آزمون ANOVA: یک راهنمای جامع با مثال

ANOVA راهی برای آزمایش این موضوع فراهم می‌کنه که آیا تفاوت‌های معنی‌داری بین میانگین گروه‌ها وجود داره یا نه، و به محققان کمک می‌کنه تا تعیین کنن آیا تغییرات در داده‌ها به خاطر تفاوت‌های واقعی بین گروه‌هاست یا فقط تصادفیه. این روش وقتی با آزمایش‌ها یا مطالعاتی سروکار داریم که شامل بیش از دو گروه هستن و آزمون‌های سنتی آزمون t ممکنه مناسب یا کارآمد نباشن، خیلی مفیده.

این مقاله اصول اولیه آزمون ANOVA، هدف اون، دو نوع اصلیش و یک راهنمای گام‌به‌گام برای انجام ANOVA رو بررسی می‌کنه. درک این مفاهیم می‌تونه بهت کمک کنه تا آزمون درستی رو برای داده‌هات انتخاب کنی و نتایج رو با اطمینان تفسیر کنی. همچنین برای درک بهتر این مفهوم، یک مثال رو هم بررسی می‌کنیم. اگر با ایده آزمون فرضیه به‌طور کلی آشنا نیستی، می‌تونی آموزش آزمون فرضیه به زبان ساده ما رو در فینکا بخونی.

آزمون ANOVA چیه؟

ANOVA مخفف Analysis of Variance (تحلیل واریانس) هست، یک آزمون آماری که برای مقایسه میانگین سه یا چند گروه استفاده می‌شه. این آزمون واریانس درون گروه و بین گروه‌ها رو تحلیل می‌کنه. هدف اصلی اینه که بررسی کنیم آیا واریانس مشاهده شده بین میانگین گروه‌ها بیشتر از واریانس درون گروه‌هاست یا نه. اگر واریانس مشاهده شده بین میانگین گروه‌ها معنی‌دار باشه، نشون می‌ده که تفاوت‌ها معنی‌دارن.

از نظر ریاضی، ANOVA کل تنوع در داده‌ها رو به دو بخش تقسیم می‌کنه:

• تنوع درون‌گروهی: تنوعی که به خاطر تفاوت‌های درون گروه‌های فردی ایجاد می‌شه و نوسانات تصادفی رو نشون می‌ده.
• تنوع بین‌گروهی: تنوعی که به خاطر تفاوت‌های بین میانگین گروه‌های مختلف ایجاد می‌شه.

این آزمون یک آماره F تولید می‌کنه که نسبت بین تنوع بین‌گروهی و درون‌گروهی رو نشون می‌ده. اگر آماره F به اندازه کافی بزرگ باشه، نشون می‌ده که میانگین حداقل یکی از گروه‌ها به‌طور قابل‌توجهی با بقیه متفاوته.

برای درک بهتر این موضوع، فرض کن ازت خواسته شده عملکرد یک دانش‌آموز (نمرات امتحان) رو بر اساس سه روش تدریس ارزیابی کنی: سخنرانی، کارگاه تعاملی و یادگیری آنلاین. ANOVA می‌تونه به ما کمک کنه تا ارزیابی کنیم آیا روش تدریس از نظر آماری روی عملکرد امتحان دانش‌آموز تأثیر داره یا نه.

دو نوع آزمون ANOVA

دو نوع ANOVA وجود داره: یک‌طرفه و دوطرفه. بسته به تعداد متغیرهای مستقل و نحوه تعامل اون‌ها با همدیگه، هر دو در سناریوهای مختلفی استفاده می‌شن.

۱. ANOVA یک‌طرفه

آزمون ANOVA یک‌طرفه زمانی استفاده می‌شه که یک متغیر مستقل با دو یا چند گروه وجود داشته باشه. هدف اینه که مشخص کنیم آیا تفاوت معنی‌داری بین میانگین گروه‌های مختلف وجود داره یا نه.

در مثال خودمون، می‌تونیم از ANOVA یک‌طرفه برای مقایسه تأثیر سه روش تدریس مختلف (سخنرانی، کارگاه و یادگیری آنلاین) روی نمرات امتحان دانش‌آموزان استفاده کنیم. روش تدریس، متغیر مستقل با سه گروه و نمره امتحان، متغیر وابسته‌ست.

• فرض صفر (H₀): میانگین نمرات امتحان دانش‌آموزان در هر سه روش تدریس با هم برابره (هیچ تفاوتی در میانگین‌ها وجود نداره).
• فرض مقابل (H₁): میانگین حداقل یک گروه تفاوت معنی‌داری داره.

