Sei sulla pagina 1di 58
X 1
X
1
X 2
X
2
X 3
X
3

Quando un confronto venga effettuato per tre livelli di un fattore, sembrerebbe intuitivo effettuare il confronto con il test t di Student a più livelli:

X

1 vs X

2

X 2

vs X

3

X

1 vs X

3

Metodologia per l’analisi dei dati sperimentali

L’analisi di studi con variabili di risposta multiple

Quando i livelli del fattore allo studio siano più di due (quali ad esempio trattamenti diversi, protocolli di intervento diversi…) sembrerebbe intuitivo effettuare a due a due i confronti utilizzando il test t di Student.

Se la probabilità di commettere un errore di I tipo per 1 confronto è , la probabilità per C confronti diviene:

( 1 ) ◊ ( 1 ) ◊ ( 1 ) ◊ ( 1 )
(
1
)
(
1
)
(
1
)
(
1
)
(
1
)
=
=
1
(
1
) C
C
2
0.10
3
0.14
5
0.23
10
0.40

Se si effettuano più confronti, tuttavia, la probabilità di errore di primo tipo aumenta proporzionalmente al numero di confronti (C) e, anche se nominalmente è pari a 0.05, per tre confronti essa è pari a 0.14, per cinque confronti a 0.25.

L'analisi della varianza (ANOVA)

L'ipotesi nulla diviene:

e saggia l'ipotesi che tutte le medie non differiscano tra loro

H0 :

1 =

2 =

3 =

= p

La tecnica corretta per confronto di più livelli della variabile di risposta è l’analisi della varianza.

Il modello più semplice di analisi della varianza (ANOVA) è l’analisi della varianza ad un criterio di classificazione (detta anche “ad una via” con brutta traduzione dell’”one-way” inglese).

La scomposizione della varianza

Fonte di

Devianza

Gradi di

Varianze

variazione

libertà

Tra gruppi

SS(a)

p-1

MS(a)

Entro

SS(e)

n

T -p

MS(e)

gruppi

 

TOTALE

SS(y)

n

T -1

 

La varianza totale viene scomposta in due quote.

Indicatori di tabelle bidimensionali

Quando la variabile Y sia inserita in una matrice, cioé in una tabella a due dimensioni, occorrono due deponenti per identificare una specifica Y:

Y ij

sta ad indicare l'elemento della riga i-esima e della colonna j-esima. L'ordine degli elementi è importante, perché:

Y 12 # Y 21

I dati sono rappresentani con una colonna per ciascun livello del fattore analizzato, e i valori nei singoli soggetti come righe:

con una colonna per ciascun livello del fattore analizzato, e i valori nei singoli soggetti come
Doppia sommatoria p n j = 1 i = 1 3 3 ∑ ∑ =
Doppia sommatoria
p
n
j =
1
i =
1
3 3
∑ ∑
= (4 + 5 +1)+ (11+ 9 + 3)+ (2 + 7 + 4)
Y ij
i =
1
j
= 1

∑∑

X Y

ij

ij

∑∑ X Y ij ij

Sommatoria di prodotti

p n p n ∑∑ X Y = ∑ ∑ X j ij j j
p
n
p
n
∑∑
X Y
=
∑ ∑
X
j
ij
j
j =
1
i
=
1
j
=
1
i
=
1
Sommatoria di prodotti p n p n ∑∑ X Y = ∑ ∑ X j ij

Y

ij

La scomposizione della varianza

i

(x x) i (x x) ij (x ) + x - x = x i
(x
x)
i
(x
x)
ij
(x
)
+
x - x
=
x
i
i
ij
i

(

x

i

x

) 2

(x

ij

(x ij x) = x ij x + ( x x ) i

x)

=

x

ij

(x ij x) = x ij x + ( x x ) i

x

+

(x x)

i

(x ij x) = x ij x + ( x x ) i
(x ij x) = x ij x + ( x x ) i

Consideriamo il termine che viene elevato al quadrato e poi sommato per calcolare la devianza: se aggiungiamo e togliamo la media del gruppo i-esimo, compiamo un’operazione algebricamente neutra. Inserendo le parentesi, individuiamo due termini: uno decrive lo scostamento della singola osservazione dalla media del suo gruppo i-esimo, l’altro lo scostamento della media del gruppo i-esimo dalla grande media (media di tutti i valori).

La scomposizione della varianza 2 i j ) 2 i j i j i j
La scomposizione della varianza
2
i j
) 2
i
j
i j
i
j
=
x
i
i
j
i
j
i
i j
i j

(x

ij

( x ij x i ) + ( x i x )

x

i

)

+

(x

i

( x ij x i ) + ( x i x )

x)

∑∑

[(

x

ij

∑∑ [ ( x ij x i ) + ( x i x ) ]

x

i

)

+

(

x

i

∑∑ [ ( x ij x i ) + ( x i x ) ]

x

)]

∑∑

(

x

ij

∑∑ ( x ij x + ∑∑ ( x ij x i ) 2 + 2

x

+

∑∑

(

x

ij

∑∑ ( x ij x + ∑∑ ( x ij x i ) 2 + 2

x

i

) 2

+

2

∑∑

(

x

i

 

x

)(

x

ij

∑∑ ( x ij x + ∑∑ ( x ij x i ) 2 + 2

x

i

) =

n

i

(

x

i

∑ n i ( ◊ x i ) 2 + ∑∑ ( x ij x i

)

2 +

∑∑

(

x

ij

∑ n i ( ◊ x i ) 2 + ∑∑ ( x ij x i

x

i

) 2

+

2

∑∑

(

x

i

 
∑ n i ( ◊ x i ) 2 + ∑∑ ( x ij x i

x

)(

x

ij

∑ n i ( ◊ x i ) 2 + ∑∑ ( x ij x i

x

i

) =

n

i

(

x

i

 

∑ n i ( x i   ◊ x ) 2 + ∑∑ ( x ij

x

)

2 +

∑∑

(

x

ij

∑ n i ( x i   ◊ x ) 2 + ∑∑ ( x ij

x

i

) 2

+

2

(

x

i

∑ n i ( x i   ◊ x ) 2 + ∑∑ ( x ij

x

)

(

x

ij

∑ n i ( x i   ◊ x ) 2 + ∑∑ ( x ij

x

i

)

Eleviamo al quadrato e sommiamo il binomio così ottenuto. Il prodotto dei due termini contiene la somma dello scostamento di un valore dalla sua media.

=

i n

i

(x

i

∑ (x i x) = ∑ x i n ◊ x =

x)

=

x

i

∑ (x i x) = ∑ x i n ◊ x =

n

x

=

x i

i

x

x n ◊ = x x = 0

n

=

x

x n ◊ = x x = 0

x

=

0

Si dimostra che la somma dello scostamento di un valore dalla sua media è nullo per definizione.

La scomposizione della varianza + 2 ∑ ( x x ) ∑ ( ) x
La scomposizione della varianza
+
2
(
x
x
)
(
)
x
x
i
ij
i
i
j
i i
j
i j
(
) 2
∑∑
x
x
ij
i
i
i
i
i
j

∑∑

(

x

ij

∑∑ ( x ij x ) 2 = ∑ n i ( x i   ◊

x

) 2

=

n

i

(

x

i

 

x

)

2 +

∑∑

(

x

ij

∑∑ ( x ij x ) 2 = ∑ n i ( x i   ◊

x

i

) 2

∑∑

(

x

ij

∑∑ ( x ij x ) 2 = n i ∑ ◊ ( x i x

x

) 2

=

n

i

(

x

i

∑∑ ( x ij x ) 2 = n i ∑ ◊ ( x i x

x

)

2 +

Il termine quindi scompare, e la devianza risulta scomposta in due quote.

La scomposizione della varianza

i

i

◊ ∑ ( x x i i
(
x
x
i
i

i

j

devianza TRA gruppi SS(a)

∑∑

(

x

ij

∑∑ ( x ij x ) 2 = n i ) 2 + ∑∑ ( x

x

) 2

=

n

i

)

2 +

∑∑

(

x

ij

x

i

 

) 2

La scomposizione della varianza

i

i

i

i

j

La scomposizione della varianza i i i i j devianza ENTRO gruppi devianza residua SS(e)

devianza ENTRO gruppi devianza residua SS(e)

∑∑

(

x

ij

∑∑ ( x ij x ) 2 = n i ∑ ◊ ( x i  

x

) 2

=

n

i

(

x

i

 
∑∑ ( x ij x ) 2 = n i ∑ ◊ ( x i  

x

)

2 +

∑∑

(

x

ij

x

i

 

) 2

La scomposizione della varianza: formule semplificate 2 2       ∑
La scomposizione della varianza:
formule semplificate
2
2
x
 
 ∑∑
x
ij
ij
j
i
j
SS(a) =
n
n
i
i
T
2
∑ x
 
  
ij
j
2
=
∑∑
x
ij
n
i
j
i 
i
 
 

SS(e)

Per il calcolo esistono formule semplificate, che richiedono solo il calcolo della somma per ciascun gruppo delle x, del loro quadrato, e di un termine di correzione costituito dal rapporto tra il quadrato della somma delle x e la numerosità del gruppo.

