روش های تحلیل کوواریانس

روش های تحلیل کوواریانس : تجزیه و تحلیل کوواریانس برای آزمون اثرات اصلی و متقابل متغیرهای طبقه بندی شده بر متغیر وابسته مستمر مورد استفاده قرار می گیرد و برای اثرات متغیرهای پیوسته انتخاب شده که با هم وابسته هستند، کنترل می شود. متغیرهای کنترل به نام “covariates” نامیده می شود.

روش های تحلیل کوواریانس

ANCOVA برای اهداف مختلف مورد استفاده قرار می گیرد:

  • در طرح های تجربی، برای کنترل عوامل که نمی تواند تصادفی شود، اما می تواند در یک مقیاس بازه اندازه گیری شود.
  • در طرح های مشاهده ای، برای حذف اثرات متغیرهایی که رابطه بین مستقل های طبقه بندی را با وابستگی فاصله تغییر می دهند.
  • در مدل های رگرسیون، به تناسب رگرسیون هایی که هر دو به طور مستقل و مستقل طبقه بندی می شوند. (این هدف سوم توسط رگرسیون لجستیک و روش های دیگر جایگزین شده است.

تحلیل کوواریانس شامل یک متغیر پیوسته علاوه بر متغیرهای مورد علاقه (به عنوان مثال متغیر وابسته و مستقل) به عنوان وسیله ای برای کنترل است. از آنجایی که ANCOVA یک فرمت ANOVA است، محقق هنوز هم می تواند اثرات اصلی و تعاملات را برای پاسخگویی به فرضیه های تحقیق خود ارزیابی کند. تفاوت بین ANCOVA و ANOVA این است که یک مدل ANCOVA   شامل “متغیر” است که با متغیر وابسته همبستگی دارد و مفهوم آن بر متغیر وابسته به دلیل اثراتی که covariate بر آن دارد تعدیل شده است.  کوواریات ها می توانند در بسیاری از طرح های مبتنی بر ANOVA مانند بین افراد، درون موضوع ها (اندازه گیری های مکرر)، مخلوط (بین – و درون طرح ها) و غیره استفاده شوند.

روش های تحلیل کوواریانس

 

فیدل ۲۰۱۳  سه برنامه عمومی را برای تحلیل کوواریانس بررسی می کند:

افزایش قدرت آزمایش F در طرح های تجربی:

شرکت کنندگان در یک گروه مبتنی بر ANOVA به گروه های درمان و کنترل اختصاص داده می شوند. سپس ANCOVA میتواند به عنوان وسیله ای برای از بین بردن واریانس ناخواسته در متغیر وابسته استفاده شود. این به محقق اجازه می دهد حساسیت تست را افزایش دهد. اضافه کردن متغیرهای قابل اطمینان و ضروری به این مدل ها به طور معمول باعث کاهش خطا می شود. با کاهش مدت خطا، حساسیت آزمون F نیز برای اثرات اصلی و تعاملی افزایش می یابد.

معادله گروه های غیر معادل:

در تحلیل آماری استفاده از ANCOVA یکی دیگر از روش های اصلاح تفاوت های گروه اولیه است که در متغیر وابسته وجود دارد. با استفاده از این روش، پژوهشگر به دنبال تغییر در متغیر وابسته در تلاش برای اصلاح تفاوتهای فردی است. این به محقق اجازه می دهد تا متغیرهای وابسته را به آنچه که آنها باید داشته باشند، تنظیم کنند. استفاده از این روش معمولا در شرایط غیر تجربی انجام می شود، زمانی که از انتساب تصادف استفاده نمی شود. با این حال ممکن است اختلافات نیز بدلیل  سایر متغیرهایی که به عنوان متغیرهای اندازه گیری نشده یا شامل نمی شوند، باشد.

محقق می تواند به تفسیر اثرات اصلی و تعاملات بین انها بپردازد. تفاوت این است که رگرسیون متغیر وابسته به متغیر وابسته، ابتدا قبل از اینکه واریانس نمره ها به اختلاف بین گروه و درون گروه تقسیم شود، برآورد می شود

0 پاسخ

دیدگاه خود را ثبت کنید

Want to join the discussion?
Feel free to contribute!

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *