Как провести факторный анализ в статистике. Факторный анализ прибыли от продаж: пример расчета показателей

Свои способности человек может узнать, только попытавшись приложить их. (Сенека)

Дисперсионный анализ

Вводный обзор

В этом разделе мы рассмотрим основные методы, предположения и терминологию дисперсионного анализа.

Отметим, что в англоязычной литературе дисперсионный анализ обычно называется анализом вариации. Поэтому, для краткости, ниже мы иногда будем использовать термин ANOVA (An alysis o f va riation ) для обычного дисперсионного анализа и термин MANOVA для многомерного дисперсионного анализа. В этом разделе мы последовательно рассмотрим основные идеи дисперсионного анализа (ANOVA ), ковариационного анализа (ANCOVA ), многомерного дисперсионного анализа (MANOVA ) и многомерного ковариационного анализа (MANCOVA ). После краткого обсуждения достоинств анализа контрастов и апостериорных критериев рассмотрим предположения, на которых основаны методы дисперсионного анализа. Ближе к концу этого раздела поясняются преимущества многомерного подхода для анализа повторных измерений по сравнению с традиционным одномерным подходом.

Основные идеи

Цель дисперсионного анализа. Основной целью дисперсионного анализа является исследование значимости различия между средними. Глава (глава 8) содержит краткое введение в исследование статистической значимости. Если вы просто сравниваете средние в двух выборках, дисперсионный анализ даст тот же результат, что и обычный t - критерий для независимых выборок (если сравниваются две независимые группы объектов или наблюдений) или t - критерий для зависимых выборок (если сравниваются две переменные на одном и том же множестве объектов или наблюдений). Если вы не достаточно знакомы с этими критериями, рекомендуем обратиться к вводному обзору главы (глава 9).

Откуда произошло название Дисперсионный анализ ? Может показаться странным, что процедура сравнения средних называется дисперсионным анализом. В действительности, это связано с тем, что при исследовании статистической значимости различия между средними, мы на самом деле анализируем дисперсии.

Разбиение суммы квадратов

Для выборки объема n выборочная дисперсия вычисляется как сумма квадратов отклонений от выборочного среднего, деленная на n-1 (объем выборки минус единица). Таким образом, при фиксированном объеме выборки n дисперсия есть функция суммы квадратов (отклонений), обозначаемая, для краткости, SS (от английского Sum of Squares – Сумма Квадратов). В основе дисперсионного анализа лежит разделение (или разбиение) дисперсии на части. Рассмотрим следующий набор данных:

Средние двух групп существенно различны (2 и 6 соответственно). Сумма квадратов отклонений внутри каждой группы равна 2. Складывая их, получаем 4. Если теперь повторить эти вычисления без учета групповой принадлежности, то есть, если вычислить SS исходя из общего среднего этих двух выборок, то получим 28. Иными словами, дисперсия (сумма квадратов), основанная на внутригрупповой изменчивости, приводит к гораздо меньшим значениям, чем при вычислении на основе общей изменчивости (относительно общего среднего). Причина этого, очевидно, заключается в существенной разнице между средними значениями, и это различие между средними и объясняет существующее различии между суммами квадратов. В самом деле, если использовать для анализа приведенных данных модуль Дисперсионный анализ , будут получены следующие результаты:

Как видно из таблицы, общая сумма квадратов SS =28 разбита на сумму квадратов, обусловленную внутригрупповой изменчивостью (2+2=4 ; см. вторую строку таблицы) и сумму квадратов, обусловленную различием средних значений. (28-(2+2)=24; см первую строку таблицы).

SS ошибок и SS эффекта. Внутригрупповая изменчивость (SS ) обычно называется дисперсией ошибки. Это означает, что обычно при проведении эксперимента она не может быть предсказана или объяснена. С другой стороны, SS эффекта (или межгрупповую изменчивость) можно объяснить различием между средними значениями в изучаемых группах. Иными словами, принадлежность к некоторой группе объясняет межгрупповую изменчивость, т.к. нам известно, что эти группы обладают разными средними значениями.

Проверка значимости. Основные идеи проверки статистической значимости обсуждаются в главе Элементарные понятия статистики (глава 8). В этой же главе объясняются причины, по которым многие критерии используют отношение объясненной и необъясненной дисперсии. Примером такого использования является сам дисперсионный анализ. Проверка значимости в дисперсионном анализе основана на сравнении дисперсии, обусловленной межгрупповым разбросом (называемой средним квадратом эффекта или MS эффект ) и дисперсии, обусловленной внутригрупповым разбросом (называемой средним квадратом ошибки или MS ошибка ). Если верна нулевая гипотеза (равенство средних в двух популяциях), то можно ожидать сравнительно небольшое различие в выборочных средних из-за случайной изменчивости. Поэтому при нулевой гипотезе внутригрупповая дисперсия будет практически совпадать с общей дисперсией, подсчитанной без учета группой принадлежности. Полученные внутригрупповые дисперсии можно сравнить с помощью F - критерия, проверяющего, действительно ли отношение дисперсий значимо больше 1. В рассмотренном выше примере F - критерий показывает, что различие между средними статистически значимо.

Основная логика дисперсионного анализа. Подводя итоги, можно сказать, что целью дисперсионного анализа является проверка статистической значимости разницы между средними (для групп или переменных). Эта проверка проводится с помощью анализа дисперсии, т.е. с помощью разбиения общей дисперсии (вариации) на части, одна из которых обусловлена случайной ошибкой (то есть внутригрупповой изменчивостью), а вторая связана с различием средних значений. Последняя компонента дисперсии затем используется для анализа статистической значимости различия между средними значениями. Если это различие значимо, нулевая гипотеза отвергается и принимается альтернативная гипотеза о существовании различия между средними.

Зависимые и независимые переменные. Переменные, значения которых определяется с помощью измерений в ходе эксперимента (например, балл, набранный при тестировании), называются зависимыми переменными. Переменные, которыми можно управлять при проведении эксперимента (например, методы обучения или другие критерии, позволяющие разделить наблюдения на группы) называются факторами или независимыми переменными. Более подробно эти понятия описаны в главе Элементарные понятия статистики (глава 8).

Многофакторный дисперсионный анализ

В рассмотренном выше простом примере вы могли бы сразу вычислить t-критерий для независимых выборок, используя соответствующую опцию модуля Основные статистики и таблицы. Полученные результаты, естественно, совпадут с результатами дисперсионного анализа. Однако дисперсионный анализ содержит гибкие и мощные технические средства, которые могут быть использованы для гораздо более сложных исследований.

Множество факторов. Мир по своей природе сложен и многомерен. Ситуации, когда некоторое явление полностью описывается одной переменной, чрезвычайно редки. Например, если мы пытаемся научиться выращивать большие помидоры, следует рассматривать факторы, связанные с генетической структурой растений, типом почвы, освещенностью, температурой и т.д. Таким образом, при проведении типичного эксперимента приходится иметь дело с большим количеством факторов. Основная причина, по которой использование дисперсионного анализа предпочтительнее повторного сравнения двух выборок при разных уровнях факторов с помощью t - критерия, заключается в том, что дисперсионный анализ более эффективен и, для малых выборок, более информативен.

Управление факторами. Предположим, что в рассмотренном выше примере анализа двух выборок мы добавим еще один фактор, например, Пол - Gender . Пусть каждая группа состоит из 3 мужчин и 3 женщин. План этого эксперимента можно представить в виде таблицы 2 на 2:

До проведения вычислений, можно заметить, что в этом примере общая дисперсия имеет, по крайней мере, три источника:

(1) случайная ошибка (внутригрупповая дисперсия),

(2) изменчивость, связанная с принадлежностью к экспериментальной группе, и

(3) изменчивость, обусловленная полом объектов наблюдения.

(Отметим, что существует еще один возможный источник изменчивости – взаимодействие факторов , который мы обсудим позднее). Что произойдет, если мы не будем включать пол –gender как фактор при проведении анализа и вычислим обычный t -критерий? Если мы будем вычислять суммы квадратов, игнорируя пол – gender (т.е., объединяя объекты разного пола в одну группу при вычислении внутригрупповой дисперсии, получив при этом сумму квадратов для каждой группы равную SS =10, и общую сумму квадратов SS = 10+10 = 20), то получим большее значение внутригрупповой дисперсии, чем при более точном анализе с дополнительным разбиением на подгруппы по полу - gender (при этом внутригрупповые средние будут равны 2, а общая внутригрупповая сумма квадратов равна SS = 2+2+2+2 = 8). Это различие связано с тем, что среднее значение для мужчин - males меньше, чем среднее значение для женщин – female , и это различие в средних значениях увеличивает суммарную внутригрупповую изменчивость, если фактор пола не учитывается. Управление дисперсией ошибки увеличивает чувствительность (мощность) критерия.

На этом примере видно еще одно преимущество дисперсионного анализа по сравнению с обычным t -критерием для двух выборок. Дисперсионный анализ позволяет изучать каждый фактор, управляя значениями остальных факторов. Это, в действительности, и является основной причиной его большей статистической мощности (для получения значимых результатов требуются меньшие объемы выборок). По этой причине дисперсионный анализ даже на небольших выборках дает статистически более значимые результаты, чем простой t - критерий.

Эффекты взаимодействия

Существует еще одно преимущество применения дисперсионного анализа по сравнению с обычным t - критерием: дисперсионный анализ позволяет обнаружить взаимодействие между факторами и, следовательно, позволяет изучать более сложные модели. Для иллюстрации рассмотрим еще один пример.

Главные эффекты, попарные (двухфакторные) взаимодействия. Предположим, что имеется две группы студентов, причем психологически студенты первой группы настроены на выполнение поставленных задач и более целеустремленны, чем студенты второй группы, состоящей из более ленивых студентов. Разобьем каждую группу случайным образом пополам и предложим одной половине в каждой группе сложное задание, а другой - легкое. После этого измерим, насколько напряженно студенты работают над этими заданиями. Средние значения для этого (вымышленного) исследования показаны в таблице:

Какой вывод можно сделать из этих результатов? Можно ли заключить, что: (1) над сложным заданием студенты трудятся более напряженно; (2) целеустремленные студенты работают упорнее, чем ленивые? Ни одно из этих утверждений не отражает сущность систематического характера средних, приведенных в таблице. Анализируя результаты, правильнее было бы сказать, что над сложными заданиями работают упорнее только целеустремленные студенты, в то время как над легкими заданиями только ленивые работают упорнее. Другими словами характер студентов и сложность задания взаимодействуя между собой влияют на затрачиваемое усилие. Это пример парного взаимодействия между характером студентов и сложностью задания. Отметим, что утверждения 1 и 2 описывают главные эффекты .