La scomposizione della varianza

Fonte di

Devianza

Gradi di

Varianze

variazione

libertà

Tra gruppi

SS(a)

p-1

MS(a)

Entro

SS(e)

n

T -p

MS(e)

gruppi

 

TOTALE

SS(y)

n

T -1

 

La devianza così calcolata andrà divisa per i gradi di libertà, che sono pari al numero di gruppi meno 1 (p-1) per la varianza tra gruppi, e al numero totale delle osservazioni meno il numero di gruppi per la varianza entro gruppi.

Il test d'ipotesi

La statistica test è:

F =

MS(a)

MS(e)

Il test d'ipotesi La statistica test è: F = MS(a) MS(e) che è distribuita come F

che è distribuita come F di Fisher con (p-1) ed (n T -p) gradi di libertà

Il rapporto tra la varianza tra gruppi e la varianza entro gruppi costituisce il test F, che segue la distribuzione F di Fisher.

La distribuzione F di Fisher

La distribuzione F di Fisher

Per la significatività, si possono consultare le apposite tabelle.

In alternativa, è possibile usare la funzione DISTRIB.F di Excel. Pagina 18

In alternativa, è possibile usare la funzione DISTRIB.F di Excel.

Med Sci Sports Exerc 2006;38:1367
Med Sci Sports Exerc 2006;38:1367

Med Sci Sports Exerc 2006;38:1367

Prendiamo come esempio uno studio che confronta gruppi di pazienti secondo il recupero della frequenza cardiaca dopo test da sforzo.

Inseriamo media, deviazione standard e numerosità di ciascun gruppo in un file Excel. Pagina 20

Inseriamo media, deviazione standard e numerosità di ciascun gruppo in un file Excel.

∑ X n 2 2 [ ∑ X i ] n ∑ X n
∑ X
n
2
2 [
X
i ]
n
X
n

x =

i

X i =

x n

s² (n

◊ s² (n 1) = ∑ X i

1)

=

X

i

2

i

=

s² (n

2 i = ◊ s² (n 1) + [ ∑ x ] 2

1)

+

[

x ]

2

Da media e deviazione standard si può risalire alla somma delle X e dei quadrati delle x.

∑ X i = ◊ x n = ◊ 1.81 34 = 61.54 Pagina 22

X i =

x n

=

1.81 34

=

61.54

[ ∑ x ] n 2 [ 61.45 ] 34 2

[

x ]

n

2

[

61.45 ]

34

2

X

2

i

=

s² (n

∑ X 2 i = ◊ s² (n 1) + = 2.2308 + = 113.6182

1)

+

=

2.2308 +

= 113.6182

SD = 2 2 [ ∑ X i ] 1) = ∑ X i n

SD =

2 2 [ ∑ X i ] 1) = ∑ X i n 17.407 =
2
2 [ ∑
X
i ]
1)
=
X
i
n
17.407
= 0.423
(98 -1)

[ 126.3

98

]

2

s² (n

=

180.1799

= 17.407

Le somme possono essere sommate tra gruppi, e dalle somme si può fare il percorso inverso, calcolando media e deviazione standard.

Questo sistema può essere utile quando si disponga solo delle statistiche descrittive, come in dati pubblicati, per ottenere le statistiche descrittive di più gruppi uniti.

2 2    ∑         x
2
2
 
  
x ij
x ij
 
j
   ∑∑
i
j
SS(a) =
=
n
n
i
i
T
 
(126.3)²
=
176.9738
= 14.20
98

Calcolando poi il fattore di correzione per ciascun gruppo, e sommandolo tra i gruppi, disponiamo di tutti i termini per il calcolo della devianza tra gruppi.

2   ∑        x ij  
2
 
  
x ij
 
j
n
i
j
i 
i
 
 
180.1799
176.9738
=
3.2061

SS(e)

=

∑∑

x

2

ij

SS(e) = ∑∑ ∑ x 2 ij   =

=

Analogamente per la devianza entro gruppi.

