واریانس ها وجود دارد؛ این آزمون مشخص نمی کند دقیقاً کدام گروه یا کدام جفت گروه عامل تفاوت است.
چه داده هایی وارد کنیم؟
| ورودی | کنترل |
|---|---|
| مقادیر گروه ها | هر ستون/گروه باید مجموعه مشاهدات مستقل همان گروه باشد. |
| داده گمشده | missing را خودکار صفر نکنید؛ تصمیم حذف/جای گذاری باید از قبل مشخص باشد. |
| گروه بندی | گروه ها باید بر اساس طراحی پژوهش تعریف شده باشند، نه بعد از دیدن نتیجه. |
تفاوت Brown–Forsythe با Levene کلاسیک چیست؟
در فرمول اصلی Levene، انحراف هر مشاهده نسبت به مرکز گروه محاسبه می شود. Brown و Forsythe پیشنهاد کردند مرکز را به میانه یا میانگین بریده شده تغییر دهیم. نسخه مبتنی بر میانه در حضور بعضی توزیع های غیرنرمال و نقاط پرت، مقاومت بیشتری دارد.
این مقاومت به معنی مصونیت کامل نیست؛ نمونه بسیار کوچک، داده های وابسته یا گروه بندی نامناسب همچنان می توانند تفسیر را مخدوش کنند.
در مقایسه با آزمون بارتلت، مستندات NIST نشان می دهد خانواده آزمون لون و نسخه براون–فورسایت آن در برابر انحراف از نرمال بودن حساسیت کمتری دارد؛ بنابراین وقتی شکل توزیع ها کاملا نرمال نیست، براون–فورسایت انتخاب محتاطانه تری است.
آماره آزمون و منطق محاسبه
ابزار ابتدا میانه هر گروه را محاسبه می کند، فاصله مطلق هر مشاهده از میانه گروه خودش را به دست می آورد و سپس روی همین انحراف ها یک تحلیل واریانس یک راهه اجرا می کند. آماره به دست آمده با درجات آزادی df1=k-1 و df2=N-k با توزیع F مقایسه می شود و مقدار p از دنباله بالایی همین توزیع محاسبه می گردد. خروجی علاوه بر F و p، درجات آزادی و اجزای پراکندگی بین گروهی و درون گروهی را نیز نشان می دهد.
نتیجه آزمون را چگونه تفسیر کنیم؟
اگر p-value کوچک تر از سطح خطای از پیش تعیین شده باشد، شواهدی علیه برابری واریانس ها داریم. اگر p-value بزرگ تر باشد، فقط می گوییم شواهد کافی برای رد فرض برابری واریانس ها نداریم؛ این معادل «اثبات برابر بودن واریانس ها» نیست.
اگر واریانس ها برابر نبودند چه کنیم؟
پاسخ به روش اصلی تحلیل شما بستگی دارد. برای مقایسه میانگین دو گروه، ممکن است نسخه Welch آزمون t مستقل و زوجی مناسب تر باشد. برای چند گروه نیز ANOVA ولچ می تواند گزینه ای باشد. در مدل های رگرسیونی، روش های مقاوم یا مدل سازی مستقیم ناهمسانی واریانس ممکن است مطرح شوند.
هدف آزمون براون–فورسایت این نیست که خودش روش جایگزین را انتخاب کند؛ فقط یکی از نشانه های تشخیصی برای تصمیم بعدی است.
آیا باید همیشه قبل از ANOVA این آزمون را انجام دهیم؟
نه به شکل مکانیکی. مفروضه ها باید در چارچوب طراحی، اندازه گروه ها، شکل داده و روش انتخابی بررسی شوند. در بعضی شرایط، روش مقاوم از ابتدا انتخاب می شود و تصمیم تحلیل فقط به یک آزمون پیش شرط وابسته نیست.
یک مثال ساده
فرض کنید سه روش آموزشی داریم و نمره های هر گروه پراکندگی متفاوتی نشان می دهند. ابزار فاصله هر مشاهده از میانه گروه خودش را محاسبه و سپس این انحراف ها را بین گروه ها مقایسه می کند. اگر تفاوت قابل توجه باشد، فرض برابری واریانس ها زیر سؤال می رود.
برای گزارش در پایان نامه چه بنویسیم؟
- نام آزمون Brown-Forsythe/Levene median-centered؛
- تعداد گروه ها و حجم نمونه هر گروه؛
- آماره آزمون و درجات آزادی df1 و df2؛
- p-value؛
- سطح خطای از پیش تعیین شده؛
- تصمیم تحلیلی بعدی، اگر ناهمگنی واریانس مشاهده شده است.
اگر این بررسی بخشی از انتخاب آزمون است، تحلیل آماری پایان نامه و محاسبه گر ANOVA را نیز ببینید.
محدودیت ها
- برای گروه های مستقل طراحی شده است.
- علت تفاوت واریانس ها را مشخص نمی کند.
- جای بررسی نموداری و کیفیت داده را نمی گیرد.
- برای داده های خوشه ای/تکراری ممکن است ساختار وابستگی را نادیده بگیرد.
سؤالات متداول
آیا Brown–Forsythe همان آزمون Levene است؟
نسخه ای از خانواده Levene است که معمولاً از میانه گروه به عنوان مرکز استفاده می کند.
اگر p>0.05 باشد یعنی واریانس ها قطعاً برابرند؟
خیر. فقط شواهد کافی برای رد برابری واریانس ها نداریم.
آیا این آزمون نرمال بودن داده را بررسی می کند؟
خیر. موضوع آن برابری واریانس هاست، نه آزمون نرمالیتی.
آیا با وجود واریانس نابرابر می توان مقایسه میانگین انجام داد؟
بله، اما باید روش متناسب با ناهمسانی واریانس و طراحی مطالعه انتخاب شود.
منبع روش شناختی
برای تعریف median-centered Levene/Brown-Forsythe از مستندات NIST استفاده شده است.
برای سایر ابزارها به هاب ابزارهای محاسبه آنلاین برگردید.