Взаимодействия высших порядков. В то время как объяснить попарные взаимодействия еще сравнительно легко, взаимодействия высших порядков объяснить значительно сложнее. Представим себе, что в рассматриваемый выше пример, введен еще один фактор пол -Gender и мы получили следующую таблицу средних значений:

Какие теперь выводы можно сделать из полученных результатов? Графики средних позволяют легко интерпретировать сложные эффекты. Модуль дисперсионного анализа позволяет строить эти графики практически одним щелчком мышки.

Изображение на графиках внизу представляет собой изучаемое трехфакторное взаимодействие.

Глядя на графики, можно сказать, что у женщин существует взаимодействие между характером и сложностью теста: целеустремленные женщины работают над трудным заданием более напряженно, чем над легким. У мужчин это же взаимодействие носит обратный характер. Видно, что описание взаимодействия между факторами становится более запутанным.

Общий способ описания взаимодействий. В общем случае взаимодействие между факторами описывается в виде изменения одного эффекта под воздействием другого. В рассмотренном выше примере двухфакторное взаимодействие можно описать как изменение главного эффекта фактора, характеризующего сложность задачи, под воздействием фактора, описывающего характер студента. Для взаимодействия трех факторов из предыдущего параграфа можно сказать, что взаимодействие двух факторов (сложности задачи и характера студента) изменяется под воздействием пола – Gender . Если изучается взаимодействие четырех факторов, можно сказать, что взаимодействие трех факторов, изменяется под воздействием четвертого фактора, т.е. существуют различные типы взаимодействий на разных уровнях четвертого фактора. Оказалось, что во многих областях взаимодействие пяти или даже большего количества факторов не является чем-то необычным.

Сложные планы

Межгрупповые и внутригрупповые планы (планы с повторными измерениями)

При сравнении двух различных групп обычно используется t - критерий для независимых выборок (из модуля Основные статистики и таблицы ). Когда сравниваются две переменные на одном и том же множестве объектов (наблюдений), используется t -критерий для зависимых выборок. Для дисперсионного анализа также важно зависимы или нет выборки. Если имеются повторные измерения одних и тех же переменных (при разных условиях или в разное время) для одних и тех же объектов , то говорят о наличии фактора повторных измерений (называемого также внутригрупповым фактором, поскольку для оценки его значимости вычисляется внутригрупповая сумма квадратов). Если сравниваются разные группы объектов (например, мужчины и женщины, три штамма бактерий и т.п.), то разница между группами описывается межгрупповым фактором. Способы вычисления критериев значимости для двух описанных типов факторов различны, но общая их логика и интерпретации совпадает.

Меж- и внутригрупповые планы. Во многих случаях эксперимент требует включение в план и межгруппового фактора, и фактора повторных измерений. Например, измеряются математические навыки студентов женского и мужского пола (где пол – Gender -межгрупповой фактор) в начале и в конце семестра. Два измерения навыковкаждого студента образуют внутригрупповой фактор (фактор повторных измерений). Интерпретация главных эффектов и взаимодействий для межгрупповых факторов и факторов повторных измерений совпадает, и оба типа факторов могут, очевидно, взаимодействовать между собой (например, женщины приобретают навыки в течение семестра, а мужчины их теряют).

Неполные (гнездовые) планы

Во многих случаях можно пренебречь эффектом взаимодействия. Это происходит или когда известно, что в популяции эффект взаимодействия отсутствует, или когда осуществление полного факторного плана невозможно. Например, изучается влияние четырех добавок к топливу на расход горючего. Выбираются четыре автомобиля и четыре водителя. Полный факторный эксперимент требует, чтобы каждая комбинация: добавка, водитель, автомобиль - появились хотя бы один раз. Для этого нужно не менее 4 x 4 x 4 = 64 групп испытаний, что требует слишком больших временных затрат. Кроме того, вряд ли существует взаимодействие между водителем и добавкой к топливу. Принимая это во внимание, можно использовать план Латинские квадраты, в котором содержится лишь16 групп испытаний (четыре добавки обозначаются буквами A, B, C и D):

Латинские квадраты описаны в большинстве книг по планированию экспериментов (например, Hays, 1988; Lindman, 1974; Milliken and Johnson, 1984; Winer, 1962), и здесь они не будут детально обсуждаться. Отметим, что латинские квадраты это не n олные планы, в которых участвуют не все комбинации уровней факторов. Например, водитель 1 управляет автомобилем 1 только с добавкой А, водитель 3 управляет автомобилем 1 только с добавкой С. Уровни фактора добавок (A, B, C и D) вложены в ячейки таблицы автомобиль x водитель – как яйца в гнезда. Это мнемоническое правило полезно для понимания природы гнездовых или вложенных планов. Модуль Дисперсионный анализ предоставляет простые способы анализ планов такого типа.

Ковариационный анализ

Основная идея

В разделе Основные идеи кратко обсуждалась идея управления факторами и то, каким образом включение аддитивных факторов позволяет уменьшать сумму квадратов ошибок и увеличивать статистическую мощность плана. Все это может быть распространено и на переменные с непрерывным множеством значений. Когда такие непрерывные переменные включаются в план в качестве факторов, они называются ковариатами .

Фиксированные ковариаты

Предположим, что сравниваются математические навыки двух групп студентов, которые обучались по двум различным учебникам. Предположим также, что имеются данные о коэффициенте интеллекта (IQ) для каждого студента. Можно предположить, что коэффициент интеллекта связан с математическими навыками, и использовать эту информацию. Для каждой из двух групп студентов можно вычислить коэффициент корреляции между IQ и математическими навыками. Используя этот коэффициент корреляции, можно выделить долю дисперсии в группах, объясняемую влиянием IQ и необъясняемую долю дисперсии (см. также Элементарные понятия статистики (глава 8) и Основные статистики и таблицы (глава 9)). Оставшаяся доля дисперсии используется при проведении анализа как дисперсия ошибки. Если имеется корреляция между IQ и математическими навыками, то можно существенно уменьшить дисперсии ошибки SS /(n -1) .

Влияние ковариат на F- критерий. F- критерий оценивает статистическую значимость различия средних значений в группах, при этом вычисляется отношение межгрупповой дисперсии (MS effect ) к дисперсии ошибок (MS error ) . Если MS error уменьшается, например, при учете фактора IQ, значение F увеличивается.

Множество ковариат. Рассуждения, использованные выше для одной ковариаты (IQ), легко распространяются на несколько ковариат. Например, кроме IQ, можно включить измерение мотивации, пространственного мышления и т.д. Вместо обычного коэффициента корреляции при этом используется множественный коэффициент корреляции.

Когда значение F -критерия уменьшается. Иногда введение ковариат в план эксперимента уменьшает значение F -критерия. Обычно это указывает на то, что ковариаты коррелированы не только с зависимой переменной (например, математическими навыками), но и с факторами (например, с разными учебниками). Предположим, что IQ измеряется в конце семестра, после почти годового обучения двух групп студентов по двум разным учебникам. Хотя студенты разбивались на группы случайным образом, может оказаться, что различие учебников настолько велико, что и IQ и математические навыки в разных группах будут сильно различаться. В этом случае, ковариаты не только уменьшают дисперсию ошибок, но и межгрупповую дисперсию. Другими словами, после контроля за разностью IQ в разных группах, разность в математических навыках уже будет несущественной. Можно сказать иначе. После “исключения” влияния IQ, неумышленно исключается и влияние учебника на развитие математических навыков.

Скорректированные средние. Когда ковариата влияет на межгрупповой фактор, следует вычислять скорректированные средние , т.е. такие средние, которые получаются после удаления всех оценок ковариат.

Взаимодействие между ковариатами и факторами. Также как исследуется взаимодействие между факторами, можно исследовать взаимодействие между ковариатами и между группами факторов. Предположим, что один из учебников особенно подходит для умных студентов. Второй учебник для умных студентов скушен, а для менее умных студентов этот же учебник труден. В результате имеется положительная корреляция между IQ и результатом обучения в первой группе (более умные студенты, лучше результат) и нулевая или небольшая отрицательная корреляция во второй группе (чем умнее студент, тем менее вероятно приобретение математических навыков из второго учебника). В некоторых исследованиях эта ситуация обсуждается как пример нарушения предположений ковариационного анализа. Однако так как в модуле Дисперсионный анализ используются самые общие способы ковариационного анализа, можно, в частности, оценить статистическую значимость взаимодействия между факторами и ковариатами.

Переменные ковариаты

В то время как фиксированные ковариаты обсуждаются в учебниках достаточно часто, переменные ковариаты упоминаются намного реже. Обычно, при проведении экспериментов с повторными измерениями, нас интересуют различия в измерениях одних и тех же величин в разные моменты времени. А именно, нас интересует значимость этих различий. Если одновременно с измерениями зависимых переменных проводится измерение ковариат, можно вычислить корреляцию между ковариатой и зависимой переменной.

Например, можно изучать интерес к математике и математические навыки в начале и в конце семестра. Интересно было бы проверить, коррелированы ли между собой изменения в интересе к математике с изменением математических навыков.

Модуль Дисперсионный анализ в STATISTICA автоматически оценивает статистическую значимость изменения ковариат в тех планах, где это возможно.

Многомерные планы: многомерный дисперсионный и ковариационный анализ

Межгрупповые планы

Все рассматриваемые ранее примеры включали только одну зависимую переменную. Когда одновременно имеется несколько зависимых переменных, возрастает лишь сложность вычислений, а содержание и основные принципы не меняются.

Например, проводится исследование двух различных учебников. При этом изучаются успехи студентов в изучении физики и математики. В этом случае имеются две зависимые переменные и нужно выяснить, как влияют на них одновременно два разных учебника. Для этого можно воспользоваться многомерным дисперсионным анализом (MANOVA). Вместо одномерного F критерия, используется многомерный F критерий (l-критерий Уилкса), основанный на сравнении ковариационной матрицы ошибок и межгрупповой ковариационной матрицы.

Если зависимые переменные коррелированы между собой, то эта корреляция должна учитываться при вычислении критерия значимости. Очевидно, если одно и то же измерение повторяется дважды, то ничего нового получить при этом нельзя. Если к имеющемуся измерению добавляется коррелированное с ним измерение, то получается некоторая новая информация, но при этом новая переменная содержит избыточную информацию, которая отражается в ковариации между переменными.

Интерпретация результатов. Если общий многомерный критерий значим, можно заключить, что соответствующий эффект (например, тип учебника) значим. Однако встают следующие вопросы. Влияет ли тип учебника на улучшение только математических навыков, только физических навыков, или одновременно на улучшение тех и других навыков. В действительности, после получения значимого многомерного критерия, для отдельного главного эффекта или взаимодействия исследуется одномерный F критерий. Другими словами, отдельно исследуются зависимые переменные, которые вносят вклад в значимость многомерного критерия.