آزمون ANOVA یک‌طرفه به ما می‌گه که آیا تغییرات در نمرات امتحان دانش‌آموزان می‌تونه به تفاوت در روش‌های تدریس نسبت داده بشه یا احتمالاً به خاطر تصادفه.

ANOVA یک‌طرفه برای تحلیل تأثیر یک عامل واحد در چندین گروه مؤثره و تفسیرش ساده‌تره. با این حال، احتمال تعامل بین چندین متغیر مستقل رو در نظر نمی‌گیره، جایی که ANOVA دوطرفه ضروری می‌شه.

۲. ANOVA دوطرفه

ANOVA دوطرفه زمانی استفاده می‌شه که دو متغیر مستقل وجود داشته باشه و هر کدوم دو یا چند گروه داشته باشن. هدف اینه که تحلیل کنیم چطور هر دو متغیر مستقل روی متغیر وابسته تأثیر می‌ذارن.

فرض کن به رابطه بین روش‌های تدریس و تکنیک‌های مطالعه و این‌که چطور هر دو با هم روی عملکرد دانش‌آموز تأثیر می‌ذارن علاقه‌مندی. ANOVA دوطرفه برای این سناریو مناسبه. در اینجا ما سه فرضیه رو آزمایش می‌کنیم:

• تأثیر اصلی عامل اول (روش تدریس): آیا روش تدریس روی نمرات امتحان دانش‌آموز تأثیر داره؟
• تأثیر اصلی عامل دوم (تکنیک مطالعه): آیا تکنیک مطالعه روی نمرات امتحان تأثیر داره؟
• تأثیر تعاملی: آیا اثربخشی روش تدریس به تکنیک مطالعه استفاده شده بستگی داره؟

برای مثال، ANOVA دوطرفه ممکنه نشون بده دانش‌آموزانی که از روش سخنرانی استفاده می‌کنن در مطالعه گروهی عملکرد بهتری دارن و اون‌هایی که از یادگیری آنلاین استفاده می‌کنن ممکنه در مطالعه فردی عملکرد بهتری داشته باشن. درک این تعاملات بینش عمیق‌تری درباره این‌که چطور عوامل مختلف با هم روی نتایج تأثیر می‌ذارن بهمون می‌ده.

ANOVA در مقابل آزمون t

ممکنه بپرسی: چه زمانی باید ANOVA رو به جای آزمون t انتخاب کنم؟ آزمون t و ANOVA هر دو برای مقایسه میانگین بین گروه‌ها استفاده می‌شن، اما انتخاب بین اون‌ها به تعداد گروه‌هایی که مقایسه می‌شن و پیچیدگی ساختار داده‌ها بستگی داره.

چه زمانی از آزمون t استفاده کنیم

آزمون t برای مقایسه میانگین دو گروه مناسبه. برای مثال، اگر بخوایم نمرات امتحان دانش‌آموزان رو فقط با استفاده از دو روش تدریس (سخنرانی و کارگاه) مقایسه کنیم، یک آزمون t کافیه. دو نوع آزمون t وجود داره:

• آزمون t مستقل: دو گروه مستقل رو مقایسه می‌کنه (مثل سخنرانی در برابر کارگاه).
• آزمون t جفت‌شده: میانگین‌های یک گروه رو در زمان‌های مختلف مقایسه می‌کنه (مثل عملکرد دانش‌آموز قبل و بعد از استفاده از یک روش تدریس خاص).

چه زمانی از ANOVA استفاده کنیم

از طرف دیگه، ANOVA زمانی استفاده می‌شه که میانگین سه یا چند گروه رو مقایسه می‌کنیم. مطالعه ما شامل سه روش تدریس (سخنرانی، کارگاه و یادگیری آنلاین) می‌شه، بنابراین به چیزی بیشتر از یک آزمون t نیاز داریم. استفاده از چندین آزمون t برای هر جفت گروه باعث افزایش خطر خطای نوع اول (مثبت کاذب) می‌شه، در حالی که ANOVA مقایسه رو در یک آزمون انجام می‌ده و این خطا رو کنترل می‌کنه.

مفروضات آزمون ANOVA

تمام آزمون‌های آماری مفروضاتی دارن که برای اطمینان از اعتبار نتایج باید رعایت بشن.

اینجا مفروضاتی که برای ANOVA باید رعایت بشن آورده شده:

۱. استقلال مشاهدات

مشاهدات (نقاط داده) باید از همدیگه مستقل باشن. در مثالمون، نمرات امتحان دانش‌آموزان در یک روش تدریس نباید روی نمرات دانش‌آموزان در روش دیگه تأثیر بذاره.

