6.4. Однофакторный дисперсионный анализ

в среде MS EXCEL и в пакете STATISTICA

Возможности пакета STATISTICA и ограничения табличного

процессора MS EXCEL при проведении дисперсионного анализа

продемонстрируем на классическом примере исследования

урожайности озимой ржи в зависимости от разных доз

минеральных удобрений.

Первый шаг – Создание структуры дисперсионного ком-

плекса.

В MS EXCEL дисперсионный комплекс организуется по

столбцам – это уровни фактора, строки – отдельные повторности

урожайности (рис. 6.1).

В MS EXCEL однофакторный дисперсионный анализ выпол-

няется с помощью одноименной статистической процедуры,

входящей в Пакет анализа (рис. 6.2).

119

Рис. 6.1. Структура дисперсионного комплекса в среде MS EXCEL

В программе STATISTICA в один из столбцов заносятся все

значения урожайности, а в соседнем столбце организуется груп-

пирирующая переменная, разбивающая значения признака

на 4 группы с помощью соответствующих кодов, например

15 кг/га, 20 кг/га, 25 кг/га, 30 кг/га (рис. 6.3).

Рис. 6.2. Диалоговое окно процедуры ｫОднофакторный дисперсионный

анализｻ табличного процессора MS EXCEL

120

Рис. 6.3. Структура дисперсионного комплекса в электронной таблице

пакета STATISTICA

Однофакторный дисперсионный анализ (Analysis of varianсе,

сокращенно ANOVA) можно запустить либо через верхнее меню

Statistics и выпадающую команду ANOVA, либо через команду

Basic Statistics / Tables. В последнем случае нужно зайти в мо-

дуль Breakdown & one-way ANOVA (Группировка и одно-

факторный дисперсионный анализ) (рис. 6.4).

Рис. 6.4. Меню команды ｫBasic Statistics / Tablesｻ

с выбранным модулем ｫBreakdown & one-way ANOVAｻ

121

Второй шаг – Проверка условий применимости диспер-

сионного анализа.

В нашем примере количество повторностей в каждой группе

одинаково, значит первое условие о равенстве выборок по

каждому уровню фактора выполнено.

В MS EXCEL отсутствуют средства проверки применимости

дисперсионного анализа, в частности однородности дисперсий и

нормальности распределения результативного признака.

В пакете STATISTICA проверить нормальность распре-

деления результативного признака можно с использованием

критериев согласия. Поскольку число повторностей невелико

и общий объем выборки небольшой, то наиболее подходящим

является критерий Шапиро – Уилка. Алгоритм проверки нор-

мальности распределения признака был разобран в главе 5,

поэтому здесь приводим фактический р-уровень значимости

критерия Шапиро – Уилка. Он оказался равен р = 0.067, что боль-

ше критического (0.05), следовательно нулевая гипотеза,

гласящая о случайности отличия эмпирического распределения

от нормального закона, принимается. Второе условие выполнено.

Третье условие об однородности (примерном равенстве)

дисперсий проверяется с помощью специально разработанных

критериев, к примеру критерия Левена (Levene test) и критерия

Брауна – Форсайта (Brown-Forsythe test). Нулевая гипотеза фор-

мулируется известным способом: дисперсии групп различаются

недостоверно (дисперсии однородны). Для проверки нулевой

гипотезы необходимо зайти в модуль Breakdown & one-way

ANOVA, указать программе зависимую и группирирующую

переменные и после нажатия кнопки Ok в открывшемся

диалоговом окне выбрать третью закладку ANOVA & tests, как

показано на рисунке (рис. 6.5).

Остается нажать на кнопку либо Levene tests, либо Brown-

Forsythe tests (рис. 6.5), пример таблицы результатов

по критерию Левена показан ниже (табл. 6.1).

122

Рис. 6.5. Диалоговое окно модуля ｫBreakdown & one-way ANOVAｻ,

закладка ｫANOVA & testsｻ

Таблица 6.1

Результаты использования критерия Левена

Variable SS

Effect

df

Effect

MS

Effect

SS

Error

df

Error

MS

Error F p

Урожайность

ц/га 0.36 3 0.12 1.25 8 0.15 0.76 0.54

Фактический р-уровень значимости (0.54) значительно пре-

вышает критический (0.05), следовательно нулевая гипотеза

принимается, дисперсии групп различаются недостоверно. Третье

условие выполнено.

Третий шаг – Установление достоверности влияния фактора

на результативный признак.

Вначале обозначим статистические гипотезы:

Но – дозы удобрений недостоверно влияют на урожайность

озимой ржи, различия групповых выборочных средних случайны;

На – дозы удобрений достоверно влияют на урожайность ози-

мой ржи, различия групповых выборочных средних неслучайны.

В MS EXCEL в диалоговом окне процедуры Однофактор-

ный дисперсионный анализ (рис. 6.2) указателем мыши

необходимо выделить диапазон ячеек с дисперсионным

123

комплексом, поставить флажок напротив Метки в первой

строке и нажать кнопку Ок (рис. 6.2). Результаты появятся в виде

таблицы (табл__________. 6.2).