Планы с повторными измерениями

Если измеряются математические и физические навыки студентов в начале семестра и в конце, то это и есть повторные измерения. Изучение критерия значимости в таких планах это логическое развитие одномерного случая. Заметим, что методы многомерного дисперсионного анализа обычно также используются для исследования значимости одномерных факторов повторных измерений, имеющих более чем два уровня. Соответствующие применения будут рассмотрены позднее в этой части.

Суммирование значений переменных и многомерный дисперсионный анализ

Даже опытные пользователи одномерного и многомерного дисперсионного анализа часто приходят в затруднение, получая разные результаты при применении многомерного дисперсионного анализа, например, для трех переменных, и при применении одномерного дисперсионного анализа к сумме этих трех переменных, как к одной переменной.

Идея суммирования переменных состоит в том, что каждая переменная содержит в себе некоторую истинную переменную, которая и исследуется, а также случайную ошибку измерения. Поэтому при усреднении значений переменных, ошибка измерения будет ближе к 0 для всех измерений и усредненное значений будет более надежным. На самом деле, в этом случае применение дисперсионного анализа к сумме переменных разумно и является мощным методом. Однако если зависимые переменные по своей природе многомерны, суммирование значений переменных неуместно.

Например, пусть зависимые переменные состоят из четырех показателей успеха в обществе . Каждый показатель характеризует совершенно независимую сторону человеческой деятельности (например, профессиональный успех, преуспеваемость в бизнесе, семейное благополучие и т.д.). Сложение этих переменных подобно сложению яблока и апельсина. Сумма этих переменных не будет подходящим одномерным показателем. Поэтому с такими данными нужно обходится как с многомерными показателями в многомерном дисперсионном анализе .

Анализ контрастов и апостериорные критерии

Почему сравниваются отдельные множества средних?

Обычно гипотезы относительно экспериментальных данных формулируются не просто в терминах главных эффектов или взаимодействий. Примером может служить такая гипотеза: некоторый учебник повышает математические навыки только у студентов мужского пола, в то время как другой учебник примерно одинаково эффективен для обоих полов, но все же менее эффективен для мужчин. Можно предсказать, что эффективность учебника взаимодействует с полом студента. Однако этот прогноз касается также природы взаимодействия. Ожидается значительное различие между полами для обучающихся по одной книге и практически не зависимые от пола результаты для обучающихся по другой книге. Такой тип гипотез обычно исследуется с помощью анализа контрастов.

Анализ контрастов

Если говорить коротко, то анализ контрастов позволяет оценивать статистическую значимость некоторых линейных комбинаций эффектов сложного плана. Анализ контрастов главный и обязательный элемент любого сложного плана дисперсионного анализа. Модуль Дисперсионный анализ имеет достаточно разнообразные возможности анализа контрастов, которые позволяют выделять и анализировать любые типы сравнений средних.

Апостериорные сравнения

Иногда в результате обработки эксперимента обнаруживается неожиданный эффект. Хотя в большинстве случаев творческий исследователь сможет объяснить любой результат, это не дает возможностей для дальнейшего анализа и получения оценок для прогноза. Эта проблема является одной из тех, для которых используются апостериорные критерии , то есть критерии, не использующие априорные гипотезы. Для иллюстрации рассмотрим следующий эксперимент. Предположим, что на 100 карточках записаны числа от 1 до 10. Опустив все эти карточки в шапку, мы случайным образом выбираем 20 раз по 5 карточек, и вычисляем для каждой выборки среднее значение (среднее чисел, записанных на карточки). Можно ли ожидать, что найдутся две выборки, у которых средние значения значимо отличаются? Это очень правдоподобно! Выбирая две выборки с максимальным и минимальным средним, можно получить разность средних, сильно отличающуюся от разности средних, например, первых двух выборок. Эту разность можно исследовать, например, с помощью анализа контрастов. Если не вдаваться в детали, то существует несколько, так называемых апостериорных критериев, которые основаны в точности на первом сценарии (взятие экстремальных средних из 20 выборок), т. е. эти критерии основаны на выборе наиболее отличающихся средних для сравнения всехсредних значений в плане. Эти критерии применяются для того, чтобы чисто случайно не получить искусственный эффект, например, обнаружить значимое различие между средними, когда его нет. Модуль Дисперсионный анализ предлагает широкий выбор таких критериев. Когда в эксперименте, связанном с несколькими группами, встречаются неожиданные результаты, то используются апостериорные процедуры для исследования статистической значимости полученных результатов.

Сумма квадратов типа I, II, III и IV

Многомерная регрессия и дисперсионный анализ

Существует тесная взаимосвязь между методом многомерной регрессии и дисперсионным анализом (анализом вариаций). И в том и в другом методе исследуется линейная модель. Если говорить коротко, то практически все планы эксперимента можно исследовать с помощью многомерной регрессии. Рассмотрим следующий простой межгрупповой 2 x 2 план.

Столбцы А и В содержат коды, характеризующие уровни факторов А и В, столбец АxВ содержит произведение двух столбцов А и В. Мы можем анализировать эти данные с помощью многомерной регрессии. Переменная DV определяется как зависимая переменная, переменные от A до AxB как независимые переменные. Исследование значимости для коэффициентов регрессии будет совпадать с вычислениями в дисперсионном анализе значимости главных эффектов факторов A и B и эффекта взаимодействия AxB .

Несбалансированные и сбалансированные планы

При вычислении корреляционной матрицы для всех переменных, например, для данных, изображенных выше, можно заметить, что главные эффекты факторов A и B и эффект взаимодействия AxB некоррелированы. Это свойство эффектов называют также ортогональностью. Говорят, что эффекты A и B - ортогональны или независимы друг от друга. Если все эффекты в плане ортогональны друг другу, как в приведенном выше примере, то говорят, что план сбалансирован .

Сбалансированные планы обладают “хорошим свойством”. Вычисления при анализе таких планов очень просты. Все вычисления сводятся к вычислению корреляции между эффектами и зависимыми переменными. Так как эффекты ортогональны, частные корреляции (как в полной многомерной регрессии) не вычисляются. Однако в реальной жизни планы не всегда сбалансированы.

Рассмотрим реальные данные с неравным числом наблюдений в ячейках.

Если закодировать эти данные как выше и вычислить корреляционную матрицу для всех переменных, то окажется, что факторы плана коррелированы друг с другом. Факторы в плане теперь не ортогональны и такие планы называются несбалансированными. Заметим, что в рассматриваемом примере, корреляция между факторами полностью связана с различием частот 1 и -1 в столбцах матрицы данных. Другими словами, планы экспериментов с неравными объемами ячеек (точнее, непропорциональными объемами) будут несбалансированными, это означает, что главные эффекты и взаимодействия будут смешиваться. В этом случае для вычисления статистической значимости эффектов нужно полностью вычислять многомерную регрессию. Здесь имеется несколько стратегий.

Сумма квадратов типа I, II, III и IV

Сумма квадратов типа I и III . Для изучения значимости каждого фактора в многомерной модели можно вычислять частную корреляцию каждого фактора, при условии, что все другие факторы уже учтены в модели. Можно также вводить факторы в модель пошаговым способом, фиксируя все факторы, уже введенные в модель и игнорируя все остальные факторы. Вообще, в этом и состоит различие между типом III и типом I суммы квадратов (эта терминология была введена в SAS, см. например, SAS, 1982; подробное обсуждение можно также найти в Searle, 1987, стр. 461; Woodward, Bonett, and Brecht, 1990, стр. 216; или Milliken and Johnson, 1984, стр. 138).

Сумма квадратов типа II. Следующая “промежуточная” стратегия формирования модели состоит: в контроле всех главных эффектов при исследовании значимости отдельного главного эффекта; в контроле всех главных эффектов и всех попарных взаимодействий, когда исследуется значимость отдельного попарного взаимодействия; в контроле всех главных эффектов всех попарных взаимодействий и всех взаимодействий трех факторов; при исследовании отдельного взаимодействия трех факторов и т.д. Суммы квадратов для эффектов, вычисляемые таким способом, называются типом II суммы квадратов. Итак, тип II суммы квадратов контролирует все эффекты того же порядка и ниже, игнорируя все эффекты более высокого порядка.

Сумма квадратов типа IV . Наконец, для некоторых специальных планов с пропущенными ячейками (неполными планами) можно вычислять, так называемые, типа IV суммы квадратов. Этот метод будет обсуждаться позднее в связи с неполными планами (планами с пропущенными ячейками).

Интерпретация гипотезы о сумме квадратов типа I, II, и III

Сумму квадратов типа III легче всего интерпретировать. Напомним, что суммы квадратов типа III исследуют эффекты после контроля всех других эффектов. Например, после нахождения статистически значимого типа III эффекта для фактора A в модуле Дисперсионный анализ , можно сказать, что существует единственный значимый эффект фактора A , после введения всех других эффектов (факторов) и соответственно интерпретировать этот эффект. Вероятно в 99% всех приложений дисперсионного анализа именно этот тип критерия интересует исследователя. Этот тип суммы квадратов обычно вычисляется в модуле Дисперсионный анализ по умолчанию, независимо от того выбрана опция Регрессионный подход или нет (стандартные подходы принятые в модуле Дисперсионный анализ обсуждаются ниже).

Значимые эффекты, полученные с помощью сумм квадратов типа или типа II суммы квадратов интерпретировать не так легко. Лучше всего их интерпретировать в контексте пошаговой многомерной регрессии. Если при использовании суммы квадратов типа I главный эффект фактора В оказался значим (после включения в модель фактора А, но перед добавлением взаимодействия между А и В), можно заключить, что существует значимый главный эффект фактора В, при условии, что нет взаимодействия между факторами А и В. (Если при использовании критерия типа III , фактор В также оказался значимым, то можно заключить, что существует значимый главный эффект фактора B, после введения в модель всех других факторов и их взаимодействий).

В терминах маргинальных средних гипотезы типа I и типа II обычно не имеют простой интерпретации. В этих случаях говорят, что нельзя интерпретировать значимость эффектов, рассматривая только маргинальные средние. Скорее представленные p значений средних имеют отношение к сложной гипотезе, которая комбинирует средние и объем выборки. Например, тип II гипотезы для фактора А в простом примере плана 2 x 2, рассматриваемом ранее будут (см. Woodward, Bonett, and Brecht, 1990, стр. 219):

nij - число наблюдений в ячейке

uij - среднее значение в ячейке

n . j - маргинальное среднее

Если не вдаваться в детали (более подробно см. Milliken and Johnson, 1984, глава 10), то ясно, что это не простые гипотезы и в большинстве случаев ни одна из них не представляет особенного интереса у исследователя. Однако существуют случаи, когда гипотезы типа I могут быть интересны.