2 2 [ ∑ X i ] n 180.1799 = 17.407 98
2
2 [ ∑
X
i ]
n
180.1799
= 17.407
98

ss(totale)

=

(n

ss(totale) = s² ◊ (n 1) = ∑ X i =

1)

=

X

i

=

[ 126.3

]

2

Il calcolo della devianza totale risulta superfluo, visto che corrisponde alla somma delle due devianze calcolate, ma può essere utile verificare per l’esattezza del calcolo.

Fonte di

Devianza

 

variazione

Tra gruppi

SS(a)

14.20

Entro

SS(e)

3.20

gruppi

TOTALE

SS(y)

17.40

La scomposizione della varianza

Fonte di

Devianza

Gradi di

Varianze

variazione

libertà

Tra gruppi

14.20

2

7.10

Entro

3.20

95

0.033

gruppi

TOTALE

17.40

97

 

Dividendo per i gradi di libertà, si ottengono le varianze.

La scomposizione della varianza

Fonte di

Devianza

Gradi di

Varianze

variazione

libertà

Tra gruppi

14.20

2

7.10

Entro

3.20

95

0.033

gruppi

TOTALE

17.40

97

F=210.4

Il rapporto è il test F.

La significatività è molto alta, per cui possiamo rifiutare l’ipotesi nulla. Pagina 31

La significatività è molto alta, per cui possiamo rifiutare l’ipotesi nulla.

L'analisi della varianza (ANOVA)

Il rifiuto dell'ipotesi nulla :

implica che tutte le medie non differiscono tra loro

H0 :

1 =

2 =

3 =

= p

Lo sperimentatore può però essere interessato al confronto a due a due dei valori.

Confronti multipli

H0 :

Se si vogliono effettuare confronti tra due o più medie:

Confronti

pre-pianificati

Test a priori

due o più medie: Confronti pre-pianificati Test a priori Confronti non pianificati "Data snooping" Tests a
due o più medie: Confronti pre-pianificati Test a priori Confronti non pianificati "Data snooping" Tests a

Confronti non pianificati

"Data snooping"

Tests a posteriori

1 =

2 =

3 =

=

p

Per i confronti multipli esistono due tipi di test: i confronti a priori, pianificati nel disegno dello studio, e i confronti a posteriori, non pianificati ma generati dall’osservazione dei risultati. I due tipi di confronto richiedono diversi tipi di test.

Data snooping: cerca cerca, qualcosa risulterà significativo…

Il livello di protezione del 5% fa sì che su 20 confronti effettuati, 1 risulterà significativo PER SOLO EFFETTO DEL CASO.

Le considerazioni sui confronti multipli non si applicano ai confronti pre-definiti ma solo a quelli generati dall'osservazione dei risultati.

multipli non si applicano ai confronti pre-definiti ma solo a quelli generati dall'osservazione dei risultati.

Confronti multipli

Tests a priori

Test di Dunnett Test di Bonferroni …

Tests a posteriori

Test di Scheffé Test di Newman-Keuls ……

Test di Dunnett Test di Bonferroni … Tests a posteriori Test di Scheffé Test di Newman-Keuls

Test t di Student

Confronti multipli: contrasti lineari

Si utilizzano coefficienti c i che per convenzione hanno somma 0 e somma dei valori assoluti 2:

[1

0

-1]

[1

-1/2

-1/2]

Test di Dunnett

Il test di Dunnett si applica quando il confronto di interesse sia tra le singole medie ed una che costituisca il valore di riferimento.

tD =

c

  n

2

i

2

 

n i'

Attenzione, però: questo test vale solo per ipotesi formulate a priori!!!

c y

i

i

+

c y

i'

i'

MS(e)

i

+

c

i'

tD = c y + c y 0.77 i i i' i' = 2 2

tD =

c y + c y 0.77 i i i' i' = 2 2 ◊ 
c y
+
c y
0.77
i
i
i'
i'
=
2
2
 c
c
0.0377 0.0588
MS(e) 
i
+
i'
n
  n
i
i'

= 17.28

Esistono tabelle apposite per il test di Dunnett, qui riportate. La statistica test eccede ampiamente

Esistono tabelle apposite per il test di Dunnett, qui riportate. La statistica test eccede ampiamente il valore tabulato, per cui si può rifiutare l’ipotesi nulla.

Test di Scheffé Tra i test a posteriori, il più robusto, ma anche il più
Test di Scheffé
Tra i test a posteriori, il più robusto, ma anche il più
conservativo, è il test di Scheffé
2
i
i
i
F =
2
c
MS(e)
i
i n
i
F'=(p-1)F

c y

F =   2 MS(e) ∑ i n i = 0.340

F =

 

2

MS(e)

i n

i

= 0.340

i

i

c y

i

(0.77)

2

c

2

i

=

0.0337 0.0588

Test di Scheffé

Test di Scheffé F'=(p-1)F ( p - 1 ) , ( n T - p )

F'=(p-1)F (p-1),(nT-p) =3.090 . 2=6.180

Il livello di significatività del test di Scheffé è un multiplo della F di Fisher, dove il multiplo è il numero di gruppi meno 1.

