Begini masalahnya: jika ada interaksi itu tidak masuk akal untuk "tidak tertarik padanya", karena Anda tidak dapat secara bermakna menafsirkan efek utama sendiri jika ada interaksi. Jadi selain jawaban di bawah ini, saya ingin Anda mempertimbangkan kembali apa yang Anda lakukan.
Erik
Jawaban:
19
Ya, karena beberapa alasan!
1) Paradoks Simpsons . Kecuali desainnya seimbang, jika salah satu variabel memengaruhi hasil, Anda tidak dapat menilai dengan benar bahkan arah efek yang lain tanpa menyesuaikan untuk yang pertama (lihat diagram pertama di tautan, khususnya - direproduksi di bawah) **). Ini menggambarkan masalah - efek dalam-kelompok meningkat (dua garis berwarna), tetapi jika Anda mengabaikan pengelompokan merah-biru Anda mendapatkan efek menurun (garis putus-putus, garis abu-abu) - benar-benar tanda yang salah!
Sementara itu menunjukkan situasi dengan satu variabel kontinu dan satu pengelompokan, hal-hal serupa dapat terjadi ketika efek utama dua arah yang tidak seimbang ANOVA diperlakukan sebagai dua model satu arah.
2) Mari kita asumsikan ada desain yang sepenuhnya seimbang. Maka Anda masih ingin melakukannya, karena jika Anda mengabaikan variabel kedua sambil melihat yang pertama (dengan asumsi keduanya memiliki beberapa dampak) maka efek yang kedua masuk ke istilah kebisingan , menggembungkannya ... dan jadi bias semua standar Anda kesalahan ke atas. Dalam hal ini, efek penting - dan penting - mungkin terlihat seperti kebisingan.
Pertimbangkan data berikut, respons berkelanjutan dan dua faktor kategori nominal:
y x1 x2
1 2.33 A 1
2 1.90 B 1
3 4.77 C 1
4 3.48 A 2
5 1.34 B 2
6 4.16 C 2
7 5.88 A 3
8 2.56 B 3
9 5.97 C 3
10 5.10 A 4
11 2.62 B 4
12 6.21 C 4
13 6.54 A 5
14 6.01 B 5
15 9.62 C 5
Efek dua arah utama anova sangat signifikan (karena seimbang, urutan tidak masalah):
Analysis of Variance Table
Response: y
Df Sum Sq Mean Sq F value Pr(>F)
x1 2 26.644 13.3220 24.284 0.0004000
x2 4 38.889 9.7222 17.722 0.0004859
Residuals 8 4.389 0.5486
Tetapi anava satu arah individual tidak signifikan pada level 5%:
(1) Analysis of Variance Table
Response: y
Df Sum Sq Mean Sq F value Pr(>F)
x1 2 26.687 13.3436 3.6967 0.05613
Residuals 12 43.315 3.6096
(2) Analysis of Variance Table
Response: y
Df Sum Sq Mean Sq F value Pr(>F)
x2 4 38.889 9.7222 3.1329 0.06511
Residuals 10 31.033 3.1033
Perhatikan dalam setiap kasus bahwa rata-rata kuadrat untuk faktor tidak berubah ... tetapi kuadrat rata-rata meningkat secara dramatis (dari 0,55 menjadi lebih dari 3 dalam setiap kasus). Itulah efek dari meninggalkan variabel penting.
** (diagram di atas dibuat oleh pengguna Wikipedia Schutz , tetapi ditempatkan di domain publik; sedangkan atribusi tidak diperlukan untuk item dalam domain publik, saya merasa layak untuk dikenali)
Iya. Jika dua variabel independen terkait dan / atau ANOVA tidak seimbang, maka ANOVA dua arah menunjukkan kepada Anda pengaruh masing-masing variabel yang mengendalikan yang lain.
Jawaban:
Ya, karena beberapa alasan!
1) Paradoks Simpsons . Kecuali desainnya seimbang, jika salah satu variabel memengaruhi hasil, Anda tidak dapat menilai dengan benar bahkan arah efek yang lain tanpa menyesuaikan untuk yang pertama (lihat diagram pertama di tautan, khususnya - direproduksi di bawah) **). Ini menggambarkan masalah - efek dalam-kelompok meningkat (dua garis berwarna), tetapi jika Anda mengabaikan pengelompokan merah-biru Anda mendapatkan efek menurun (garis putus-putus, garis abu-abu) - benar-benar tanda yang salah!
Sementara itu menunjukkan situasi dengan satu variabel kontinu dan satu pengelompokan, hal-hal serupa dapat terjadi ketika efek utama dua arah yang tidak seimbang ANOVA diperlakukan sebagai dua model satu arah.
2) Mari kita asumsikan ada desain yang sepenuhnya seimbang. Maka Anda masih ingin melakukannya, karena jika Anda mengabaikan variabel kedua sambil melihat yang pertama (dengan asumsi keduanya memiliki beberapa dampak) maka efek yang kedua masuk ke istilah kebisingan , menggembungkannya ... dan jadi bias semua standar Anda kesalahan ke atas. Dalam hal ini, efek penting - dan penting - mungkin terlihat seperti kebisingan.
Pertimbangkan data berikut, respons berkelanjutan dan dua faktor kategori nominal:
Efek dua arah utama anova sangat signifikan (karena seimbang, urutan tidak masalah):
Tetapi anava satu arah individual tidak signifikan pada level 5%:
Perhatikan dalam setiap kasus bahwa rata-rata kuadrat untuk faktor tidak berubah ... tetapi kuadrat rata-rata meningkat secara dramatis (dari 0,55 menjadi lebih dari 3 dalam setiap kasus). Itulah efek dari meninggalkan variabel penting.
** (diagram di atas dibuat oleh pengguna Wikipedia Schutz , tetapi ditempatkan di domain publik; sedangkan atribusi tidak diperlukan untuk item dalam domain publik, saya merasa layak untuk dikenali)
sumber
Iya. Jika dua variabel independen terkait dan / atau ANOVA tidak seimbang, maka ANOVA dua arah menunjukkan kepada Anda pengaruh masing-masing variabel yang mengendalikan yang lain.
sumber