Принимаемый по умолчанию вычислительный подход в модуле Дисперсионный анализ

По умолчанию, если не отмечена опция Регрессионный подход , модуль Дисперсионный анализ использует модель средних по ячейкам . Для этой модели характерно, что суммы квадратов для разных эффектов вычисляются для линейных комбинаций средних значений по ячейкам. В полном факторном эксперименте это приводит к суммам квадратов, которые совпадают с суммами квадратов, обсуждаемыми ранее как тип III . Однако в опции Спланированные сравнения (в окне Результаты дисперсионного анализа ), пользователь может проверять гипотезу относительно любой линейной комбинации взвешенных или невзвешенных средних по ячейкам. Таким образом, пользователь может проверять не только гипотезы типа III , но гипотезы любого типа (включая тип IV ). Этот общий подход особенно полезен, когда исследуются планы с пропущенными ячейками (так называемые неполные планы).

Для полных факторных планов этот подход полезно также использовать в тех случаях, когда хотят анализировать взвешенные маргинальные средние. Например, предположим, что в рассматриваемом ранее простом 2 x 2 плане, нужно сравнить взвешенные (по уровням фактора B ) маргинальные средние для фактора А. Это бывает полезным, когда распределение наблюдений по ячейкам не готовилось экспериментатором, а строилось случайно, и эта случайность отражается в распределении числа наблюдений по уровням фактора B в совокупности.

Например, имеется фактор - возраст вдов. Возможная выборка респондентов разбита на две группы: моложе 40 лет и старше 40 (фактор В). Второй фактор (фактор А) в плане - получали или нет социальную поддержку вдовы в некотором агентстве (при этом одни вдовы были выбраны случайно, другие служили в качестве контроля). В этом случае распределение вдов по возрастам в выборке отражает действительное распределение вдов по возрастам в совокупности. Оценке эффективности группы социальной поддержки вдов по всем возрастам будет соответствовать взвешенное среднее для двух возрастных групп (с весами соответствующими числу наблюдений в группе).

Спланированные сравнения

Заметим, что сумма введенных коэффициентов контрастов не обязательно равна 0 (нулю). Вместо этого программа будет автоматически вносить поправки, чтобы соответствующие гипотезы не смешивались с общим средним.

Для иллюстрации этого вернемся опять к простому 2 x 2 плану, рассмотренному ранее. Напомним, что числа наблюдений в ячейках этого несбалансированного плана -1, 2, 3, и 1. Предположим, что мы хотим сравнить взвешенные маргинальные средние для фактора А (взвешенные с частотой уровней фактора В). Можно ввести коэффициенты контраста:

Заметим, что эти коэффициенты не дают в сумме 0. Программа будет устанавливать коэффициенты так, что в сумме они будут давать 0, и при этом будут сохраняться их относительные значения, т. е.:

1/3 2/3 -3/4 -1/4

Эти контрасты будут сравнивать взвешенные средние для фактора А.

Гипотезы о главном среднем. Гипотеза, о том, что не взвешенное главное среднее равно 0 может исследоваться с помощью коэффициентов:

Гипотеза о том, что взвешенное главное среднее равно 0 проверяется с помощью:

Ни в одном случае программа не производит корректировки коэффициентов контрастов.

Анализ планов с пропущенными ячейками (неполные планы)

Факторные планы, содержащие пустые ячейки (обработка комбинаций ячеек, в которых нет наблюдений) называются неполными. В таких планах некоторые факторы обычно не ортогональны и некоторые взаимодействия не могут быть вычислены. Вообще не существует лучшего метода анализа таких планов.

Регрессионный подход

В некоторых старых программах, которые основаны на анализе планов дисперсионного анализа с помощью многомерной регрессии, факторы в неполных планах по умолчанию задаются обычным образом (как будто план полный). Затем производится многомерный регрессионный анализ для этих фиктивно закодированных факторов. К несчастью, этот метод приводит к результатам, которые очень трудно, или даже невозможно, интерпретировать, так как неясно, как каждый эффект участвует в линейной комбинации средних значений. Рассмотрим следующий простой пример.

Если будет выполняться многомерная регрессия вида Зависимая переменная = Константа + Фактор A + Фактор B , то гипотеза о значимости факторов A и B в терминах линейных комбинаций средних выглядит так:

Фактор A: Ячейка A1,B1 = Ячейка A2,B1

Фактор B: Ячейка A1,B1 = Ячейка A1,B2

Этот случай прост. В более сложных планах невозможно фактически определить, что точно будет исследоваться.

Средние ячеек, подход дисперсионного анализа, гипотезы типа IV

Подход, который рекомендуется в литературе и который кажется предпочтительнее - исследование осмысленных (с точки зрения исследовательских задач) априорных гипотез о средних, наблюдаемых в ячейках плана. Подробное обсуждение этого подхода можно найти в Dodge (1985), Heiberger (1989), Milliken and Johnson (1984), Searle (1987), или Woodward, Bonett, and Brecht (1990). Суммы квадратов, ассоциированные с гипотезами о линейной комбинации средних в неполных планах, исследующие оценки части эффектов, называются также суммами квадратов IV .

Автоматическая генерация гипотез типа IV . Когда многофакторные планы имеют сложный характер пропущенных ячеек, желательно определить ортогональные (независимые) гипотезы, исследование которых эквивалентно исследованию главных эффектов или взаимодействий. Были развиты алгоритмические (вычислительные) стратегии (основанные на псевдообратной матрице плана) для генерирования подходящих весов для таких сравнений. К сожалению, окончательные гипотезы определяются не единственным образом. Конечно, они зависят от порядка, в котором эффекты были определены и редко допускают простую интерпретацию. Поэтому рекомендуется внимательно изучить характер пропущенных ячеек, затем формулировать гипотезы типа IV , которые наиболее содержательно соответствуют целям исследования. Затем исследовать эти гипотезы, используя опцию Спланированные сравнения в окне Результаты . Самый легкий путь задать сравнения в этом случае - требовать введения вектора контрастов для всех факторов вместе в окне Спланированные сравнения. После вызова диалогового окна Спланированные сравнения будут показаны все группы текущего плана и помечены те, которые пропущены.

Пропущенные ячейки и проверка специфического эффекта

Существует несколько типов планов, в которых расположение пропущенных ячеек не случайно, но тщательно спланировано, что позволяет проводить простой анализ главных эффектов не затрагивая другие эффекты. Например, когда необходимое число ячеек в плане недоступно, часто используются планы Латинские квадраты для оценивания главных эффектов нескольких факторов с большим числом уровней. Например, 4 x 4 x 4 x 4 факторный план требует 256 ячеек. В то же время можно использовать Греко-латинский квадрат для оценки главных эффектов, имея только 16 ячеек в плане (глава Планирование эксперимента , том IV, содержит детальное описание таких планов). Неполные планы, в которых главные эффекты (и некоторые взаимодействия) могут быть оценены с помощью простых линейных комбинаций средних, называются сбалансированными неполными планами .

В сбалансированных планах стандартный (по умолчанию) метод генерирования контрастов (весов) для главных эффектов и взаимодействий будет затем производить анализ таблицы дисперсий, в которой суммы квадратов для соответствующих эффектов не смешиваются друг с другом. Опция Специфический эффекты окна Результаты будет генерировать пропущенные контрасты, записывая ноль в пропущенные ячейки плана. Сразу после того, как будет запрошена опция Специфический эффекты для пользователя, изучающего некоторую гипотезу, появляется таблица результатов с фактическими весами. Заметим, что в сбалансированном плане, суммы квадратов соответствующих эффектов вычисляются только, если эти эффекты ортогональны (независимы) всем другим главным эффектам и взаимодействиям. В противном случае нужно воспользоваться опцией Спланированные сравнения для изучения содержательных сравнений между средними.

Пропущенные ячейки и объединенные эффекты/члены ошибки

Если опция Регрессионное подход в стартовой панели модуля Дисперсионный анализ не выбрана, то при вычислении суммы квадратов для эффектов будет использоваться модель средних по ячейкам (установка по умолчанию). Если план не сбалансирован, то при объединении неортогональных эффектов (см. выше обсуждение опции Пропущенные ячейки и специфический эффект ) можно получить сумму квадратов, состоящую из неортогональных (или перекрывающихся) компонент. Полученные при этом результаты, обычно не интерпретируемы. Поэтому нужно быть очень осторожным при выборе и реализации сложных неполных экспериментальных планов.

Существует много книг с детальным обсуждением планов разного типа. (Dodge, 1985; Heiberger, 1989; Lindman, 1974; Milliken and Johnson, 1984; Searle, 1987; Woodward and Bonett, 1990), но такого рода информация лежит вне границ этого учебника. Тем не менее, позднее в этом разделе будет продемонстрирован анализ различного типа планов.

Предположения и эффекты нарушения предположений

Отклонение от предположения о нормальности распределений

Предположим, что зависимая переменная измерена в числовой шкале. Предположим также, что зависимая переменная имеет нормальное распределение внутри каждой группы. Дисперсионный анализ содержит широкий набор графиков и статистик для обоснования этого предположения.

Эффекты нарушения. Вообще F критерий очень устойчив к отклонению от нормальности (подробные результаты см. в работе Lindman, 1974). Если эксцесс больше 0, то значение статистики F может стать очень маленьким. Нулевая гипотеза при этом принимается, хотя она может быть и не верна. Ситуация меняется на противоположную, когда эксцесс меньше 0. Асимметрия распределения обычно незначительно влияет на F статистику. Если число наблюдений в ячейке достаточно большое, то отклонение от нормальности не имеет особого значения в силу центральной предельной теоремы , в соответствии с которой, распределение среднего значения близко к нормальному, независимо от начального распределения. Подробное обсуждение устойчивости F статистики можно найти в Box and Anderson (1955), или Lindman (1974).

Однородность дисперсии

Предположения. Предполагается, что дисперсии разных групп плана одинаковы. Это предположение называется предположением об однородности дисперсии. Вспомним, что в начале этого раздела, описывая вычисление суммы квадратов ошибок, мы производили суммирование внутри каждой группы. Если дисперсии в двух группах отличаются друг от друга, то сложение их не очень естественно и не дает оценки общей внутригрупповой дисперсии (так как в этом случае общей дисперсии вообще не существует). Модуль Дисперсионный анализ - ANOVA /MANOVA содержит большой набор статистических критериев обнаружения отклонения от предположений однородности дисперсии.

Эффекты нарушения. Линдман (Lindman 1974, стр. 33) показывает, что F критерий вполне устойчив относительно нарушения предположений однородности дисперсии (неоднородность дисперсии, см. также Box, 1954a, 1954b; Hsu, 1938).

