ANOVA z powtarzanym pomiarem służy do porównania co najmniej trzech wyników uzyskanych od tych samych osób. Może to być pomiar stresu przed zajęciami, po zajęciach i miesiąc później albo ocena kilku warunków wykonania tego samego zadania.
W tej analizie ważna jest nie tylko różnica średnich. Trzeba zachować powiązanie wyników jednej osoby, poprawnie ułożyć dane, sprawdzić sferyczność i dobrać zapis wyniku do użytej korekty.
Ścieżka analizy
Te same osoby, kolejne pomiary
Kiedy wybrać ANOVA z powtarzanym pomiarem
Wybierz tę analizę, gdy każda osoba dostarcza wynik ilościowy w trzech lub większej liczbie momentów albo warunków. Obserwacje między osobami są niezależne, ale wyniki należące do tej samej osoby są ze sobą powiązane. To właśnie odróżnia analizę od klasycznej ANOVA dla niezależnych grup.
Jeżeli interesuje Cię przede wszystkim logika projektu i wnioskowanie o zmianie w czasie, zacznij od porównania badania przekrojowego i podłużnego. Gdy masz tylko dwa powiązane pomiary, zwykle wystarczy test t dla prób zależnych albo jego nieparametryczny odpowiednik.
Jak przygotować dane w układzie szerokim
Jamovi oczekuje układu szerokiego. Każdy wiersz opisuje jednego uczestnika, a kolejne kolumny przechowują jego wyniki z kolejnych pomiarów. Nie twórz trzech wierszy dla tej samej osoby, jeśli chcesz wykonać standardową ANOVA z powtarzanym pomiarem.
Jeden wiersz zachowuje całą historię jednej osoby.
Przed analizą sprawdź typ zmiennych, braki i zakres wartości. Pomaga w tym instrukcja przygotowania danych w Jamovi.
Jak uruchomić analizę w Jamovi
- Wybierz Analizy → ANOVA → ANOVA z powtarzanym pomiarem.
- Nazwij czynnik wewnątrzobiektowy, na przykład czas, i dodaj poziomy przed, po oraz follow-up.
- Przypisz właściwe kolumny do utworzonych komórek pomiaru.
- Włącz test sferyczności, korekty sferyczności, miarę wielkości efektu oraz średnie brzegowe.
- Dodaj porównania parami, jeżeli chcesz wskazać, między którymi pomiarami wystąpiły różnice.
Co pokazują trajektorie uczestników
Dwie próby mogą mieć podobną średnią zmianę, a mimo to opowiadać inną historię. Równoległe linie oznaczają spójny kierunek zmian. Przecinające się trajektorie pokazują, że średnia ukrywa różne reakcje uczestników. Przełącz scenariusz i porównaj linie osób z grubszą linią średniej.
Laboratorium zmiany
Zajrzyj pod linię średniej
Decyzja do raportu
Jak odczytać sferyczność i korektę
Sferyczność dotyczy wariancji różnic między parami pomiarów. Gdy test Mauchly’ego nie jest istotny, możesz odczytać wiersz bez korekty. Gdy jest istotny, raportuj skorygowane stopnie swobody, najczęściej według Greenhouse’a–Geissera. Korekta zmienia stopnie swobody i wartość p, ale nie zmienia surowych średnich.
Test Levene’a dotyczy jednorodności wariancji między niezależnymi grupami i nie zastępuje sferyczności. Różnicę wyjaśnia poradnik o teście Levene’a w Jamovi.
Jak interpretować porównania parami
Istotny efekt czasu mówi, że nie wszystkie średnie są takie same, lecz nie wskazuje jeszcze konkretnych par. Porównania parami pokażą, czy zmiana wystąpiła między pomiarem przed i po, przed i follow-up albo po i follow-up. Stosuj korektę wielokrotnych porównań, na przykład Holma lub Bonferroniego.
Nie ograniczaj opisu do wartości p. Podaj średnie, odchylenia standardowe, kierunek zmiany i miarę efektu. Zasady wspólnego odczytywania istotności i siły efektu znajdziesz w artykule o wartości p, przedziale ufności i wielkości efektu.
Jak opisać wynik w pracy dyplomowej
Stwierdzono istotny efekt czasu na poziom stresu, F(1,54; 44,66) = 12,31, p < 0,001, η²p = 0,30. Ze względu na naruszenie sferyczności zastosowano korektę Greenhouse’a–Geissera. Poziom stresu był niższy po zajęciach niż przed nimi oraz pozostał niższy w pomiarze follow-up.
W zapisie uwzględnij nazwę efektu, skorygowane stopnie swobody, F, p i wielkość efektu. Następnie opisz porównania parami i kierunek zmian. Ogólną konwencję raportowania testów przypomina poradnik o zapisie ANOVA w pracy dyplomowej.
Kiedy wybrać test Friedmana lub model mieszany
Test Friedmana jest nieparametryczną alternatywą dla jednoczynnikowego powtarzanego pomiaru, gdy skala lub rozkład danych nie pozwalają sensownie oprzeć się na średnich. Model mieszany jest lepszy, gdy liczba pomiarów różni się między osobami, występują braki w kolejnych terminach albo chcesz modelować indywidualne tempo zmiany.
Nie wybieraj testu wyłącznie na podstawie jednego testu normalności. Najpierw obejrzyj rozkład różnic, wartości odstające i wykresy trajektorii. Poradnik o normalności w Jamovi pokazuje, jak uniknąć mechanicznej decyzji na podstawie samego p.