۲. همگن بودن واریانس‌ها

واریانس‌ها در هر گروه باید تقریباً برابر باشن. ANOVA فرض می‌کنه که تنوع نمرات امتحان درون هر گروه روش تدریس، تقریباً یکسانه. این موضوع رو می‌شه با استفاده از آزمون Levene که واریانس‌های برابر رو بررسی می‌کنه، آزمایش کرد.

۳. توزیع نرمال

داده‌های درون هر گروه باید توزیع نرمال داشته باشن. در مثال روش تدریس ما، نمرات امتحان دانش‌آموزان در هر گروه تدریس (سخنرانی، کارگاه، یادگیری آنلاین) در حالت ایده‌آل باید به‌طور نرمال توزیع بشن.

اگر هر کدوم از مفروضات نقض بشه، نتایج آزمون ممکنه نامعتبر باشه. در چنین مواردی، مهمه که استفاده از یک آزمون ناپارامتریک رو در نظر بگیریم.

انجام آزمون ANOVA

ما از همون مثال مقایسه روش‌های تدریس مختلف برای بررسی نحوه تأثیر اون‌ها روی نمرات امتحان دانش‌آموز استفاده می‌کنیم. فرض کن داده‌های زیر که نمرات امتحان (متغیر وابسته) رو بر اساس روش تدریس (متغیر مستقل) نشون می‌ده بهت داده شده.

مرحله ۱: تعریف فرضیه

اولین مرحله در این فرآیند، تعریف فرضیه‌ست. فرض‌های صفر و مقابل رو بیان کن:

• فرض صفر (H₀): میانگین نمرات امتحان دانش‌آموزان در هر سه روش تدریس برابره.
• فرض مقابل (H₁): حداقل یک روش تدریس میانگین نمره امتحان متفاوتی داره.

مرحله ۲: بررسی مفروضات ANOVA

قبل از انجام ANOVA، مطمئن شو که مفروضات رعایت شدن. نرمال بودن، استقلال و همگن بودن واریانس‌ها. برای سادگی، بیا فرض کنیم همه مفروضات رعایت شدن.

مرحله ۳: محاسبه ANOVA

بعد از بررسی مفروضات، ANOVA رو محاسبه کن.

فرمول آماره F در ANOVA یک‌طرفه در زیر تعریف شده.

آماره F در ANOVA یک‌طرفه نسبت بین مجموع میانگین مربعات بین گروه‌ها و مجموع میانگین مربعات درون گروه‌هاست.

برای رسیدن به این نتیجه، بیا گام‌به‌گام پیش بریم.

۱. محاسبه میانگین برای هر گروه و میانگین کل.

از معادله زیر برای محاسبه میانگین هر روش تدریس (Ai) استفاده کن. مجموع نمرات امتحان هر گروه رو بر تعداد دانش‌آموزان در همون گروه تقسیم کن.

بعد، میانگین کل (G) رو با تقسیم مجموع همه نمونه‌ها بر تعداد کل دانش‌آموزان محاسبه کن.

۲. محاسبه مجموع مربعات برای هر گروه

معادله زیر برای محاسبه مجموع مربعات هر گروه استفاده می‌شه.

بعد از محاسبه، این جدول رو با مقادیر پر کن تا دسترسی آسون‌تری داشته باشی.

۳. محاسبه مجموع مربعات بین گروه، مجموع مربعات درون گروه و مجموع کل مربعات

با استفاده از معادله زیر، مجموع مربعات بین گروه‌ها رو محاسبه کن. در معادله:

• Ai: میانگین گروه
• G: میانگین کل
• ni: تعداد نمونه‌ها در هر گروه

از مقادیر جدول خلاصه برای محاسبه استفاده کن.

بعد، مجموع مربعات درون گروه رو محاسبه کن. این در واقع جمع مجموع مربعات (SS) برای هر گروهه.

از معادله زیر برای محاسبه مجموع کل مربعات استفاده کن

با بررسی این‌که آیا مجموع کل مربعات برابر با جمع مجموع مربعات بین گروه‌ها و مجموع مربعات درون گروه هست یا نه، محاسبه رو تأیید کن. بعد از تأیید، به سراغ محاسبه میانگین مربعات برو.

۴. محاسبه میانگین مربعات

میانگین مربعات، نسبت مجموع مربعات به درجه آزادیه.

درجه آزادی بین گروه‌ها df_between برابر با تعداد گروه‌ها منهای یکه، و درجه آزادی درون گروه‌ها df_w برابر با تعداد کل شرکت‌کنندگان منهای تعداد گروه‌هاست.

با مقادیر محاسبه شده در مرحله قبل، میانگین مربعات رو محاسبه کن.

۵. محاسبه آماره F با استفاده از معادله زیر

آماره F نسبت میانگین مربع بین گروه به میانگین مربع درون گروهه.