Специальный случай: коррелированность средних и дисперсий. Бывают случаи, когда F статистика может вводить в заблуждение. Это бывает, когда в ячейках плана средние значения коррелированы с дисперсией. Модуль Дисперсионный анализ позволяет строить диаграммы рассеяния дисперсии или стандартного отклонения относительно средних для обнаружения такой корреляции. Причина, по которой такая корреляция опасна, состоит в следующем. Представим себе, что имеется 8 ячеек в плане, 7 из которых имеют почти одинаковое среднее, а в одной ячейке среднее намного больше остальных. Тогда F критерий может обнаружить статистически значимый эффект. Но предположим, что в ячейке с большим средним значением и дисперсия значительно больше остальных, т.е. среднее значение и дисперсия в ячейках зависимы (чем больше среднее, тем больше дисперсия). В этом случае большое среднее значение ненадежно, так как оно может быть вызвано большой дисперсией данных. Однако F статистика, основанная на объединенной дисперсии внутри ячеек, будет фиксировать большое среднее, хотя критерии, основанные на дисперсии в каждой ячейке, не все различия в средних будут считать значимыми.

Такой характер данных (большое среднее и большая дисперсия) - часто встречается, когда имеются резко выделяющиеся наблюдения. Одно или два резко выделяющихся наблюдений сильно смещают среднее значение и очень увеличивают дисперсию.

Однородность дисперсии и ковариаций

Предположения. В многомерных планах, с многомерными зависимыми измерениями, также применяются предположение об однородности дисперсии, описанные ранее. Однако так как существуют многомерные зависимые переменные, то требуется так же чтобы их взаимные корреляции (ковариации) были однородны по всем ячейкам плана. Модуль Дисперсионный анализ предлагает разные способы проверки этих предположений.

Эффекты нарушения . Многомерный аналог F - критерия - λ-критерий Уилкса. Не так много известно об устойчивости (робастности) λ-критерия Уилкса относительно нарушения указанных выше предположений. Тем не менее, так как интерпретация результатов модуля Дисперсионный анализ основывается обычно на значимости одномерных эффектов (после установления значимости общего критерия), обсуждение робастности касается, в основном, одномерного дисперсионного анализа. Поэтому должна быть внимательно исследована значимость одномерных эффектов.

Специальный случай: ковариационный анализ. Особенно серьезные нарушения однородности дисперсии/ковариаций могут происходить, когда в план включаются ковариаты. В частности, если корреляция между ковариатами и зависимыми измерениями различна в разных ячейках плана, может последовать неверное истолкование результатов. Следует помнить, что в ковариационном анализе, в сущности, проводится регрессионный анализ внутри каждой ячейки для того, чтобы выделить ту часть дисперсии, которая соответствует ковариате. Предположение об однородности дисперсии/ковариации предполагает, что этот регрессионный анализ проводится при следующем ограничении: все регрессионные уравнения (наклоны) для всех ячеек одинаковы. Если это не предполагается, то могут появиться большие ошибки. Модуль Дисперсионный анализ имеет несколько специальных критериев для проверки этого предположения. Можно посоветовать использовать эти критерии, для того, чтобы убедиться, что регрессионные уравнения для различных ячеек примерно одинаковы.

Сферичность и сложная симметрия: причины использования многомерного подхода к повторным измерениям в дисперсионном анализе

В планах, содержащих факторы повторных измерений с более чем двумя уровнями, применение одномерного дисперсионного анализа требует дополнительных предположений: предположения о сложной симметрии и предположения о сферичности. Эти предположения редко выполняются (см. ниже). Поэтому в последние годы многомерный дисперсионный анализ завоевал популярность в таких планах (оба подхода совмещены в модуле Дисперсионный анализ ).

Предположение о сложной симметрии Предположение о сложной симметрии состоит в том, что дисперсии (общие внутригрупповые) и ковариации (по группам) для различных повторных измерений однородны (одинаковы). Это достаточное условие для того, чтобы одномерный F критерий для повторных измерений был обоснованным (т.е. выданные F-значения в среднем соответствовали F-распределению). Однако в данном случае это условие не является необходимым.

Предположение о сферичности. Предположение о сферичности является необходимым и достаточным условием того, чтобы F-критерий был обоснованным. Оно состоит в том, что внутри групп все наблюдения независимы и одинаково распределены. Природа этих предположений, а также влияние их нарушений обычно не очень хорошо описаны в книгах по дисперсионному анализу - эта будет описано в следующих параграфах. Там же будет показано, что результаты одномерного подхода могут отличаться от результатов многомерного подхода, и будет объяснено, что это означает.

Необходимость независимости гипотез. Общий способ анализа данных в дисперсионном анализе – это подгонка модели . Если относительно модели, соответствующей данным, имеются некоторые априорные гипотезы, то дисперсия разбивается для проверки этих гипотез (критерии главных эффектов, взаимодействий). С точки зрения вычислений, этот подход генерирует некоторое множество контрастов (множество сравнений средних в плане). Однако если контрасты не независимы друг от друга, разбиение дисперсий становится бессодержательным. Например, если два контраста A и B тождественны и выделяется соответствующая им часть из дисперсии, то одна и та же часть выделяется дважды. Например, глупо и бессмысленно выделять две гипотезы: “среднее в ячейке 1 выше среднего в ячейке 2” и “среднее в ячейке 1 выше среднего в ячейке 2”. Итак, гипотезы должны быть независимы или ортогональны.

Независимые гипотезы при повторных измерениях. Общий алгоритм, реализованный в модуле Дисперсионный анализ , будет пытаться для каждого эффекта генерировать независимые (ортогональные) контрасты. Для фактора повторных измерений эти контрасты задают множество гипотез относительно разностей между уровнями рассматриваемого фактора. Однако если эти разности коррелированы внутри групп, то результирующие контрасты не являются больше независимыми. Например, в обучении, где обучающиеся измеряются три раза за один семестр, может случиться, что изменения между 1 и 2 измерением отрицательно коррелируют с изменением между 2 и 3 измерениями субъектов. Те, кто большую часть материала освоил между 1 и 2 измерениями, осваивают меньшую часть в течение того времени, которое прошло между 2 и 3 измерением. В действительности, для большинства случаев, где дисперсионный анализ используются при повторных измерениях, можно предположить, что изменения по уровням коррелированы по субъектам. Однако когда это случается, предположение о сложной симметрии и предположения о сферичности не выполняются и независимые контрасты не могут быть вычислены.

Влияние нарушений и способы их исправления. Когда предположения о сложной симметрии или о сферичности не выполняются, дисперсионный анализ может выдать ошибочные результаты. До того, как были достаточно разработаны многомерные процедуры, было предложено несколько предположений для компенсации нарушений этих предположений. (см., например, работы Greenhouse & Geisser, 1959 и Huynh & Feldt, 1970). Эти методы до сих пор широко используются (поэтому они представлены в модуле Дисперсионный анализ ).

Подход многомерного дисперсионного анализа к повторным измерениям. В целом проблемы сложной симметрии и сферичности относятся к тому факту, что множества контрастов, включенных в исследование эффектов факторов повторных измерений (с числом уровней большим, чем 2) не независимы друг от друга. Однако им не обязательно быть независимыми, если используется многомерный критерий для одновременной проверки статистического значимости двух или более контрастов фактора повторных измерений. Это является причиной того, что методы многомерного дисперсионного анализа стали чаще использоваться для проверки значимости факторов одномерных повторных измерений с более чем 2 уровнями. Этот подход широко распространен, так как он, в общем случае, не требует предположения о сложной симметрии и предположения о сферичности.

Случаи, в которых подходмногомерного дисперсионного анализа не может быть использован. Существуют примеры (планы), когда подход многомерного дисперсионного анализа не может быть применен. Обычно это случаи, когда имеется небольшое количество субъектов в плане и много уровней в факторе повторных измерений. Тогда для проведения многомерного анализа может быть слишком мало наблюдений. Например, если имеется 12 субъектов, p = 4 фактора повторных измерений, и каждый фактор имеет k = 3 уровней. Тогда взаимодействие 4-х факторов будет “расходовать”(k -1)P = 2 4 = 16 степеней свободы. Однако имеется лишь 12 субъектов, следовательно, в этом примере многомерный тест не может быть проведен. Модуль Дисперсионный анализ самостоятельно обнаружит эти наблюдения и вычислит только одномерные критерии.

Различия в одномерных и многомерных результатах. Если исследование включает большое количество повторных измерений, могут возникнуть случаи, когда одномерный подход дисперсионного анализа к повторным измерениям дает результаты, сильно отличающиеся от тех, которые были получены при многомерном подходе. Это означает, что разности между уровнями соответствующих повторных измерений коррелированы по субъектам. Иногда этот факт представляет некоторый самостоятельный интерес.

Многомерный дисперсионный анализ и структурное моделирование уравнений

В последние годы моделирование структурных уравнений стало популярным, как альтернатива многомерному анализу дисперсии (см. например, Bagozzi and Yi, 1989; Bagozzi, Yi, and Singh, 1991; Cole, Maxwell, Arvey, and Salas, 1993). Этот подход позволяет проверять гипотезы не только о средних в разных группах, но так же и о корреляционных матрицах зависимых переменных. Например, можно ослабить предположения об однородности дисперсии и ковариаций и явно включить в модель для каждой группы дисперсии и ковариации ошибки. Модуль STATISTICA Моделирование структурными уравнениями (SEPATH ) (см. том III) позволяет проводить такой анализ.

Выполним детерминированный факторный анализ на примере модели, описывающей связь финансовых показателей предприятия. Рассмотрим наиболее общий способ цепных подстановок. Для проведения факторного анализа используем надстройку MS EXCEL Variance Analysis Tool от компании Fincontrollex .

Для выполнения в среде MS EXCEL сначала кратко напомним читателям о самом методе, затем покажем, как провести факторный анализ самостоятельно на примере простой однопродуктовой модели, и наконец, воспользуемся специализированной надстройкой Variance Analysis Tool для более сложной многопродуктовой модели.

Немного теории

Сначала дадим сухое академическое определение факторного анализа , затем поясним его на примерах.

Детерминированный факторный анализ (ДФА) - это методика исследования влияния факторов на результативный показатель . Предполагается, что связь факторов с результативным показателем носит функциональный характер, которая выражена математической формулой.

