Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
A B
S1 S11
S2 S12
… …
S10 Sn
Il modello teorico
dell’ANOVA
Nel modello teorico dell’ANOVA “tra i soggetti” il punteggio yij di un soggetto j
nel gruppo i è così scomponibile:
yij = µ + αi + εij
Dove:
µ è la media generale dei punteggi sul campione totale;
αi è l’effetto dovuto al trattamento (livello i della variabile indipendente), ed è
costante all’interno del trattamento;
εij è una componente “residua”, o di errore causale, specifica per ogni
soggetto
Il modello teorico
dell’ANOVA
SCOMPOSIZIONE DELLA DEVIANZA
Nei disegni fattoriali abbiamo due tipi di effetti: gli effetti principali e le
interazioni.
L’effetto principale rappresenta l’effetto medio di una variabile indipendente
sulla variabile dipendente, indipendentemente dai valori delle altre variabili
indipendenti.
L’interazione rappresenta l’effetto di una variabile indipendente sulla
variabile dipendente non è lo stesso per tutti i livelli delle altre variabili
indipendenti.
Analisi della varianza univariata:
disegni fattoriali
DISEGNI FATTORIALI «TRA SOGGETTI» (BETWEEN SUBJECTS)
Nei disegni fattoriali «tra i soggetti» tutti i fattori sono fattori between
subjects, ovvero i soggetti vengono assegnati ad ognuna delle singole celle,
quindi ogni soggetto è esposto solamente ad una particolare combinazione
delle condizioni sperimentali.
A1 A2
S1 S6
B1 S2 S7
… …
S11 S16
B2 S12 S17
… …
Analisi della varianza univariata:
disegni “entro i soggetti” ad un solo
fattore
I disegni entro i soggetti (o within subjects) sono disegni in cui si utilizzano gli
stessi soggetti nelle diverse condizioni sperimentali. Nel caso di disegni entro
i soggetti l’analisi della varianza viene anche detta per prove (o misure)
ripetute.
A B
S1 S1
S2 S2
… …
Sn Sn
Analisi della varianza univariata:
disegni “entro i soggetti” ad un solo
fattore
SCOMPOSIZIONE DELLA DEVIANZA TOTALE
A1 A2
S1 S1
B1 S2 S2
… …
S6 S6
B2 S7 S7
… …
Analisi della varianza
- Le variabili -
L’analisi della varianza univariata può essere vista come un’estensione del
t-test per campioni indipendenti nei casi in cui:
- il fattore between ha più di due livelli (aov a una via);
- esiste più di un fattore between (aov a due o più vie, o aov fattoriale).
Analisi della varianza Univariata
Il modello da adottare sarà quello di analisi della varianza ad una via con:
variabile dipendente: il numero di risposte corrette al test
variablie indipendente un fattore beetween a 3 livelli: scuola di
provenienza (classico, scientifico, artistico)
Analisi della varianza Univariata
ASSUNZIONI
L’APPROCCIO STATISTICO
H0 µ1 = µ2 = µ3 = ….. = µk
L’APPROCCIO STATISTICO
Devianza totale
(N-1)
L’APPROCCIO STATISTICO
MSTra
F Oss
= ≈ F ( dfTra , df Entro )
MS Entro
Se la probabilità associata (p-value) al valore di F osservato è minore di un
valore critico fissato a priori (ad esempio 0.05), si rifiuta H0.
In questo caso si può conludere che il fattore between, ha un effetto
statisticamente significativo sulla variabile dipendente.
Analisi della varianza Univariata ad una via
L’ANALISI POST-HOC
ERRORE
Analisi della varianza Univariata ad una via
L’ANALISI POST-HOC
L’ANALISI POST-HOC
I PASSI FONDAMENTALI
IL MODELLO DI ANALISI
ANOVA univariata
CONCLUSIONI
Si supponga di voler studiare gli effetti del fumo da sigaretta su alcuni tipi di
prestazione. A tale scopo è stato selezionato un campione i cui soggetti sono
stati suddivisi in tre gruppi rispetto al fumo: non fumatori (NS), fumatori ma
non prima-durante la prova (DS), fumatori attivi prima-durante la prova (AS).
In maniera casuale all’interno di ciascun gruppo un terzo dei soggetti ha fatto
un compito di pattern recognition, un terzo un compito di tipo cognitivo e un
terzo una simulazione di guida con un video game. In ogni caso la variabile
dipendente è il numero di errori commessi.
Le domande di ricerca riguardano la valutazione dell’effetto del fumo,
dell’effetto del tipo di compito, e dell’eventuale interazione tra fumo e
compito sulle perfomance dei soggetti.
IL MODELLO DI ANALISI
50 ,0 0 smokegr
N o Smoker
D elay Smoker
Active Smoker
medie marginali attese
40,00
30 ,0 0
20 ,0 0
10 ,0 0
0,00
CONCLUSIONI
IL MODELLO DI ANALISI
4.00
sperimentale
controllo
3.50
3.00
media dei punteggi
2.50
2.00
1.50
1.00
0.50
0.00
interpretazione tono ritmo intonazione tempo articolazione
aspetti valutati
Analisi della varianza Multivariata (MANOVA) in
SPSS
Gradi di
libertà
Effetto Valore F Ipotesi df dell'errore Sig.