Таблица 6.2

Результаты дисперсионного анализа в среде MS EXCEL

Источник

вариации SS df MS F P-значение

F

критическое

Между

группами 31.58667 3 10.52889 18.49878 0.000587987 4.066180557

Внутри

групп 4.553333 8 0.569167

Итого 36.14 11

В таблице результатов содержатся все необходимые статис-

тические выкладки, в частности рассчитана факториальная (меж-

ду группами) дисперсия (MS = 10.5) и остаточная (внутри групп)

дисперсия (MS = 0.57), приводится фактическое значение F-кри-

терия Фишера (18.49) и соответствующий этому значению р-уро-

вень значимости (0.000587). Поскольку фактический р-уровень

значительно меньше критического уровня (0.05), нулевая гипо-

теза отвергается и статистически доказывается влияние мине-

рального удобрения на урожайность озимой ржи с вероятностью

Р = 99.99994.

Аналогичные результаты получаем в пакете STATISTICA:

для этого в модуле Breakdown & one-way ANOVA, в закладке

ANOVA & tests, необходимо нажать на кнопку Analysis of

varianсе (рис. 6.5). Результат будет представлен в табличной

форме (табл. 6.3).

Таблица 6.3

Результаты дисперсионного анализа в системе STATISTICA

Variable

SS

Effect

df

Effect

MS

Effect

SS

Error

df

Error

MS

Error F p

Урожайность,

ц/га 31.58 3 10.52 4.55 8 0.569 18.498 0.000588

124

Четвертый шаг – Апостериорные (множественные) сравне-

ния групповых средних значений признака.

После того как достоверно установлено влияние регулируе-

мого фактора на результативный признак, при необходимости

прибегают к множественному сравнению групповых средних

друг с другом или с какой-либо другой величиной, например

контрольным вариантом эксперимента.

В табличном процессоре MS EXCEL проведение данного

этапа дисперсионного анализа невозможно. В пакете прикладных

программ STATISTICA для этих целей имеются специально

разработанные критерии достоверности.

В чем суть множественных попарных сравнений групповых

средних? Установление достоверности влияния фактора на резуль-

тативный признак означает, что групповые средние не равны

между собой. Однако принятие данного факта в результате

отклонения нулевой гипотезы не говорит о том, какие именно

групповые средние значения признака достоверно отличаются

между собой, а какие недостоверно. Нулевая гипотеза о случайном

влиянии фактора на признак может отклоняться и в случае, когда

все групповые средние достоверно отличаются друг от друга, и

в случае, когда лишь одно среднее значение достоверно отличается

от всех остальных, различающихся между собой лишь случайно.

Результат в обоих случаях один и тот же – отклонение нулевой

гипотезы, но характер действия фактора на признак разный.

Поэтому во многих случаях подобный анализ даёт исследователю

важную дополнительную информацию о самом характере воз-

действия фактора на результативный признак, позволяет устано-

вить уровень фактора, оказывающий наибольшее воздействие.

Следующий вопрос: можно ли применять при множествен-

ном сравнении средних значений наиболее популярный и извест-

ный читателю t-критерий Стьюдента? Не вдаваясь в подробности,

следует предупредить, что применение t-критерия Стьюдента для

решения поставленной задачи неправомерно, поскольку данный

метод разработан для сравнения средних значений 2-х выборок,

при дисперсионном анализе исследователь имеет дело с несколь-

кими выборками. При многократном использовании t-критерия

Стьюдента для попарного сравнения многих средних значений,

связанных между собой, увеличивается вероятность ошибочного

обнаружения достоверных отличий между средними значениями,

125

когда их на самом деле нет! В статистике данная проблема полу-

чила обозначение ｫэффект множественных сравнений». Что де-

лать в этом случае? Либо вводить поправки для t-критерия

Стьюдента, снижая критический уровень значимости с учетом

числа попарных сравнений, либо использовать критерии мно-

жественных сравнений:

1. Критерий наименьшей значимой разности (LSD test) –

аналог t-критерия Стьюдента, разработанный для попарного

сравнения большого числа выборок.

2. Критерий Тьюки (Tukey test) – применяется при сравнении

групповых средних дисперсионного комплекса при равном числе

наблюдений в каждой группе.

3. Критерий Шеффе (Scheffe test) – используется при

наличии как неравночисленных, так и равных по объему групп в

дисперсионном комплексе.

Перед проведением множественных попарных сравнений

групповых средних значений признака рекомендуется провести

графический анализ, позволяющий предварительно оценить ха-

рактер различий между средними значениями. Для этого

в модуле Breakdown & one-way ANOVA надо зайти в первую

закладку Quick (Быстрая) и нажать на кнопку Interaction plots

(Графики взаимодействия). В результате появится знакомая чита-

телю диаграмма размаха, на которой точками обозначены сред-

ние значения урожайности для каждой из 4-х доз минеральных

удобрений, а отрезками – 95% доверительный интервал

для генеральной средней (рис. 6.6).