Приведем пример такой функциональной связи. В качестве результативного показателя возьмем выручку предприятия, а в качестве факторов, влияющих на выручку – объем продаж , цену реализации изделия и наценку , учитывающая срок оплаты (чем позже покупатель оплатил товар, тем выше наценка). Формула функциональной связи в этом случае выглядит так:

Выручка=(Объем продаж изделия за период)*(Цена изделия)*Наценка

Эта формула является моделью, т.е. разумным упрощением реальности. Действительно, в этой модели есть ряд очевидных допущений:

• предприятие выпускает единственный продукт;
• предполагается, что цена на изделие не меняется в течение периода исследования (на самом деле часто цена зависит от условий поставок различным потребителям);
• у предприятия нет других источников выручки кроме продаж изделия (например, отсутствуют доходы от внереализационных операций);
• под выручкой подразумевается валовая выручка, а не чистая (за вычетом НДС, скидок) и т.д.

Примечание : Детерминированный анализ исключает любую неопределенность и случайность, присутствующие в процессе реальной деятельности предприятия. Хотя результаты такого анализа являются приблизительными, но они помогают исследователю определить степень влияния факторов на результирующий показатель и часто являются отправной точкой для проведения более детального анализа.

Примечание : Представленная выше модель является мультипликативной , т.е. чтобы получить результирующий показатель необходимо перемножить факторы. Также имеются аддитивные (Результат=Фактор1+Фактор2+…), кратные (Результат=Фактор1/Фактор2) и смешанные модели (Результат=Фактор1*Фактор2+Фактор3).

Для проведения ДФА нам понадобятся 2 набора значений факторов и соответствующих им результирующих показателей. Часто в качестве первого набора (называемого базовым) выбирают плановые значения, а в качестве второго – фактические.

Для нашей мультипликативной модели Выручка=Объем*Цена*Наценка заполним следующую таблицу с плановыми и фактическими значениями:

Как видно из таблицы, фактическая выручка существенно меньше плановой. Это произошло из-за того, что фактические значения всех факторов получились меньше запланированных. Необходимо проанализировать, какой фактор внес наибольший вклад в снижение результата: Цена, Наценка или Объем продаж .

В детерминированном факторном анализе используют следующие способы анализа:

• способ цепных подстановок;
• способ абсолютных разниц;
• способ относительных (процентных) разниц;
• интегральный метод и др.

Воспользуемся наиболее универсальным способом цепных подстановок , который может использоваться во всех типах моделей – аддитивных, мультипликативных, кратных и смешанных .

Способ цепных подстановок позволяет выявить, какие факторы повлияли на результирующий показатель наиболее значительно. Этот способ заключается в следующем:

• Сначала изменяют значение одного фактора с планового на фактическое (в нашем случае изменим Объем продаж ). При этом другие факторы (Цену и Наценку ) нужно оставить неизменными (плановой). Затем вычисляют результирующий показатель (Выручку ), а результат сравнивают с имеющимся предыдущим значением (с плановой Выручкой ). Далее находят их разность. Чем больше разность по абсолютной величине, тем больше влияние данного фактора на показатель.
• На втором шаге изменяют значения сразу двух факторов на их фактические значения (Объем и Цену ), при этом остальные факторы (Наценку ) оставляют неизменными (плановыми). Далее вычисляют результирующий показатель (Выручку ), и сравнивают его со значением, полученным на предыдущем шаге.
• Далее повторяют замену значений факторов с плановых на фактические до тех пор, пока не будут заменены значения всех факторов модели на фактические.

Все вышесказанное можно записать с помощью простых математических выражений. Сделаем это на примере 3-х факторной мультипликативной модели).

Начинаем с формулы, содержащей только плановые значения факторов:

Результат(План) = Фактор1(План) *Фактор2(План) *Фактор3(План)

Затем для всех факторов по очереди подставляем их фактические значения вместо плановых.

Результат(1)= Фактор1(Факт) *Фактор2(План) *Фактор3(План)

Результат(2)= Фактор1(Факт) *Фактор2(Факт) *Фактор3(План)

Результат(3)= Фактор1(Факт) *Фактор2(Факт) *Фактор3(Факт)

Примечание : Результат(3) = Результат(Факт), т.е. значению результирующего показателя с фактическими значениями всех факторов.

При этом общее изменение Результата будет равно:

Δ Результат = Результат(Факт) – Результат(План)

С другой стороны, общее изменение Результата складывается из суммы изменений результирующего показателя за счет изменения каждого фактора:

Δ Результат = Δ Результат(1) + Δ Результат(2) + Δ Результат(3)

При этом,

Δ Результат(1) = Результат(1) – Результат(План)

Δ Результат(2) = Результат(2) – Результат(1)

Δ Результат(3) = Результат(Факт) – Результат(2)

И наконец, определим значение Δ Результат(i ), которое будет максимальным по абсолютной величине. Соответствующий фактор (i) и будет являться фактором, наиболее повлиявшим на результирующий показатель.

Проведем детерминированный факторный анализ для мультипликативной модели способом цепных подстановок в случае одного изделия в среде MS EXCEL. Все вычисления сделаем с помощью обычных формул.

Вычисления в MS EXCEL

В соответствии с вышеуказанным алгоритмом произведем расчеты способом цепных постановок . Для этого рассчитаем значения выручки, последовательно заменяя значения факторов с плановых на фактические (см. файл примера, лист ДФА ).

ABS($M11)=МАКС(ABS($M$11:$M$13))

выделим значение, которое привело к максимальному отклонению результирующего показателя. В нашем случае это значение соответствует фактору Объем продаж .

Очевидно, что в случае мультипликативной модели , фактор, который претерпел наибольшее относительное изменение, всегда будет являться фактором, ответственным за максимальное отклонение результирующего показателя.

В этом можно непосредственно убедиться, проведя анализ изменений факторов модели:

Такой результат будет очевидным только при использовании модели для анализа предприятия выпускающего одно изделие. Если предприятие выпускает несколько изделий, которые продаются по разным ценам и с различными наценками, то расчеты для детерминированного факторного анализа значительно усложняются.

К счастью, имеются специализированные программы для проведения факторного анализа . Так как среда MS EXCEL является гибким и одновременно мощным средством для проведения расчетов, то для сложных моделей рекомендуем использовать надстройку Variance Analysis Tool от компании Fincontrollex .

Сначала покажем, как быстро освоить эту надстройку, а затем произведем вычисления на примере смешанной модели в случае многопродуктовой стратегии предприятия.

Надстройка Variance Analysis Tool

Скачать надстройку можно с сайта http://fincontrollex.com , выбрав ее в меню Продукты или соответствующую иконку на главной странице сайта.

На сайте также можно найти подробную справку к надстройке и очень полезный видеоурок (http://fincontrollex.com/?page=products&id=3&lang=ru ).

На странице продукта нажмите кнопку «Скачать бесплатно». Надстройка будет скачана на компьютер в формате архива zip. В архиве содержится 2 файла надстройки *.xll: x64 – для 64 и x86 – для 32 – разрядной версии MS EXCEL. Чтобы узнать версию вашей программы в меню Файл выберите пункт Справка .

После установки надстройки появится новая вкладка fincontrollex.com.

К надстройке вернемся чуть позже, сейчас создадим смешанную модель и заполним исходную таблицу с плановыми и фактическими значениями для факторов и результирующего показателя.

Создание модели

Рассмотрим более сложную модель выручки предприятия, зависящую от 3-х факторов:

i )*(Цена за 1 шт. изделия(i ))+бонус(i ))

Как видно из формулы предприятие теперь продает несколько изделий, причем каждое изделие имеет свою цену. За своевременную оплату поставленной партии клиенту может быть начислен бонус (скидка): если платеж осуществлен в течение первых 3-х дней после отгрузки (поставки), то бонус составляет 20 000 руб. за партию; если оплата поступила не позже недели, то бонус составит 10 000 руб., если позже, то бонус не начисляется.

Составим исходную таблицу для плановых и фактических значений:

Заголовки столбцов таблицы, содержащие значения, которые вводятся пользователем, выделены желтым цветом. Остальные числовые ячейки содержат формулы (см. файл примера, лист Таблица ).

Руководители предприятия, очевидно, планировали продать изделия с артикулом с 1 по 5 в количестве по 1500 шт., а остальные изделия по 1750 шт. Фактические объемы продаж по некоторым позициям существенно отличаются. Также отличается и цена, по которой менеджеры по продажам договорились реализовать изделия. Наличие бонуса сыграло свою роль при оплате и большинство клиентов оплатили товар вовремя или даже ранее срока, которые прогнозировали руководители (от 3-х дней до 1 недели).

Но, какой из факторов оказал большее влияние на выручку? Кого из сотрудников нужно премировать: руководство, которое придумало систему Бонусов; менеджеров по продажам, которые договорились о цене и объемах каждого изделия или производственный отдел, которые обеспечили гибкое изготовление партий (существенно отличающееся по объемам от планового). Ответ далеко не очевиден.

Как было показано в предыдущем разделе, для проведения факторного анализа можно самостоятельно написать формулы. Однако, очевидно, что даже для однопродуктовой модели это достаточно трудоемко, и, следовательно, легко можно допустить вычислительную ошибку.

Чтобы этого не произошло – разумно воспользоваться специальной надстройкой Variance Analysis Tool .

Расчет с помощью надстройки Variance Analysis Tool

Итак, у нас есть модель (формула) и таблица с исходными данными. Чтобы воспользоваться надстройкой нам потребуется немного изменить нашу формулу:

Выручка=СУММ(Объем продаж изделия(i )*(Цена за 1 шт. изделия(i )) +бонус(i ))

Для того, чтобы понять зачем нам придется менять казалось бы разумную формулу, рассмотрим более детально фактор Объем продаж изделия .

Очевидно, что важен как суммарный объем продаж (в штуках), так и ассортимент изделий . Можно получить рост суммарного объема продаж, но при этом потерять в выручке за счет снижения продаж более дорогих изделий, чем было запланировано. Например, менеджеры запланировали продать 2 товара по 100 шт. каждого. Один товар стоит 10 руб., другой 50 руб. Плановая выручка должна была составить 6000 руб.=100*10+100*50. Фактически же удалось продать 250 шт.: 200шт. по 10 руб. и 50 шт. по 50 руб. В итоге имеем снижение выручки до 4500 руб.!

Прелесть в том, что при правильном написании формулы с помощью факторного анализа можно определить влияние на выручку обоих факторов: отдельно определить влияние общего, т.е. суммарного объема продаж , а также влияние проданного ассортимента изделий.

Таким образом, фактор Объем продаж изделия , который мы использовали в однопродуктовой модели, в случае продаж нескольких изделий требуется разделить на 2 составляющих: на Общий объем продаж и на Долю продаж каждого изделия . Следовательно, наша модель превращается из 3-х факторной в 4-х факторную.

Примечание : На сайте fincontrollex.com можно прочитать статью про факторный анализ выручки (http://fincontrollex.com/?page=articles&id=6&lang=ru ), в которой подробно изложен материал о том, как учесть влияние различных каналов продаж продукции, оценить эффект от ввода новых продуктов, определить влияние скидок и учесть эффекты от других управленческих инициатив.

