ANOVA dwuczynnikowa przydaje się wtedy, gdy wynik zależy od dwóch zmiennych kategorycznych, a badacza interesuje nie tylko każda z nich osobno, lecz także ich połączenie. Możesz sprawdzić na przykład, czy metoda nauki działa inaczej w sali niż online albo czy rodzaj informacji zwrotnej ma inne znaczenie dla początkujących i zaawansowanych.
Najważniejszym wynikiem takiego modelu często nie jest kolejna wartość p, lecz interakcja. Pokazuje ona, czy efekt jednego czynnika zmienia się na poziomach drugiego. Z tego powodu tabeli ANOVA nie czyta się mechanicznie od pierwszego wiersza. Najpierw trzeba zrozumieć układ komórek i sprawdzić interakcję.
Projekt 2 × 2
Cztery komórki odpowiadają na trzy pytania
AEfekt metodyCzy A i B różnią się po uśrednieniu środowisk?
BEfekt środowiskaCzy sala i online różnią się po uśrednieniu metod?
A × BInterakcjaCzy różnica między metodami zależy od środowiska?
Kiedy dwuczynnikowa ANOVA pasuje do projektu
Potrzebujesz ciągłej zmiennej zależnej oraz dwóch czynników kategorycznych. Każda obserwacja powinna należeć do jednej kombinacji poziomów, na przykład do metody A prowadzonej online. Jeżeli te same osoby są mierzone kilka razy, nie jest to zwykła ANOVA międzygrupowa. Wtedy zacznij od poradnika o ANOVA z powtarzanym pomiarem w Jamovi.
Układ 2 × 2 ma cztery komórki, ale czynniki mogą mieć więcej poziomów. Projekt 3 × 2 tworzy sześć komórek. Wraz z ich liczbą rośnie zapotrzebowanie na dane, dlatego liczebność trzeba planować dla całego modelu i interakcji, nie tylko dla jednej różnicy. Pomaga w tym osobny przewodnik o mocy statystycznej i liczebności próby.
Interakcja zmienia znaczenie efektów głównych
Efekt główny czynnika A porównuje jego poziomy po uśrednieniu czynnika B. Taki skrót jest użyteczny tylko wtedy, gdy nie zaciera istotnie różnych efektów prostych. Jeśli metoda A przewyższa B w sali, lecz przegrywa z nią online, średnia różnica może wynosić prawie zero, mimo że w każdej komórce dzieje się coś ważnego.
Interakcję interpretuj pierwszą. Gdy jest wyraźna i merytorycznie istotna, przejdź do średnich komórkowych, wykresu oraz efektów prostych. Nie pisz wtedy bez zastrzeżeń, że „metoda A była lepsza”, ponieważ odpowiedź zależy od środowiska. Nieistotna interakcja także nie dowodzi identycznych efektów. Przedział ufności i precyzja danych pokazują, jak duże różnice nadal są zgodne z wynikiem.
Dane muszą zachować niezależność i pełny układ
Klasyczna ANOVA zakłada niezależność obserwacji, przybliżoną normalność reszt oraz podobne wariancje w komórkach. W praktyce zacznij od liczebności, rozkładów i obserwacji wpływowych. Puste lub bardzo małe komórki utrudniają oszacowanie interakcji. Duża nierównowaga liczebności sprawia też, że sposób liczenia sum kwadratów i estymowanych średnich ma większe znaczenie.
NiezależnośćJedna osoba nie może pojawiać się w kilku komórkach zwykłego modelu międzygrupowego.
Pokrycie komórekKażda sensowna kombinacja poziomów potrzebuje obserwacji.
ResztySprawdzaj model, a nie osobny test normalności dla każdej małej grupy.
WariancjeOceń rozrzut i wynik testu Levene’a w kontekście liczebności.
Przed uruchomieniem modelu sprawdź też kodowanie czynników i braków danych. Zera użyte zamiast braku odpowiedzi mogą utworzyć fałszywy poziom albo obniżyć średnią. Cały etap porządkuje instrukcja przygotowania danych do analizy w Jamovi.
Jak wykonać ANOVA dwuczynnikową w Jamovi
- Ustaw wynik jako zmienną ciągłą, a oba czynniki jako nominalne.
- Wybierz Analizy → ANOVA → ANOVA, a nie uproszczoną jednoczynnikową ANOVA.
- Przenieś wynik do pola zmiennej zależnej, a oba czynniki do czynników stałych.
- Sprawdź w modelu obecność składników A, B oraz A × B. Pełny model zachowuje hierarchię i zawiera efekty główne razem z interakcją.
- Włącz statystyki opisowe, miarę efektu, test jednorodności wariancji i wykres Q–Q reszt.
