单因子方差的数据注意事项

为了确保结果有效,请在收集数据、执行分析和解释结果时考虑以下准则。

数据应当仅包括一个作为固定因子的类别变量

有关因子的更多信息,请转到因子和因子水平固定和随机因子

响应变量应当是连续变量
如果响应变量是类别变量,则您的模型不太可能满足分析假定、准确描述数据或者进行有用的预测。
  • 如果您的响应变量有两个类别(如通过和失败),请使用拟合二元 Logistic 模型
  • 如果您的响应变量包含三个或更多采用一定自然顺序的类别(如非常不同意、不同意、中立、同意和非常同意),请使用顺序 Logistic 回归
  • 如果您的响应变量包含三个或更多不采用自然顺序的类别(如擦痕、凹陷和撕裂),请使用名义 Logistic 回归
  • 如果您的响应变量对发生次数(如缺陷数量)进行计数,请使用拟合 Poisson 模型
样本数据应当来自正态总体,或者每个样本的数量应当大于 15 或 20

如果样本数量大于 15 或 20,则检验对于偏斜的非正态分布非常有效。如果样本数量小于 15 或 20,则结果对于非正态分布可能具有误导性。

所需的实际样本数量取决于数据中的组数量,如下所示:
  • 如果您有 2 到 9 个组,则每个组的样本数量应当至少为 15。
  • 如果您有 10 到 12 个组,则每个组的样本数量应当至少为 20。

如果您无法确定数据是否服从正态分布,并且您未满足样本数量准则,请使用Kruskal-Wallis 检验

每个观测值都应当独立于所有其他观测值
如果您的观测值是相关的,则结果可能无效。请考虑以下几点来确定观测值是否为独立值:
  • 如果一个观测值不提供有关另一个观测值的信息,则说明这两个观测值是独立的。
  • 如果一个观测值提供有关另一个观测值的信息,则说明这两个观测值是相关的。

如果具有相关观测值,请转到分析重复测量设计。有关样本的更多信息,请转到相关样本和独立样本有何不同

使用最佳做法收集数据
要确保结果有效,请考虑以下准则:
  • 确保数据代表您感兴趣的总体。
  • 收集足够多的数据以提供必要的精确度。
  • 尽可能准确和精确地测量变量。
  • 以数据的收集顺序记录数据。
模型应当提供良好的数据拟合

如果模型无法与数据拟合,则结果可能会具有误导性。在输出中,使用残值图、异常观测值的诊断统计量以及模型汇总统计量可以确定模型对数据的拟合优度。

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策