Il test di Bonferroni (Dunn)

tD =

 

c y

1

1

+

c y

2

2

+

+

c y

p

p

MS(e)

c

n

2

1

+

c

n

2

2

+

+

c

n

2

p

 

1

2

p

(reale) = (nominale) p

2 2 + + c n 2 p       1 2 p

Il test di Bonferroni è un test a priori.

La denominazione viene adottata anche per la correzione di Bonferroni, che è un metodo molto semplice, che viene utilizzato spesso sulle maggiori riviste scientifiche. Il metodo è molto semplice: dato il valore nominale della p ottenuta da un test di Student, questa va moltiplicata per il numero di confronti che si effettuano. Ad esempio, se la significatività è p=0.03 ma si effettuano tre confronti, la p diviene p=0.09, quindi non più significativa.

Quando le misure non hanno distribuzione gaussiana

L’equivalente non parametrico dell’analisi della varianza è il test di Kruskal-Wallis

Dove:

KW =

(N

1)

R =

+

2

Se tutti i gruppi hanno almeno 5 casi, il test segue la distribuzione ² con (k-1) gradi di libertà.

12

N(N

+ 1)

   12 N(N + 1) ∑ n R j j 2  3(N 

n R

j

j

2

3(N

+

1)

Il test di Kruskal Wallis è l’equivalente non parametrico dell’analisi della varianza. I dati vengono trasformati in ranghi, non considerando il gruppo di appartenenza;

i ranghi corrispondenti vengono poi ricollocati nel gruppo corrispondente, e sommati per ciascun gruppo.

KW =    12 N(N + 1) ∑ n R j j 2

KW =

12

N(N

+ 1)

KW =    12 N(N + 1) ∑ n R j j 2 

n R

j

j

2

3(N

+

1)

=

12

15 16

968.125

3 16

=

0.406

Per il calcolo occorre sostituire i valori originali con i relativi ranghi, tenendo conto che in caso di valori uguali (ties) si usa come rango per tutti i valori la media dei ranghi corrispondenti.

Modelli dell’analisi della varianza

• Gli esempi fin qui riportati costituiscono applicazioni di un modello fisso dell’analisi della varianza

• Nel modello fisso i livelli del fattore incluso nell’esperimento (usualmente i trattamenti) sono appositamente scelti dallo sperimentatore, ed obiettivo dell’analisi è il confronto tra le medie.

• E’ atteso che una ripetizione dell’esperimento porti alle stesse stime degli effetti del fattore.

Modelli dell’analisi della varianza

• Nel modello ad effetti casuali o random gli effetti sono un campione casuale estratto da una popolazione di con media 0 e varianza ² .

• In altri termini lo sperimentatore non è espressamente interessato a determinati livelli del fattore in esame, ma li ha scelti come rappresentativi di un fattore di cui vuole stimare la variabilità.

• Il calcolo di devianze e varianze è lo stesso che nel modello fisso.

Analisi della varianza a due criteri di classificazione

   

Fattore B (colonne)

   

1

j

 

c

Totale

 

1

y

11

y

1j

….

y

1c

R

1

Fattore A

(righe)

i

Y

i1

Y

ij

y

ic

R

i

r

Y

r1

Y

rj

y

rc

R

r

Totale

C

1

C

j

C

c

T

Quando i fattori di cui si intende analizzare l’effetto sono due, si passa all’analisi della varianza a due criteri di classificazione.

Medians, interquartiles and 5th and 95th percentiles are given in Figs. 2 . Running times
Medians, interquartiles and 5th and 95th percentiles are given in Figs. 2 . Running times

Medians, interquartiles and 5th and 95th percentiles are given in Figs. 2. Running times were investigated by two-way ANOVA (factors:

age and sex). Significance level was chosen as p<0.01.