Новая формула, учитывающая влияние ассортимента и общего объема продаж на выручку, выглядит так:

Выручка=Общий объем продаж*СУММ(Доля продаж изделия(i )*(Цена за 1 шт. изделия(i )))+ СУММ(бонус(i ))

Или более кратко:

Выручка=Общ.объем*Доля*Цена+Бонус

Теперь настроим модель.

Во вкладке fincontrollex.com нажмите кнопку Выполнить .

Появится диалоговое окно надстройки Variance Analysis Tool .

Введите название модели (произвольный текст) и формулу модели.

Формула модели не должна содержать точек (.), но может содержать пробелы. После ввода формулы нажмите клавишу ENTER (ВВОД) или кликните на кнопку Параметры модели или в поле Название модели .

Названия факторов в формуле не обязательно должны совпадать с названиями столбцов исходной таблицы. Соответствие между формулой и исходной таблицей устанавливаются с помощью ссылок (см. ниже).

После ввода формулы надстройка автоматически определит тип модели (смешанная) и факторы, одновременно создав перечень факторов из формулы в столбце Наименование в нижней части окна.

В поле Диапазон названий нужно ввести ссылку на наименования изделий.

Чтобы связать факторы, указанные в формуле с соответствующими данными из исходной таблицы, необходимо обязательно заполнить 3 столбца:

• В столбце Описание нужно ввести ссылки на названия колонок факторов из исходной таблицы;
• В столбце Базовый диапазон нужно ввести ссылки на соответствующие ячейки с плановыми значениями факторов;
• В столбце Фактический диапазон нужно ввести ссылки на соответствующие ячейки с фактическими значениями факторов;

Столбец Ед.изм. имеет информативный характер и может содержать единицы измерения факторов. На вычисления этот столбец не влияет и его в принципе можно не заполнять (по крайней мере, при отладке модели расчета).

Осталось нажать кнопку меню Выполнить , и тем самым запустить расчет.

Расчет выполняется практически мгновенно. После выполнения расчета создается новая книга с 2-мя листами: Свод и Подробно .

Показатель База на листе Свод равен в нашем случае плановой выручке, а Факт – фактической выручке. Между ними расположены все 4 фактора модели. По значениям этих факторов можно быстро определить влияние этих факторов на результирующий показатель (выручку).

Очевидно, что факторы Цена и Бонус оказали практически одинаковое воздействие на выручку, но с противоположным знаком. Таким образом, менеджеры по продажам могут надеяться на премию, т.к. им удалось добиться существенного повышения цены и, соответственно, обеспечив самый значительный дополнительный вклад в выручку по сравнению с плановым. Также был правильно подобран ассортимент изделий (+7210 у фактора Доля ). Это означает, что было продано больше дорогих изделий, чем дешевых по сравнению с планом.

На листе Подробно можно увидеть детальный расчет с формулами.

В сфере финансового анализа ничего нельзя принимать на веру, поэтому нами были внимательно изучены формулы, которые генерирует надстройка, а алгоритм их работы был сверен с теорией.

Очевидно, что надстройка Variance Analysis Tool хорошо справилась со своим «предназначением», все расчеты произведены верно и что очень важно – быстро.

Освоение надстройки не занимает много времени. После просмотра видеоурока (10 минут) любой пользователь MS EXCEL сможет начать работу с надстройкой, построить модель и выполнить детерминированный факторный анализ способом цепных подстановок .

Вывод : Сайт рекомендует финансовым аналитикам и менеджерам использовать надстройку Variance Analysis Tool от Fincontrollex для выполнения детерминированного факторного анализа моделей самых разнообразных видов.

Выполните факторный анализ явления по мультипликационной модели, используя метод относительных разниц, абсолютных разниц, метод цепных подстановок и формализации неразложимого остатка и логарифмический метод.

а) абсолютное изменение: б) относительное изменение:

Расчеты

3,62*5,02*2,92*5,82=308,829

76,7807

=0,00

Проверка

У4,52*5,02*4,02*5,72=521,7521

3,62*5,02*2,92*5,82=308,829

521,721-308,829=212,92

ВЫВОД: расчеты факторного анализа показывают, что под влиянием всех независимых факторов А, Б, С, Д результативный фактор У увеличился на 212,92ед. При этом негативное влияние на результативный фактор У оказали также факторы, как Б и Д. Из них наибольшее влияние оказал фактор Д, а его изменение вызвало уменьшение результативного фактора У на 9,12 ед. В тоже время факторы А и С оказали позитивное влияние на фактор У, из них наибольшее влияние оказал фактор С, его изменение вызвало увеличение результативного фактора У на 145,264 ед.

2) метод «неразложимого остатка»

Изолированное влияние факторов

Для фактора А =0,9*5,02*2,92*5,82= 76,7807

Б=0,00*3,62*2,92*5,82=0,00

С=1,1*3,62*5,02*5,82= 116,3397

Д=-0,10*3,62*5,02*5,82= -10,5763

«Неразложимый остаток» определяем по формуле

НО= Но=212,92-182,5441=30,38

ВЫВОД: расчеты факторного анализа показывают, что под влиянием всех независимых факторов А, Б, С, Д результативный фактор У увеличился на 182,5441 ед. При этом негативное влияние на результативный фактор У оказали также факторы, как Б и Д. Из них наибольшее влияние оказал фактор Д, а его изменение вызвало уменьшение результативного фактора У на 10,5763 ед. В тоже время факторы А и С оказали позитивное влияние на фактор У, из них наибольшее влияние оказал фактор С, его изменение вызвало увеличение результативного фактора У на 116,3397 ед. Погрешность составила 30,38.

3) Логарифмический метод.

У I Lg (i) i /Lg (i) y

Для фактора А = 0,09643*212,92/0,22775=90,151

Для фактора Б = 0,00*212,92/0,22775=0,00

Для фактора С = 0,13884*212,92/0,22775=129,8

Для фактора Д = -0,00753*212,92/0,22775=-7,0397

90,151+0,00+129,8+(-7,0397)= 212,9113

ВЫВОД: расчеты факторного анализа показывают, что под влиянием всех независимых факторов А, Б, С, Д результативный фактор У увеличился на 212,9113ед.(погрешность в расчетах связана с округлением изменения фактора) При этом негативное влияние на результативный фактор У оказал фактор Д, а его изменение вызвало уменьшение результативного фактора У на 7,03997 ед. В тоже время факторы А и С оказали позитивное влияние на фактор У, из них наибольшее влияние оказал фактор С, его изменение вызвало увеличение результативного фактора У на 129,8 ед.

4) Метод абсолютных разниц. У= А*Б*С*Д

б) общее изменение результатов факторов

Решение

0,9*5,02*2,92*5,82=76,781

4,52*0,00*2,92*5,82=0,00

4,52*5,02*1,1*5,82=145,2639

4,52*5,02*4,02*(-0,1)= -9,1215

76,781+0,00+145,2639+(-9,1215)= 212,923

Проверка полученных результатов:

У4,52*5,02*4,02*5,72=521,7521

3,62*5,02*2,92*5,82=308,829

521,721-308,829=212,92

ВЫВОД: расчеты факторного анализа показывают, что под влиянием всех независимых факторов А, Б, С, Д результативный фактор У увеличился на 212,923ед. При этом негативное влияние на результативный фактор У оказал фактор Д, а его изменение вызвало уменьшение результативного фактора У на 9,12 ед. В тоже время факторы А и С оказали позитивное влияние на фактор У, из них наибольшее влияние оказал фактор С, его изменение вызвало увеличение результативного фактора У на 145,2639ед.

5) способ цепных подстановок.

Чтобы проанализировать изменчивость признака под воздействием контролируемых переменных, применяется дисперсионный метод.

Для изучения связи между значениями – факторный метод. Рассмотрим подробнее аналитические инструменты: факторный, дисперсионный и двухфакторный дисперсионный метод оценки изменчивости.

Дисперсионный анализ в Excel

Условно цель дисперсионного метода можно сформулировать так: вычленить из общей вариативности параметра 3 частные вариативности:

• 1 – определенную действием каждого из изучаемых значений;
• 2 – продиктованную взаимосвязью между исследуемыми значениями;
• 3 – случайную, продиктованную всеми неучтенными обстоятельствами.

В программе Microsoft Excel дисперсионный анализ можно выполнить с помощью инструмента «Анализ данных» (вкладка «Данные» - «Анализ»). Это надстройка табличного процессора. Если надстройка недоступна, нужно открыть «Параметры Excel» и включить настройку для анализа .

Работа начинается с оформления таблицы. Правила:

1. В каждом столбце должны быть значения одного исследуемого фактора.
2. Столбцы расположить по возрастанию/убыванию величины исследуемого параметра.

Рассмотрим дисперсионный анализ в Excel на примере.

Психолог фирмы проанализировал с помощью специальной методики стратегии поведения сотрудников в конфликтной ситуации. Предполагается, что на поведение влияет уровень образования (1 – среднее, 2 – среднее специальное, 3 – высшее).

Внесем данные в таблицу Excel:

Значимый параметр залит желтым цветом. Так как Р-Значение между группами больше 1, критерий Фишера нельзя считать значимым. Следовательно, поведение в конфликтной ситуации не зависит от уровня образования.

Факторный анализ в Excel: пример

Факторным называют многомерный анализ взаимосвязей между значениями переменных. С помощью данного метода можно решить важнейшие задачи:

• всесторонне описать измеряемый объект (причем емко, компактно);
• выявить скрытые переменные значения, определяющие наличие линейных статистических корреляций;
• классифицировать переменные (определить взаимосвязи между ними);
• сократить число необходимых переменных.

Рассмотрим на примере проведение факторного анализа. Допустим, нам известны продажи каких-либо товаров за последние 4 месяца. Необходимо проанализировать, какие наименования пользуются спросом, а какие нет.

Теперь наглядно видно, продажи какого товара дают основной рост.

Двухфакторный дисперсионный анализ в Excel

Показывает, как влияет два фактора на изменение значения случайной величины. Рассмотрим двухфакторный дисперсионный анализ в Excel на примере.

Задача. Группе мужчин и женщин предъявляли звук разной громкости: 1 – 10 дБ, 2 – 30 дБ, 3 – 50 дБ. Время ответа фиксировали в миллисекундах. Необходимо определить, влияет ли пол на реакцию; влияет ли громкость на реакцию.

Дисперсионный многофакторный анализ представляет собой совокупность различных статистических методов, которые предназначены для проверки гипотез и связи между исследуемыми факторами и определенными признаками, не имеющими количественного описания. Также подобная методика позволяет определить степень взаимодействия факторов и их влияние на определенные процессы. Все эти определения звучат довольно запутанно, поэтому давайте разберемся в них более подробно в нашей статье.