Из графика видно, что в градиенте фактора от наименьших

до наибольших доз урожайность озимой ржи изменяется нели-

нейно, вначале возрастает, а потом снижается (рис. 6.6). При этом

средняя урожайность при дозах фактора 15 кг/га, 20 кг/га

и 30 кг/га различается незначительно, а перекрывание довери-

тельными интервалами самих выборочных средних значений

свидетельствует в первом приближении о недостоверном

отличии этих 3-х средних значений друг от друга. Напротив,

средняя урожайность озимой ржи при дозе минеральных

удобрений 25 кг/га значительно отличается от остальных

средних, при этом доверительный интервал не накрывает ни одну

из выборочных средних (рис. 6.6).

126

Рис. 6.6. Диаграмма размаха

Проверим наши рассуждения с помощью критерия наимень-

шей значимой разности: нулевая гипотеза состоит в том, что по-

парно средние значения урожайности отличаются друг от друга

недостоверно. Необходимо в том же самом модуле Breakdown &

one-way ANOVA зайти в четвертую закладку Post-hoc (Апосте-

риорные критерии) и нажать на кнопку LSD test (рис. 6.7).

Рис. 6.7. Диалоговое __________окно модуля ｫBreakdown & one-way ANOVAｻ,

закладка ｫPost-hocｻ

127

В таблице результатов рассчитаны фактические р-уровни

значимости для каждого попарного сравнения всех 4-х средних

значений урожайности (табл. 6.4). Цветом обозначены р-уровни,

меньшие 0.05, следовательно, именно эти пары средних

и отличаются друг от друга достоверно (табл. 6.4). Анализ

таблицы показывает, что достоверные отличия отмечаются

только между 3-й средней (урожайность озимой ржи при дозе

25 кг/га) и всеми остальными средними (табл. 6.4). Первая,

вторая и четвертая средние (урожайность озимой ржи при дозах

15 кг/га, 20 кг/га и 30 кг/га) отличаются недостоверно.

Таблица 6.4

Результаты использования критерия наименьшей значимой

разности в системе STATISTICA

Дозы

удобрений {1} {2} {3} {4}

15 кг/га {1} 0.267977 0.000341 0.411804

20 кг/га {2} 0.267977 0.001423 0.073782

25 кг/га {3} 0.000341 0.001423 0.000135

30 кг/га {4} 0.411804 0.073782 0.000135

Таким образом, применение критерия наименьшей значимой

разности подтвердило предположения, сделанные при графичес-

ком анализе. Это означает, что оптимальной или наиболее

эффективной дозой минеральных удобрений в нашем примере

является 25 кг/га, дальнейшее увеличение количества минераль-

ных удобрений нецелесообразно, поскольку не вызывает соответ-

ствующей прибавки в урожайности озимой ржи. Кроме того,

множественные апостериорные сравнения доказали нелинейный

эффект влияния минеральных удобрений на урожайность озимой

ржи в изученном градиенте фактора.

Примечание 3. Методы множественного сравнения следует

применять только после того, как с помощью дисперсионного

анализа отвергнута нулевая гипотеза о равенстве всех средних.

В качестве ещё одного параметрического критерия для множест-

венных сравнений можно использовать критерий Ньюмена –

Кейлса (Гланц, 1999). Иногда задача заключается в том, чтобы

сравнить несколько групп с единственной – контрольной. В этом

случае можно воспользоваться критерием Даннета, предназна-

128

ченным для сравнения нескольких выборок с одной контрольной

группой (Гланц, 1999). Технически данная процедура может быть

реализована в пакете прикладных программ STATISTICA.

Пятый шаг – Оценка силы влияния фактора на признак.

Последнее, что может установить исследователь относи-

тельно эффекта действия фактора на признак, – это доля

вариации значений признака, которая зависит от регулируемого

фактора, может быть объяснена влиянием этого фактора. Также

можно рассчитать, какая часть разброса значений признака

определяется воздействием случайных неизвестных факторов.

Показатель силы влияния фактора представляет собой

отношение факториальной дисперсии к общей дисперсии

и выражается формулой:

2

2

2факт 100%

общая

S

h

S

 

Поскольку факториальная дисперсия определяется влиянием

регулируемого фактора, то её доля от общей вариации значений

признака является количественной характеристикой силы

действия фактора на признак при данных условиях. Рассчитаем

показатель силы влияния фактора для нашего примера,

воспользовавшись таблицей 6.2.

2 10.52 100% 94.9%

(10.52 0.569)

h   



Таким образом, доля объясненной влиянием минеральных

удобрений вариации в урожайности озимой ржи составляет

94.9%. Оставшиеся 5.1% вариации признака определяются дейст-

вием случайных факторов.