- W sekcji estymowanych średnich brzegowych dodaj A × B, tabelę i wykres interakcji.
- Jeżeli interakcja wymaga rozbicia, zaplanuj porównania prostych efektów z właściwą korektą wielokrotnych testów.
Jamovi raportuje sumy kwadratów, stopnie swobody, statystykę F, wartość p i wybraną miarę efektu. Przy nierównych komórkach zanotuj, jakiego typu sum kwadratów użyto. Domyślny wynik typu III odpowiada na pytanie o każdy składnik po uwzględnieniu pozostałych składników modelu.
Zobacz, kiedy średnia ukrywa właściwy wniosek
Przełącz układ czterech średnich. Wykres pokazuje efekt metody osobno w sali i online, a panel podpowiada kolejność interpretacji.
Jak odczytać interakcję i efekty proste
Na wykresie interakcji równoległe linie oznaczają podobny efekt jednego czynnika na poziomach drugiego. Linie wyraźnie nierównoległe sugerują interakcję, ale sam wygląd nie zastępuje testu i przedziałów. Szczególnie czytelne jest przecięcie linii, ponieważ pokazuje zmianę kierunku efektu. Interakcja może jednak istnieć także wtedy, gdy linie się nie przecinają, lecz mają różne nachylenia.
1A × BCzy różnica między poziomami A zależy od B?
2Średnie komórekW której kombinacji wynik jest wyższy i o ile?
3Efekty prosteJak wygląda A na każdym poziomie B albo B na każdym poziomie A?
4NiepewnośćJak szerokie są przedziały i jaka jest wielkość efektu?
Efekt prosty jest porównaniem jednego czynnika przy ustalonym poziomie drugiego. Nie należy mnożyć testów bez planu. W zależności od pytania wybierz konkretne kontrasty albo porównania parami i zastosuj korektę. Zasady doboru korekty rozwija artykuł o testach post hoc po ANOVA.
Wynik potrzebuje średnich i wykresu
Tabela ANOVA mówi, czy dane wspierają obecność składnika modelu, ale nie pokazuje kierunku. Dlatego do interakcji dołącz średnie komórkowe lub estymowane średnie brzegowe z przedziałami ufności. Wykres powinien mieć czytelne osie, nazwy poziomów i legendę. Nie wyciągaj wniosku wyłącznie z tego, czy przedziały na rysunku się przecinają.
Wielkość efektu uzupełnia wartość p, lecz również zależy od modelu i przyjętej miary. Częściowe η² opisuje udział zróżnicowania przypisany danemu składnikowi względem niego i błędu. Nie porównuj go bezrefleksyjnie z surowym η². Szerzej tłumaczy to poradnik o wartości p, przedziałach i wielkości efektu.
Wzór opisu wyniku w pracy dyplomowej
Przeprowadzono dwuczynnikową analizę wariancji, w której analizowano wynik testu w zależności od metody nauki i środowiska zajęć. Stwierdzono interakcję metody ze środowiskiem, F(1, 116) = 8,42, p = 0,004, η²p = 0,07. W sali średni wynik był wyższy dla metody A niż B, odpowiednio M = 72,1 i M = 65,4, natomiast online kierunek różnicy był odwrotny, odpowiednio M = 68,0 i M = 77,2. Porównania efektów prostych z korektą Holma wskazały, że obie różnice były istotne. Oznacza to, że związek metody z wynikiem zależał od środowiska zajęć.
Podmień liczby, stopnie swobody i nazwy zgodnie z własnym wynikiem. Jeśli interakcja nie jest istotna, nie kopiuj zdania o efektach prostych automatycznie. Opisz efekty główne tylko wtedy, gdy odpowiadają pytaniom badawczym i nie ukrywają ważnej niepewności.
Najczęstsze błędy zmieniają pytanie analizy
- uruchomienie dwóch osobnych jednoczynnikowych ANOVA zamiast jednego modelu z interakcją;
- interpretowanie efektów głównych przed sprawdzeniem A × B;
- uznanie braku istotności interakcji za dowód identycznego działania w każdej grupie;
- wykonywanie wielu testów t bez korekty i bez planu kontrastów;
- pominięcie pustych, bardzo małych albo skrajnie nierównych komórek;
- mylenie dwuczynnikowej ANOVA międzygrupowej z układem powtarzanych pomiarów;
- raportowanie samej tabeli F bez średnich, przedziałów i wykresu interakcji.
Dwuczynnikowa ANOVA jest wartościowa właśnie dlatego, że testuje wspólny mechanizm, którego nie widać w dwóch oddzielnych analizach. Gdy projekt, model i opis zachowują tę samą macierz 2 × 2, wynik staje się czytelny również dla osoby, która nie zna całego raportu Jamovi.
