Neste tópico
Etapa 1: Determine um intervalo de confiança para a razão de desvios padrão ou variâncias
Primeiro, considere a razão nas variâncias das amostras ou os desvios padrão das amostras e depois examine o intervalo de confiança.
A razão estimada dos desvios padrão e variâncias dos dados das amostras é uma estimativa da razão em desvios padrão da população e variâncias. Como a razão estimada está baseada em dados da amostra e não na população total, é improvável que a razão da amostra seja igual à razão da população. Para estimar melhor a razão, use o intervalo de confiança.
O intervalo de confiança fornece um intervalo de valores prováveis para a razão entre duas variâncias de população ou desvios padrão. Por exemplo, um nível de confiança de 95% indica que, se você extrair 100 amostras aleatórias da população, poderia esperar que, aproximadamente, 95 das amostras produza intervalos que contêm a razão da população. O intervalo de confiança ajuda a avaliar a significância prática de seus resultados. Use seu conhecimento especializado para determinar se o intervalo de confiança inclui valores que tenham significância prática para a sua situação. Se o intervalo for muito amplo para ser útil, pense em aumentar o tamanho da amostra.Para obter mais informações, acesse Como obter um intervalo de confiança mais preciso.
Por padrão, o teste de 2 variâncias exibe os resultados para o método de Levene e o método de Bonett. Em geral, o método de Bonett é mais confiável que o método de Levene. No entanto, para distribuições extremamente assimétricas e distribuições com caudas pesadas, o método de Levene é geralmente mais confiável do que o método de Bonett. Use o teste F somente se tiver certeza de que os dados seguem uma distribuição normal. Qualquer pequeno desvio da normalidade pode afetar muito os resultados do teste F. Para obter mais informações, acesse Devo usar o método de Bonett ou o método de Levene para Teste para 2 variâncias ?.
O gráfico de resumo mostra o intervalo de confiança da razão e o intervalo de confiança para ambos os desvios padrão ou variâncias.
Razão de desvios padrão
| Razão Estimada | 95% IC da Razão usando Bonett | 95% IC da Razão usando Levene |
|---|---|---|
| 0,658241 | (0,372; 1,215) | (0,378; 1,296) |
Principais resultados: razão estimada, IC para razão, gráfico de resumo
Nesses resultados, a estimativa para a razão da população de desvios padrão para taxas de dois hospitais é de 0,658. Usando o método de Bonett, você pode ter 95% de confiança que a razão da população dos desvios padrão para as taxas de hospital está entre 0,372 e 1,215.
Etapa 2: Determine se a razão é estatisticamente significativa
- Valor de p ≤ α: A proporção entre os desvios padrão ou variâncias é estatisticamente significativa (rejeite H0)
- Se o valor de p for menor ou igual ao nível de significância, você deve rejeitar a hipótese nula. É possível concluir que a proporção dos desvios padrão ou variâncias da população não é igual à proporção hipotética. Se você não especificar uma proporção hipotética, o Minitab testa se não há nenhuma diferença entre os desvios padrão ou variâncias (Razão hipotética = 1). Use seu conhecimento especializado para determinar se a diferença é praticamente significativa. Para obter mais informações, acesse Significância estatística e prática.
- Valor de p > α: A proporção entre os desvios padrão ou variâncias não é estatisticamente significativa (não deve rejeitar H0)
- Se o valor de p for maior do que o nível de significância, você não deve rejeitar a hipótese nula. Não há evidências suficientes para concluir que a proporção dos desvios padrão ou variâncias da população é estatisticamente significativa. Certifique-se de que o teste tenha poder suficiente para detectar uma diferença que seja significativa na prática. Para obter mais informações, acesse Poder e tamanho de amostra para 2 variâncias.
- O teste de Bonnet é preciso para qualquer distribuição contínua e não necessita que os dados sejam normais. Em geral, o teste de Bonett é mais confiável do que o teste de Levene.
- O teste de Levene, também é preciso com qualquer distribuição contínua. Para distribuições de cauda extremamente assimétrica e pesada, o método de Levene tende a ser mais confiável do que o método de Bonett.
- O teste F é exato apenas para dados distribuídos normalmente. Qualquer pequeno desvio da normalidade pode causar imprecisões no teste F, mesmo com grandes amostras. No entanto, se os dados estiverem em boa conformidade com a distribuição normal, o teste F normalmente será mais poderoso do que o teste de Bonett ou teste de Levene.
Para obter mais informações, vá para Devo usar o método de Bonett ou o método de Levene para Teste para 2 variâncias ?.
Teste
| Hipótese nula | H₀: σ₁ / σ₂ = 1 |
|---|---|
| Hipótese alternativa | H₁: σ₁ / σ₂ ≠ 1 |
| Nível de significância | α = 0,05 |
| Método | Estatística de teste | GL1 | GL2 | Valor-p |
|---|---|---|---|---|
| Bonett | 2,09 | 1 | 0,148 | |
| Levene | 1,60 | 1 | 38 | 0,214 |
Resultados principais: valor-p
Nestes resultados, a hipótese nula afirma que a razão nos desvios padrão das avaliações entre dois hospitais é de 1. Como ambos os valores-p são maiores do que o nível de significância de 0,05, você deixar de rejeitar a hipótese nula e não é possível concluir que os desvios padrão das classificações entre os hospitais sejam diferentes.
Etapa 3: Verifique se há problemas nos dados
Problemas com os dados, como assimetrias ou outliers, podem afetar desfavoravelmente seus resultados. Use gráficos para procurar assimetrias (ao examinar a dispersão dos dados de cada amostra) e para identificar os outliers potenciais.
Examine a dispersão de seus dados para determinar se eles parecem ser assimétricos.
Quando os dados são assimétricos, a maior parte dos dados está localizada no lado alto ou baixo do gráfico. Frequentemente, a assimetria é mais fácil de detectar com um histograma ou boxplot.
Assimétricos à direita
Assimétricos à esquerda
O histograma com dados assimétricos à direita mostra os tempos de espera. A maioria dos tempos de espera são relativamente curtos e apenas alguns tempos de espera são longos. O histograma com dados assimétricos à esquerda mostra os dados de tempos de falha. Alguns itens falham imediatamente e muitos outros itens falham posteriormente.
Os dados que são severamente assimétricos podem afetar a validade do valor-p se a amostra for pequena (ambas as amostras são menores que 20 valores). Se seus dados forem severamente assimétricos e você tiver uma pequena amostra, considere aumentar o tamanho amostral.
Nestes histogramas, os dados não parecem estar severamente assimétricos.
Identificar outliers
Outliers, que são valores de dados que estão longe dos outros valores de dados, podem afetar fortemente os resultados da análise. Geralmente, outliers são a maneira mais fácil de identificar em um boxplot.
Em um boxplot, os asteriscos (*) identificam outliers.
Tente identificar a causa de todos os outliers. Corrija quaisquer erros de entrada de dados ou de medição. Considere remover valores de dados que estejam associados a eventos anormais, que ocorrem somente uma vez (também chamados de causas especiais). Em seguida, repita a análise. Para obter mais informações, acesse Identificação de outliers.
Nos boxplots, que é sobre o gráfico de resumo, o Hospital B tem dois outliers.