Int J Sports Med 2007;28:513

La scomposizione della varianza

Fonte di

Devianza

Gradi di

Varianze

variazione

libertà

Celle

SS(y ij )

pq-1

 

Fattore A

SS(a)

(p-1)

MS(a)

(sesso, righe)

Fattore B

SS(b)

(q-1)

MS(b)

(età, colonne)

Interazione

SS(AB)

(p1)(q-1)

MS(ab)

AxB

Errore

SS(e)

pq(n-1)

MS(e)

TOTALE

SS(y)

pqn-1

 

Nella tabella dell’analisi della varianza compaiono qui il fattore A, il fattore B, ma anche la loro interazione.

La scomposizione della varianza Fonte di Gradi di Varianze variazione libertà Celle pq-1 MS(a) Fattore
La scomposizione della varianza
Fonte di
Gradi di
Varianze
variazione
libertà
Celle
pq-1
MS(a)
Fattore A
(p-1)
MS(a)
F (p 1),pq(n 1) =
MS(e)
(sesso, righe)
MS(b)
Fattore B
(q-1)
MS(b)
F (q
1),pq(n 1) =
MS(e)
(età, colonne)
Interazione
(p1)(q-1)
MS(ab)
MS(ab)
AxB
MS(e)
Errore
pq(n-1)
MS(e)
TOTALE
pqn-1

F (p 1)(q-1),pq(n 1) =

Per ciscuno di questi fattori c’è un test F apposito, con i corrispondenti gradi di libertà.

Interazione quantitativa 40 35 30 25 20 15 10 5 0 A1 A2
Interazione quantitativa
40
35
30
25
20
15
10
5
0
A1
A2

L’interazione è presente quando, in presenza di un livello di un fattore, la differenza tra i due livelli dell’altro fattore è diversa che in presenza dell’altro livello del primo fattore. Quando la differenza è nell’entità ma non nella direzione della differenza, si parla di interazione quantitativa.

Interazione qualitativa 40 35 30 25 20 15 10 5 0 A1 A2
Interazione qualitativa
40
35
30
25
20
15
10
5
0
A1
A2

L’interazione qualitativa, nella quale differisce anche la direzione della differenza, è rarissima in biologia.

Disegno split-plot

.

.

Blocco n

.

.

Blocco n

b 1

b 2

b 3

Y

11

Y

12

Y

13

Y

21

Y

22

Y

23

a

1

Blocco 1

a

2

Blocco 1

Un disegno molto utilizzato è il disegno split-plot, che deriva dall’agricoltura. Nell’applicazione più comune il blocco è il paziente, diviso in due livelli secondo un fattore tra pazienti. Il fattore b, nell’applicazione più comune, è rappresentato dal fattore tempo.

o

vlo

til

tro

At

o vlo til tro At Con tempo
Con
Con
o vlo til tro At Con tempo
tempo
tempo

L’uso di questo disegno è comune quando l’interesse è per la differenza nell’andamento temporale secondo i livelli del fattore tra pazienti.

Statistical evaluation of the data was performed using a 2 x 2 (between-within) analysis of

Statistical evaluation of the data was performed using a 2 x 2 (between-within) analysis of variance [time (pre and post-test) x group (PT and TRT)]

Eur J Appl Physiol 2007;99:257

La scomposizione della varianza Fonte di Gradi di Varianze variazione libertà Tra blocchi np-1 Fattore
La scomposizione della varianza
Fonte di
Gradi di
Varianze
variazione
libertà
Tra blocchi
np-1
Fattore A
(p-1)
MS(a)
MS(a)
MS(e )
Blocchi entro A
p(n-1)
MS(e 1 )
1
Entro blocchi
np(q-1)
MS(b)
F (q 1),p(n-1)(q 1) =
MS(e )
Fattore B
(q-1)
MS(b)
2
Interazione AxB
(p-1)(q-1)
MS(ab)
MS(ab)
F (p 1)(q-1),p(n 1)(q-1) =
B per blocchi entro A
p(n-1)(q-1)
MS(e 2 )
MS(e )
2
TOTALE
pqn-1

F (p

F (p 1),p(n 1) =

1),p(n 1)

=

L’analisi che si utilizza è l’analisi della varianza per misure ripetute, che è una tecnica statistica che tiene conto del fatto che misure ripetute sul medesimo soggetto non sono, ovviamente, indipendenti tra loro.

L’ipotesi che l’andamento temporale sia diverso nei due gruppi è saggiata dal test per l’interazione.

Chest press Muscle power Baseline 10 weeks PT     (power training) 235.27±57.90

Chest press Muscle power

Baseline

10 weeks

PT

   

(power training)

235.27±57.90

322.18±82.25

TRT

   

(traditional resistance training)

233.89±62.35

264.78±59.16

Eur J Appl Physiol 2007;99:257