Anova တွင် f တန်ဖိုးနှင့် p တန်ဖိုးကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။

ANOVA (“ ကွဲလွဲမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်း” ) ကို သုံးသော သို့မဟုတ် ထို့ထက်မကသော သီးခြားအုပ်စုများ၏ အဓိပ္ပါယ်မှာ ညီတူညီမျှရှိ၊ မရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။

ANOVA သည် အောက်ပါ null နှင့် အခြားအခြားသော အယူအဆများကို အသုံးပြုသည် ။

• H ₀ : အုပ်စုဟူသည် အားလုံး ညီတူညီမျှဖြစ်သည်။
• H _A : အနည်းဆုံးအုပ်စုတစ်ခု၏ပျမ်းမျှသည် အခြားအုပ်စုများနှင့်မတူပါ။

သင် ANOVA ကိုလုပ်ဆောင်သည့်အခါတိုင်း၊ သင်သည် အောက်ပါပုံသဏ္ဍာန်ရှိသော အကျဉ်းချုပ်ဇယားတစ်ခုဖြင့် အဆုံးသတ်ရလိမ့်မည်-

ဇယားတွင် ကျွန်ုပ်တို့ ချက်ချင်းခွဲခြမ်းစိတ်ဖြာသော တန်ဖိုးနှစ်ခုမှာ F ကိန်းဂဏန်း နှင့် သက်ဆိုင်သော p-တန်ဖိုး ဖြစ်သည်။

ANOVA တွင် F Statistic ကိုနားလည်ခြင်း။

F ကိန်းဂဏန်း သည် စတုရန်းအမှားကို ဆိုလိုခြင်းအတွက် ပျမ်းမျှစတုရန်းလုပ်ဆောင်ခြင်း၏ အချိုးဖြစ်သည်။

• F ကိန်းဂဏန်း- Mean Squares / Mean Square အမှားအယွင်းကို လုပ်ဆောင်နေသည်။

ဤအရာကိုရေးရန်နောက်ထပ်နည်းလမ်းမှာ-

• F ကိန်းဂဏန်း- နမူနာများအကြား ကွဲလွဲမှု/ နမူနာများအတွင်း ကွဲလွဲမှု

F ကိန်းဂဏန်း ကြီးလေ၊ နမူနာများကြား ကွဲလွဲမှု ပိုများလေ၊ နမူနာများအတွင်းရှိ ကွဲလွဲမှုနှင့် ဆက်စပ်မှု ပိုများလေဖြစ်သည်။

ထို့ကြောင့် F ကိန်းဂဏန်း ကြီးလေလေ၊ အုပ်စု၏ အဓိပ္ပါယ်မှာ ခြားနားချက်ရှိလေလေ ဖြစ်သည်။

ANOVA ရှိ P-တန်ဖိုးကို နားလည်ခြင်း။

အုပ်စုနည်းလမ်းများအကြား ခြားနားချက်သည် ကိန်းဂဏန်းအရ သိသာထင်ရှားမှုရှိမရှိ ဆုံးဖြတ်ရန်၊ F ကိန်းဂဏန်းနှင့် ကိုက်ညီသည့် p-value ကို ကြည့်ရှုနိုင်ပါသည်။

ဤ F-တန်ဖိုးနှင့် ကိုက်ညီသော p-တန်ဖိုးကို ရှာဖွေရန်၊ ပိုင်းဝေ = df တွင် လွတ်လပ်မှုဒီဂရီများပါသည့် F-distribution ဂဏန်းတွက်စက်ကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည်။

ဥပမာအားဖြင့်၊ F-တန်ဖိုး 2.358၊ ပိုင်းဝေ df = 2 နှင့် ပိုင်းခြေ df = 27 သည် 0.1138 ဖြစ်သည်။

ဤ p-value သည် α = 0.05 ထက်နည်းပါက၊ ကျွန်ုပ်တို့သည် ANOVA ၏ null hypothesis ကို ငြင်းပယ်ပြီး အုပ်စုသုံးစု၏ နည်းလမ်းများကြားတွင် ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ကွာခြားချက်ရှိသည်ဟု ကောက်ချက်ချပါသည်။

မဟုတ်ပါက p-value သည် α = 0.05 ထက်မနည်းပါက၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပြီး အုပ်စုသုံးစု၏ ပျမ်းမျှ ကိန်းဂဏန်းများကြားတွင် ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားချက်ရှိသည်ဟု ဆိုရန် လုံလောက်သော အထောက်အထား မရှိဟု ကောက်ချက်ချပါသည်။

ဤဥပမာတွင် p-value သည် 0.1138 ဖြစ်သောကြောင့် null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်မည်ဖြစ်ပါသည်။ ဆိုလိုသည်မှာ အဖွဲ့ကြားတွင် စာရင်းအင်းအရ သိသာထင်ရှားသော ခြားနားချက် ရှိသည်ဟု ဆိုရန် လုံလောက်သော သက်သေ မရှိပါ။

ANOVA ဖြင့် post-hoc စမ်းသပ်မှုများအသုံးပြုခြင်းအပေါ်

ANOVA တစ်ခု၏ p-value သည် 0.05 ထက်နည်းပါက၊ အုပ်စုတစ်ခုစီ၏ပျမ်းမျှသည် ညီမျှသည်ဟူသော null hypothesis ကို ငြင်းပယ်ပါသည်။

ဤအခြေအနေတွင်၊ မည်သည့်အဖွဲ့များ တစ်ခုနှင့်တစ်ခု ကွဲပြားသည်ကို အတိအကျ ဆုံးဖြတ်ရန် ကျွန်ုပ်တို့သည် post-hoc စမ်းသပ်မှုကို လုပ်ဆောင်နိုင်သည်။

ANOVA ပြီးနောက် ကျွန်ုပ်တို့အသုံးပြုနိုင်မည့် ဖြစ်နိုင်ချေရှိသော post-hoc စမ်းသပ်မှုအများအပြားရှိသော်လည်း လူကြိုက်အများဆုံးမှာ-

• Tukey စမ်းသပ်မှု
• Bonferroni စမ်းသပ်မှု
• Scheffe စမ်းသပ်မှု

သင်၏ သီးခြားအခြေအနေပေါ်မူတည်၍ မည်သည့် post-hoc စာမေးပွဲကို အသုံးပြုသင့်သည်ကို နားလည်ရန် ဤလမ်းညွှန်ချက်ကို ကိုးကားပါ။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါအရင်းအမြစ်များသည် ANOVA စမ်းသပ်ခြင်းဆိုင်ရာ နောက်ထပ်အချက်အလက်များကို ပေးဆောင်သည်-

One-Way ANOVA မိတ်ဆက်
နှစ်လမ်းသွား ANOVA မိတ်ဆက်
လမ်းညွှန်ချက်အပြည့်အစုံ- ANOVA ရလဒ်များကို မည်သို့အစီရင်ခံမည်နည်း။
ANOVA နှင့် ဆုတ်ယုတ်မှု- ကွာခြားချက်ကား အဘယ်နည်း။