Variansanalys Flashcards
F-värdet
Det statistiska värdet för hur stora skillnaderna är mellan grupper
= “det statistiska måttet på skillnadens storlek”
Beräknas som skillnaderna mellan gruppernas medelvärden, dividerat med avvikelsemåttet. Alltså:
mellangruppsvariansen/inomgruppsvariansen.
eller: förklarad varians/oförklarad varians
eller: systematisk varians/felvarians
Sedan får man jämföra F-värdet mot alfanivå samt frihetsgrader för att se om den är över den kritiska gränsen eller inte. Är F > kritisk gräns kan vi förkasta nollhypotes. Ett högt F-värde indikerar att det finns mer varians mellan grupperna än inom grupperna. Indikerar att resultatet beror på systematik snarare än slumpmässig variation.
Variansanalys
Att undersöka om det finns signifikanta skillnader mellan mellan medelvärdena i 3 eller fler grupper. (Är det bara 2 grupper/betingelser gör vi t-test)
Beroende envägs-ANOVA
1 OBV
3 eller fler betingelser
Inomgruppsdesign. Beroendedesign har högre power eftersom vi frångår problemet med skillnader mellan individer
Ex: hur ändras saker över tid. hur påverkas ångest över tid av en GAD-behandling
Oberoende envägs-ANOVA
1 OBV
3 eller fler betingelser
Mellangruppsdesign
Ex: hur påverkar tentamiljön tentaresultat
Beroende tvåvägs-ANOVA
2 eller fler OBV
Inomgruppsdesign
Ex: alla får göra 2 olika saker och sedan mäter vi vid olika tidpunkter
Oberoende tvåvägs-ANOVA
2 eller fler OBV
Mellangruppsdesign
Ex: vi vill undersöka hur behandlingstyp och behandlingsformat påverkar depression. Man får antingen gå i KBT eller PDT och dessutom är den antingen online eller IRL. Så det blir 4 olika betingelser med olika personer i varje
Mixad tvåvägs-ANOVA
2 eller fler OBV
Blandning mellan inomgrupps- och mellangruppsdesign
Populär i behandlingsstudier
Ex: hur påverkar KBT vs PDT depression över tid
Analyssteg i att göra en ANOVA
- Grafik - illustrera datan grafiskt. Konfidensintervall visar medelvärde samt varians. Visar också hur betingelserna förhåller sig till varandra. Gör det möjligt att identifiera outliers
- ANOVA
- Eftertest - om ANOVA ger sig. resultat vet vi att minst 2 gruppmedelvärden skiljer sig signifikant från varandra. men vi vet inte vilka. Därför gör vi ett post hoc test
Krav för att göra en ANOVA
- BV ska vara på minst intervallskala, OBV bör vara nominal
- Variansen ska vara homogen. Homoscedasticitet. Spridningen av observationer runt medelvärdet bör vara lika för alla grupper
- Data (BV) ska vara normalfördelad. Särskilt viktigt vid ett litet n, om n>30 spelar det inte så stor roll
- Datapunkterna ska vara oberoende. Värden i en grupp bör inte påverka värden i en annan
Post hoc-test
Kontrast, trend eller simple-effects
Kontraster
En kontrast testar nollhypotesen.
Två sorter:
* A priori
* Post hoc
A priori-kontraster
Används när man har en på förhand bestämd hypotes
Post hoc-kontraster
Används när man INTE har en a priori-hypotes
Man gör då parvisa jämförelse av medelvärden mellan olika grupper. Signifikansnivån korrigeras för att komma runt problemet med multipla jämförelser
Ex: Bonferronis t-test. Kontrasten är signifikant om p < alfanivån / antalet jämförelser
Bonferroni
Ett post hoc-test där man anpassar signifikansnivå baserat på antal jämförelser.
Man gör detta för att kontrollera för multipla jämförelser. Minskar risken för typ 1 fel (falska positiva)
Man SÄNKER alltså signifikansnivån
Vet man att man behöver göra detta kan det vara bra att designa studien så att man ökar power
Interaktionseffekt
När effekten av OBV1 på BV är olika för olika lägen på OBV2
Detta gör att huvudeffekterna är mindre intressanta
Ex: KBT är bättre för patienter som samtidigt får sociala insatser, ACT är lika bra för alla patienter
Om interaktionen är signifikant behöver man göra en “simple effect analysis”