مقدار محاسبه شده آماره F برابر با ۲۸.۷۴۷ هست.

در نهایت،مقدار p یا p-value با استفاده از آماره F، درجه آزادی df و جدول توزیع F محاسبه می‌شه.

در این مثال، df صورت ۲، df مخرج ۹ و آماره F برابر با ۲۸.۷۴۷ هست. بنابراین، p-value از روی جدول توزیع F برابر با ۰.۰۰۰۱۲۳ هست.

مرحله ۴: تفسیر نتایج

• آماره F: آماره F نسبت تنوع بین‌گروهی به درون‌گروهی رو اندازه‌گیری می‌کنه. یک آماره F بالاتر نشون‌دهنده تفاوت معنی‌دارتر بین میانگین گروه‌ها در مقایسه با تنوع تصادفیه.
• P-value: p-value تعیین می‌کنه که آیا تفاوت‌های بین میانگین گروه‌ها از نظر آماری معنی‌داره یا نه. اگر p-value کمتر از یک آستانه از پیش تعیین شده (معمولاً ۰.۰۵) باشه، فرض صفر رو رد کن و نتیجه بگیر که حداقل یک گروه میانگین معنی‌دار متفاوتی داره.

p-value برابر با ۰.۰۰۰۱۲۳ هست و ما فرض صفر رو رد می‌کنیم تا نتیجه بگیریم که روش تدریس به‌طور معنی‌داری روی نمرات امتحان تأثیر می‌ذاره.

آزمون‌های تعقیبی بعد از ANOVA

ANOVA به ما می‌گه که آیا تفاوت آماری معنی‌داری بین میانگین گروه‌ها وجود داره یا نه، اما مشخص نمی‌کنه دقیقاً کدوم گروه‌ها تفاوت معنی‌داری با هم دارن. اینجاست که نقش آزمون‌های تعقیبی (post-hoc) پررنگ می‌شه؛ این آزمون‌ها مقایسه‌های دوبه‌دو بین گروه‌ها انجام می‌دن تا دقیقاً مشخص کنن تفاوت‌ها کجاست. وقتی بیش از دو گروه داری و نتیجه ANOVA معنی‌دار می‌شه، این آزمون‌ها ضروری هستن.

در ادامه مثالمون، پس از انجام ANOVA یک‌طرفه روی سه روش تدریس (سخنرانی، کارگاه و یادگیری آنلاین)، آزمون نشون می‌ده که تفاوت معنی‌داری در نمرات امتحان دانش‌آموزان وجود داره. یک آزمون تعقیبی به ما کمک می‌کنه تا تعیین کنیم کدوم روش‌های تدریس تأثیر متفاوتی روی عملکرد امتحان دارن.

آزمون تفاوت معنی‌دار راستین توکی (Tukey's HSD) و اصلاح بونفرونی (Bonferroni Correction) از آزمون‌های تعقیبی پرکاربردن.

جایگزین‌های ANOVA

اگر مفروضات ANOVA رعایت نشن، یا زمانی که ANOVA برای مجموعه داده‌ها مناسب نیست، جایگزین‌های زیر رو در نظر بگیر.

1. آزمون کروسکال-والیس (Kruskal-Wallis Test): این یک جایگزین ناپارامتریک برای ANOVA یک‌طرفه‌ست وقتی فرض نرمال بودن نقض می‌شه. این در واقع نسخه تعمیم‌یافته آزمون من-ویتنی یو (Mann-Whitney U) هست.
2. MANOVA (تحلیل واریانس چندمتغیره): این روش اصول ANOVA رو به چندین متغیر وابسته گسترش می‌ده. این آزمون بررسی می‌کنه که آیا بردارهای میانگین چندین متغیر وابسته در بین گروه‌ها متفاوتن یا نه.

نتیجه‌گیری

این مقاله مفاهیم اصلی ANOVA رو معرفی کرد و توضیح داد چه زمانی باید به جای آزمون t ازش استفاده کنی. یاد گرفتیم که ANOVA یک تحلیل آماری قدرتمنده که چندین گروه رو به‌طور همزمان با هم مقایسه می‌کنه. یک راهنمای گام‌به‌گام برای انجام ANOVA ارائه دادیم که نحوه فرمول‌بندی فرضیه‌ها، بررسی مفروضات و تفسیر نتایج رو توضیح داد.

برای کسب تجربه عملی در استفاده از ANOVA در اکسل، آموزش راهنمای جامع استفاده از ANOVA در اکسل رو در فینکا بررسی کن. همچنین برای افزایش اطلاعاتت درباره آمار، شرکت در دوره‌های مبانی استنتاج در پایتون و آمار استنباطی رو توصیه می‌کنیم.