Intercetta Traccia di Pillai .991 278.492 a 6.000 16.000 .000
Lambda di Wilks .009 278.492 a 6.000 16.000 .000
Traccia di Hotelling104.434 278.492a 6.000 16.000 .000
Radice di Roy 104.434 278.492 a 6.000 16.000 .000
gruppo Traccia di Pillai .584 3.749a 6.000 16.000 .016
Lambda di Wilks .416 3.749 a 6.000 16.000 .016
Il fattore gruppo
Traccia di Hotelling 1.406 3.749 a 6.000 16.000 .016 ha un effetto
Radice di Roy 1.406 3.749 a 6.000 16.000 .016 significativo
a. Statistica esatta
b. Disegno: Intercept+gruppo
Analisi della varianza Multivariata (MANOVA) in
SPSS
CONCLUSIONI
Nota: non sempre si può utilizzare un disegno a misure ripetute (ad. esempio:
valutazione dell’effetto genere)
Analisi della varianza a misure ripetute
Nota: Le prime due assunzioni sono richieste anche per l’analisi della varianza
multivariata (MANOVA), mentre l’ipotesi di sfericità non lo è.
Analisi della varianza a misure ripetute
Il test di Mauchly
è significativo (p<0.05) ?
No Sì
IL MODELLO DI ANLISI
Per valutare se il tipo di vino ha un effetto sui tempi di reazione dei soggetti si
adotterà un modello di analisi della varianza a misure ripetute con:
45
40
35
media dei tempi di reazione
30
25
20
15
10
0
chianti merlot prosecco zibibbo
tipo di vino
Analisi della varianza a misure ripetute in SPSS
Misura: MEASURE_1
a
Approssimaz Epsilon
ione Greenhous Limite
Effetto entro soggetti W di Mauchly chi-quadrato df Sig. e-Geisser Huynh-Feldt inferiore
tipo_v .186 4.572 5 .495 .605 1.000 .333
Verifica l'ipotesi nulla per la quale la matrice di covarianza dell'errore della variabile dipendente trasformata ortonormalizzata
è proporzionale a una matrice identità.
a. È possibile utilizzarlo per regolare i gradi di libertà per i test di significatività mediati. I test corretti vengono
visualizzati nella tabella dei test sugli effetti entro soggetti.
b.
Disegno: Intercept
Disegno entro soggetti: tipo_v
Misura: MEASURE_1
Somma dei
quadrati Media dei
Sorgente Tipo III df quadrati F Sig.
tipo_v Assumendo la sfericità 698.200 3 232.733 24.759 .000
Greenhouse-Geisser 698.200 1.815 384.763 24.759 .001
Huynh-Feldt 698.200 3.000 232.733 24.759 .000
Limite inferiore 698.200 1.000 698.200 24.759 .008
Errore(tipo_v) Assumendo la sfericità 112.800 12 9.400
Greenhouse-Geisser 112.800 7.258 15.540
Huynh-Feldt 112.800 12.000 9.400
Limite inferiore 112.800 4.000 28.200
CONCLUSIONI
Si può quindi concludere che a seconda del tipo di vino somministrato i tempi
di reazione dei soggetti variano.
Analisi della varianza con
Disegno Misto
TRATTAMENTI
A B C
Maschi
Femmine
Analisi della varianza con
Disegno Misto
LE DOMANDE DI RICERCA
Esiste un effetto trattamento?
Effetto principale
del fattore within Complessivamente i soggetti rispondono in maniera diversa
a seconda del trattamento?
IL MODELLO DI ANALISI
IL MODELLO DI ANLISI
Misura: MEASURE_1
Approssima
zione
Effetto entro soggetti W di Mauchly chi-quadrato df Sig. La sfericità non è
difficol .673 6.733 2 .035 soddisfatta. Bisognerà
adottare un criterio
correttivo.
Analisi della varianza con Disegno Misto in SPSS
Effetto
siginificativo del
fattore within.
Effetto
siginificativo
dell’interazione
tra il fattore within
e quello between
Analisi della varianza con Disegno Misto in SPSS
Effetto
significativo del
fattore between.
Analisi della varianza con Disegno Misto in SPSS
CONCLUSIONI
NUMERO DI ANALISI
LIVELLI DEL ANALISI
FATTORE NON-
PARAMETRICA
BETWEEN PARAMETRICA
NUMERO DI ANALISI
ANALISI
LIVELLI DEL NON-
FATTORE WITHIN PARAMETRICA
PARAMETRICA
test t per test
due campioni
appaiati di Wilcoxon
NUMERO DI ANALISI
ANALISI
LIVELLI DEL NON-
FATTORE WITHIN PARAMETRICA
PARAMETRICA
test
due -
di McNemar
due test
-
o più di due di Cochran
L’approccio Non-parametrico in SPSS
Nel caso in cui le assunzioni per l’analisi della varianza sono dubbie, è
conveniente utilizzare sia l’approccio parametrico che quello non-
parametrico e confrontare i risultati.
Per approfondimenti