Критерии и виды дисперсионного анализа

Метод дисперсионного многофакторного анализа чаще всего используется для поиска связи между непрерывной количественной переменной и номинальными качественными признаками. По сути, данная методика представляет собой тестирование различных гипотез о равенстве различных арифметических выборок. Таким образом, ее можно рассматривать и в качестве критерия для сравнения нескольких выборок. Однако результаты будут идентичными, если для сравнения используется лишь два элемента. Исследование t-критерия показывает, что подобная методика позволяет изучить проблему гипотез более детально, чем любой другой известный способ.

Также нельзя не отметить тот факт, что некоторые виды дисперсионного анализа базируются на определенном законе: сумма квадратов межгрупповых отклонений и сумма квадратов внутригрупповых отклонений абсолютно равны. В качестве исследования используется критерий Фишера, использующийся для детального анализа внутригрупповых дисперсий. Хотя для этого необходимы предпосылки нормальности распределения, а также гомоскедастичности выборок - равенство дисперсий. Что касается видом дисперсионного анализа, то различают следующие:

• многомерный или многофакторный анализ;
• однофакторный или одномерный анализ.

Не трудно догадаться, что второй рассматривает зависимость одного признака и исследуемой величины, а первый - базируется на анализе сразу нескольких признаков. Кроме того, многофакторная дисперсия не позволяет выявлять более прочную связь между несколькими элементами, поскольку исследуется зависимость сразу нескольких величин (хотя проводить метод намного проще).

Факторы

Задумались о методах проведения многофакторного корреляционного анализа? Тогда вам следует знать, что для детального изучения следует изучить те факторы, которые контролируют обстоятельства эксперимента и влияют на конечный результат. Также под факторами могут подразумеваться способы и уровни обработки значений, характеризующие конкретное проявление определенного условия. В этом случае цифры подаются в порядковой или номинальной системе измерений. Если же возникает проблема, связанная с группировкой данных, приходится прибегать к использованию одинаковых числовых значений, что немного изменяет конечный результат.

Также следует понимать, что количество наблюдений и групп не может быть чрезмерно большим, ведь это приводит к избытку данных и невозможности закончить расчет. В то же время способ группировки зависит не только от объема, но и от характера варьирования определенных значений. Размеры и количество интервалов в анализе могут определяться по принципу равных частот, а также одинаковых промежутков между ними. В итоге все полученные исследования будут указаны в статистике многофакторного анализа, которая должна базироваться на различных примерах. К этому мы еще вернемся в следующих разделах.

Назначение дисперсионного анализа

Итак, иногда могут возникать ситуации, когда необходимо сравнить между собой две или более различных выборок. В этом случае логичнее всего будет применить многофакторный корреляционно-регрессионный анализ, базирующийся на изучении гипотезы и связи различных факторов в степени регрессии. Также название методики указывает на тот факт, что в процессе исследования используются различные составляющие дисперсии.

В чем суть исследования? Для начала два или более показателей разбивают на отдельные части, каждая из которых соответствует действию определенного фактора. После этого проводится ряд исследовательских процедур на поиск взаимосвязи различных выборок и связей между ними. Чтобы более детально разобраться в столь сложной, но интересной методике, рекомендуем изучить несколько примеров многофакторного корреляционного анализа, приведенных в следующих разделах нашей статьи.

Пример первый

В производственном цеху есть несколько автоматических станков, каждый из которых предназначен для изготовления определенной детали. Размер производимого элемента представляет собой случайную величину, которая зависит не только от настроек самого станка, но и случайных отклонений, которые неминуемо будут возникать в результате производства деталей. Но как рабочему определить правильность работы станка, если он изначально производит детали с браком? Правильно, необходимо приобрести такую же деталь на рынке и сравнить ее размеры с тем, что получается во время производства. После этого можно регулировать оборудование таким образом, чтобы оно выпускало детали нужных размеров. И совсем не важно, что имеется производственный брак, ведь он также учитывается при расчетах.

В то же время если на станках будут определенные показатели, позволяющие определить интенсивность регулировки (осей X и Y, глубины и так далее), то показатели на всех станках будут совершенно разными. Если измерения оказались абсолютно одинаковыми, то производственный брак можно не учитывать вовсе. Однако такое происходит крайне редко, особенно если погрешности измеряются в миллиметрах. Но если выпущенная деталь обладает теми же размерами, что и стандарт, приобретенный на рынке, значит ни о каком браке не может быть и речи, поскольку при производстве "идеала" также использовался станок, дающий определенные погрешности, которые наверняка также учитывались рабочими.

Пример второй

Для изготовления определенного прибора, работающего на электричестве, необходимо использовать несколько типов различной изоляционной бумаги: электротехническую, конденсаторную и так далее. Кроме того, аппарат может быть пропитан смолой, лаком, эпоксидным составам и прочими химическими элементами, продлевающими срок эксплуатации. Ну а различные утечки под вакуумным цилиндром при повышенном давлении легко устраняются с помощью метода нагревания или выкачивания воздуха. Однако если мастер до этого использовал лишь по одному элементу из каждого списка, в процессе производства по новой технологии могут возникнуть различные трудности. Причем, практически наверняка, подобная ситуация будет вызвана из-за одного элемента. Однако рассчитать, какой именно фактор влияет на плохую работоспособность прибора, будет практически нереально. Именно поэтому рекомендуется использовать не многофакторный метод анализа, а однофакторный, чтобы быстрее разобраться с причиной неисправности.

Конечно же, при использовании различных инструментов и приборов, которые отслеживают влияние того или иного фактора на конечный результат, исследование упрощается в разы, однако обзавестись подобными агрегатами начинающему инженеру будет не по карману. Именно поэтому рекомендуется применять однофакторный дисперсионный анализ, позволяющий выявить причину неполадок за считаные минуты. Для этого будет достаточно поставить перед собой одну из наиболее вероятных гипотез, после чего начать доказывать ее путем экспериментов и анализа показателей работоспособности прибора. Довольно скоро мастеру удастся найти причину неполадок и устранить ее, заменив одну из выборок альтернативным вариантом.

Пример третий

Еще один пример многофакторного анализа. Предположим, что троллейбусное депо может обслуживать несколько маршрутов в течение суток. На этих самых маршрутах работают троллейбусы совершенно разных марок, а оплату за проезд собирают 50 разных контролеров. Однако руководство депо интересуется тем, каким образом можно сравнить между собой несколько различных показателей, влияющих на общую выручку: марка троллейбуса, эффективность маршрута и умение работника. Чтобы увидеть экономическую целесообразность, необходимо детально проанализировать влияние каждого из этих факторов на конечный результат. К примеру, некоторые контролеры могут плохо справляться со своими обязанностями, поэтому придется нанять более ответственных сотрудников. Большинство пассажиров не любят ездить на старых троллейбусах, поэтому целесообразнее всего использовать новую марку. Однако если оба этих фактора идут наряду с тем, что большая часть маршрутов являются высоко востребованными, то стоит ли вообще что-то менять?

Задача исследователя заключается в том, чтобы с помощью одного аналитического метода получить как можно больше полезной информации по поводу влияния каждого из факторов на конечный результат. Для этого необходимо выдвигать как минимум 3 различных гипотезы, которые придется доказывать различными способами. Дисперсионный анализ позволяет решить подобные задачи в максимально короткий срок и получить максимум полезной информации, особенно если используется многофазный метод. Однако не забывайте о том, что однофакторный анализ дает куда больше уверенности по поводу влияния того или иного фактора, поскольку он исследует выборку более детально. К примеру, если депо направит все силы на анализ работы кондукторов, то можно будет выявить много недобросовестных рабочих на всех маршрутах.

Однофакторный анализ

Однофакторный анализ - это совокупность методов исследования, направленных на анализ определенного фактора на конечный результат в конкретном случае. Также довольно часто подобная методика используется для сравнения наибольшего влияния между двумя факторами. Если проводить аналогию все с тем же депо, то следует сперва проанализировать по отдельности влияние различных маршрутов и марок троллейбусов на прибыльность, после чего сравнить полученные результаты между собой и определить, в каком направлении будет лучше всего развивать станцию.

Кроме того, не стоит забывать о таком понятии, как нулевая гипотеза - то есть гипотеза, которая не может быть отброшенной и на нее в любом случае влияют все факторы из перечисленных в той или иной степени. Даже если мы будем сравнивать между собой лишь маршруты и марки троллейбусов, от влияния профессионализма кондукторов все равно никуда не деться. Поэтому даже если данный фактор не поддается анализу, о влиянии нулевой гипотезы забывать не стоит. К примеру, если вы решили исследовать зависимость прибыли от маршрута, пускайте в рейс одного и того же кондуктора, чтобы показания оказались максимально точными.

Двухфакторный анализ

Чаще всего данную методику также называют методом сравнения и используют для того, чтобы выявить зависимость двух факторов друг от друга. На практике придется использовать различные таблицы с точными показателями, чтобы не запутаться в собственных расчетах и влияниях на них факторов. К примеру, можно пустить по двум одинаковым маршрутам два совершенно разных троллейбуса в одно и то же время, пренебрегая фактором нулевой гипотезы (выбрать двух ответственных кондукторов). В этом случае сравнение двух ситуаций будет максимально качественным, поскольку эксперимент проходит в одно и то же время.

Многофакторный анализ с повторными опытами

Данный метод применяется на практике гораздо чаще других, особенно если речь идет о группе начинающих исследователей. Повторный опыт позволяет не только убедиться во влиянии того или иного фактора на конечный результат, но и найти ошибки, которые были допущены в ходе исследования. К примеру, большинство неопытных аналитиков забывают о наличии одной или сразу нескольких нулевых гипотез, что приводит к получению неточных результатов в ходе исследования. Продолжая пример с депо, можно проанализировать влияние тех или иных факторов в разный сезон года, поскольку количество пассажиров зимой сильно отличается от летнего. Кроме того, повторный опыт может натолкнуть исследователя на новые идеи и выдвижение новых гипотез.

Видеоролик и заключение

Надеемся, наша статья помогла вам разобраться в том, на чем основан метод многофакторного корреляционного анализа. Если у вас до сих пор остались какие-то вопросы по данной теме, то рекомендуем к просмотру небольшой видеоролик. В нем во всех подробностях рассказывается о методах дисперсионного исследования на определенном примере.

Как видите, многофакторный анализ - это довольно сложный, но очень интересный процесс, который позволяет выявить зависимость определенных факторов на конечный результат. Данная методика может применяться абсолютно во всех сферах жизни и эффективно использоваться для ведения бизнеса. Также модель многофакторного анализа можно использовать для достижения прорывных задач с помощью простых методов.