Saat ini saya mencoba menangani pelanggaran terhadap asumsi ANOVA. Saya telah menggunakan Shapiro-Wilk untuk menguji normalitas, dan telah mencoba-coba dengan tes Levene dan Bartlett tentang kesetaraan varian. Sejak saat itu saya mengubah data saya untuk mencoba dan memperbaiki varian yang tidak sama. Saya memutar ulang tes Bartlett pada data transformasi log, dan masih menerima nilai-p yang signifikan, dan karena penasaran juga menjalankan uji Levene dan mendapatkan nilai-p yang tidak signifikan. Tes mana yang harus saya andalkan?
Mungkin juga tidak. Akan lebih baik untuk melihat data Anda dan melihat seberapa buruk pelanggarannya. Model linier (misalnya, ANOVA) cukup kuat untuk pelanggaran kecil ketika kelompok sama. Aturan praktis untuk heteroskedastisitas adalah bahwa varians grup maksimum dapat sebanyak 4 kali varians grup minimum tanpa terlalu banyak kerusakan pada analisis Anda. Jika Anda khawatir akan ada pelanggaran, pendekatan yang lebih baik adalah dengan menggunakan analisis yang kuat terhadap kemungkinan pelanggaran sejak awal, daripada mencoba mendeteksi pelanggaran dan kemudian membuat keputusan berdasarkan itu 1 . n
Untuk apa nilainya, Wikipedia mengatakan bahwa tes Bartlett lebih sensitif terhadap pelanggaran normalitas daripada tes Levene. Jadi, Anda mungkin memiliki data non-normal, bukan data heteroskedastik. Sekali lagi, analisis yang lebih kuat mungkin lebih disukai 2 .
... cukup kuat untuk pelanggaran kecil dengan Ns yang sama.
John
Dan kemudian ada masalah yang Anda mungkin memiliki alasan kuat untuk percaya bahwa sampel berasal dari populasi dengan varians yang kira-kira sama ... Yang menjadi dasar tes ketahanan ini.
John
Bisakah saya secara visual memeriksa rentang varians menggunakan plot diagnostik?
Clarice
Tentu, @Clarice. Sejumlah plot akan membantu dengan itu. Anda dapat membuat scatterplot dengan titik-titik yang tersusun secara vertikal di dalam level kategori yang ditandai pada sumbu x, kemudian Anda dapat melihat bagaimana mereka membandingkan. Anda juga dapat mencoba plot kotak, mis.
gung - Reinstate Monica
4
Untuk tes yang kurang sensitif untuk kondisi non-normal dibandingkan dengan tes Levene setidaknya kadang-kadang menggunakan tes Conover , AKA kuadrat peringkat tes non-parametrik. Saya menemukan ini paling tidak kadang-kadang lebih disukai daripada tes Bartlett dalam implementasi Mathematica dari VarianceEquivalenceTest .
Berikut adalah daftar metode dan asumsi pengujian varians yang disalin dari tautan Variance Equivalence di atas
Bartlett normality modified likelihood ratio test
BrownForsythe robust robust Levene test
Conover symmetry Conover's squared ranks test
FisherRatio normality based on variance ratio
Levene robust,symmetry compares individual and group variances
Apa yang harus jelas dari daftar itu adalah bahwa pelanggaran asumsi dapat diuji, walaupun dokumentasi Mathematica tidak spesifik mengenai bagaimana, misalnya, uji simetri Conover sedang dilakukan, atau bahkan mengapa seseorang menguji simetri. Dan, sejauh ini belum ada yang menjawab pertanyaan itu .
Jadi, jawaban untuk pertanyaan OP adalah bahwa hanya pengujian kondisi yang dapat menyarankan metode mana yang lebih disukai dalam kasus tertentu. Selain itu, jika semua 5 tes dicoba, dan tidak dikecualikan karena pelanggaran asumsi, maka seseorang umumnya dapat membedakan antara jawaban yang lebih baik dan lebih buruk dengan jawaban mana pun yang dihasilkan.
Sebagai kasus terburuk, seseorang dapat melakukan simulasi Monte Carlo menggunakan nilai-nilai kebenaran yang diketahui untuk mengeksplorasi kondisi yang mengarah pada probabilitas apa. Tetapi, tanpa informasi lebih lanjut tentang masalah itu sendiri, pertanyaan itu tidak dapat dijawab dalam hal kumpulan data OP. Jika OP menginginkan jawaban spesifik yang berorientasi data, berikan data.
Tes Conover adalah saran yang masuk akal di sini. Tetapi Anda tidak boleh mencampur jawaban untuk pertanyaan ini dengan pertanyaan baru Anda sendiri & permintaan umpan balik (dari siapa?) Mengenai bagian dari jawaban Anda, atau meminta editan yang Anda sarankan untuk disetujui.
gung - Reinstate Monica
@ung Yah, baiklah, ubahlah agar lebih cepat berguna.
Untuk tes yang kurang sensitif untuk kondisi non-normal dibandingkan dengan tes Levene setidaknya kadang-kadang menggunakan tes Conover , AKA kuadrat peringkat tes non-parametrik. Saya menemukan ini paling tidak kadang-kadang lebih disukai daripada tes Bartlett dalam implementasi Mathematica dari VarianceEquivalenceTest .
Berikut adalah daftar metode dan asumsi pengujian varians yang disalin dari tautan Variance Equivalence di atas
Apa yang harus jelas dari daftar itu adalah bahwa pelanggaran asumsi dapat diuji, walaupun dokumentasi Mathematica tidak spesifik mengenai bagaimana, misalnya, uji simetri Conover sedang dilakukan, atau bahkan mengapa seseorang menguji simetri. Dan, sejauh ini belum ada yang menjawab pertanyaan itu .
Jadi, jawaban untuk pertanyaan OP adalah bahwa hanya pengujian kondisi yang dapat menyarankan metode mana yang lebih disukai dalam kasus tertentu. Selain itu, jika semua 5 tes dicoba, dan tidak dikecualikan karena pelanggaran asumsi, maka seseorang umumnya dapat membedakan antara jawaban yang lebih baik dan lebih buruk dengan jawaban mana pun yang dihasilkan.
Sebagai kasus terburuk, seseorang dapat melakukan simulasi Monte Carlo menggunakan nilai-nilai kebenaran yang diketahui untuk mengeksplorasi kondisi yang mengarah pada probabilitas apa. Tetapi, tanpa informasi lebih lanjut tentang masalah itu sendiri, pertanyaan itu tidak dapat dijawab dalam hal kumpulan data OP. Jika OP menginginkan jawaban spesifik yang berorientasi data, berikan data.
sumber