4η Διάλεξη Μεταπτυχιακό Μεθοδολογία Έρευνας Και Στατιστική Anova

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Εφαρμοσμένη Γνωστική και Αναπτυξιακή Ψυχολογία -Ταυτότητα και Διαπροσωπικές Σχέσεις -

Θετική Ψυχολογία: Εφαρμογές στη Συμβουλευτική
Μεθοδολογία έρευνας και στατιστική

4η διάλεξη (31/10/2016):
“Ανάλυση Διακύμανσης”
Διδάσκων: Δημήτρης Καλαμάρας Πάντειο Πανεπιστήμιο

Κοινωνικών
και Πολιτικών Επιστημών
Σχολή Κοινωνικών Επιστημών
& Ψυχολογίας
Δομή της 4ης Διάλεξης
Πάντειο Πανεπιστήμιο
Κοινωνικών και Πολιτικών
Επιστημών
Η ανάλυση διακύμανσης (ANOVA).
Η ανάλυση διακύμανσης κατά έναν παράγοντα (One

Way Anova).
Η ανάλυση διακύμανσης κατά δύο ή περισσότερους
παράγοντες (Two Way Anova).
Δουλεύοντας με το SPSS.

1. Η ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ (ANOVA)
1.1 Το ζητούμενο (πως τίθεται το
πρόβλημα)
ΤΟ ΖΗΤΟΥΜΕΝΟ ΣΤΗΝ ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ
Επιστημών
Η ανάλυση διακύμανσης χρησιμοποιείται για τον έλεγχο

της στατιστικής σημαντικότητας των διαφορών των
μέσων όρων περισσότερων από δύο ομάδων-δειγμάτων.
Για τη σύγκριση των μέσων όρων μεταξύ δύο
δειγμάτων χρησιμοποιείται το t-test.

5 Μεθοδολογία έρευνας και στατιστική
ΤΟ ΖΗΤΟΥΜΕΝΟ ΣΤΗΝ ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ
Επιστημών
Σε ένα ερευνητικό σχέδιο, περισσότερες από

δύο ομάδες μπορούν να προκύψουν με βάση:
•α) μία ανεξάρτητη μεταβλητή, η οποία έχει
περισσότερες από δύο τιμές-επίπεδα
(μονοπαραγοντικά δείγματα), ή
•β) περισσότερες από μία ανεξάρτητες μεταβλητές,
ακόμα κι αν καθεμιά τους έχει δύο μόνο τιμές-
επίπεδα (πολυπαραγοντικά δείγματα).
1.2 Γενική Περιγραφή της μεθόδου
Η ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ
•Έστω 𝛶𝑗1 , … 𝛶𝑗𝑛𝑗 𝑗 το πλήθος τυχαία

Επιστημών
ανεξάρτητα δείγματα, 𝑗 = 1, … , 𝑘 (𝑘 ≥ 2),

μεγέθους 𝑛𝑗
•από έναν πληθυσμό με μέση τιμή 𝜇𝑗 , και
2
άγνωστη διακύμανση 𝜎𝑗 .

Η ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ
Επιστημών
•Το ενδιαφέρον μας επικεντρώνεται στον έλεγχο,

σε επίπεδο σημαντικότητας 𝛼, της μηδενικής
υπόθεσης
•𝛨0 : 𝜇1 = 𝜇2 =. . . 𝜇𝑘
(δηλαδή όλοι οι μέσοι όροι είναι ίσοι μεταξύ τους)
•έναντι της εναλλακτικής υπόθεσης
•𝛨1 : 𝜇𝑖 ≠ 𝜇𝑗 για τουλάχιστον ένα ζεύγος με
𝑖 ≠ 𝑗 , 𝑖, 𝑗 = 1, . . . , 𝑘
(δηλαδή ότι δύο τουλάχιστον από τους μέσους διαφέρουν μεταξύ τους).

1.3 Πότε χρησιμοποιείται
ΠΟΤΕ ΧΡΗΣΙΜΟΠΟΙΕΙΤΑΙ
Επιστημών
•Εξαρτημένη μεταβλητή: Μία συνεχής ποσοτική

μεταβλητή
•Ανεξάρτητες μεταβλητές: Μία ή περισσότερες
κατηγορικές μεταβλητές
• Ερευνητικό Ερώτημα :Οι τιμές της εξαρτημένης
μεταβλητής διαφοροποιούνται για δύο ή και

περισσότερες τιμές της ανεξάρτητης μεταβλητής
(ή των ανεξάρτητων μεταβλητών);

1.3 Η Βασική Αρχή της Μεθόδου
Η «βασική αρχή» της ανάλυσης διακύμανσης
•Βασική αρχή της ανάλυσης διακύμανσης είναι

Επιστημών
ότι η συνολική διασπορά που παρατηρείται σε

μία μέτρηση, προέρχεται από δύο πηγές:
•Τη διακύμανση μεταξύ των ομάδων (Without
Groups). Για κάθε ομάδα-δείγμα της έρευνας
προκύπτει διαφορετικός μέσος όρος. Όσο
περισσότερο διαφέρουν, μεταβάλλονται οι
μετρήσεις μεταξύ των διαφορετικών ομάδων,
τόσο πιθανότερο είναι να απορρίψουμε τη
μηδενική υπόθεση.
Η «βασική αρχή» του μοντέλου της ανάλυσης διακύμανσης
• Τη διακύμανση εντός των ομάδων (Within

Επιστημών
Groups). Από όλα τα υποκείμενα της ίδιας

ομάδας δεν λαμβάνουμε την ίδια τιμή.
Υπάρχουν ατομικές διαφορές. Αυτή η πηγή
διαφοροποίησης των μετρήσεων αναφέρεται
και ως σφάλμα. Όσο μικρότερο είναι το σφάλμα
της μέτρησης, τόσο πιθανότερο είναι να
απορρίψουμε τη μηδενική υπόθεση.

1.5 Το μαθηματικό/στατιστικό μοντέλο
- συμβολισμοί
Το μαθηματικό/στατιστικό μοντέλο - συμβολισμοί
•Στη γενική περίπτωση υποθέτουμε ότι έχουμε

Επιστημών
𝑘 ομάδες με 𝑛𝑗 παρατηρήσεις ανά ομάδα για

𝑗 = 1,2, … 𝑘 .
•Τα δεδομένα του δείγματος μπορούν να
ταξινομηθούν σε ένα πίνακα της μορφής

Ομάδες Πάντειο Πανεπιστήμιο
Επιστημών
1 2 3 k
Όπου Yi j είναι η i παρατήρηση της j ομάδας
𝑌11 𝑌12 𝑌13 … 𝑌1𝑘
𝑌21 𝑌22 𝑌23 … 𝑌2𝑘
𝑌31 𝑌32 𝑌33 … 𝑌3𝑘
. . . … .
. . . … .
. . . … .
𝑌𝑛 1 1 𝑌𝑛 2 2 𝑌𝑛 3 3 … 𝑌𝑛 𝑘 𝐾
nj
Σύνολα T1 …
T 2 T 3 T k
 ij
T  T  Y = άθροισμα των παρατηρήσεων της j στήλης
j
i 1
Μέσοι Y1 Y 2 Y 3 Y k Y  T j
Y j  = αριθμητικός μέσος της j στήλης
nj
όροι
k k nj
T    T j   Yi j = άθροισμα όλων των παρατηρήσεων

j 1 j 1 i 1
k
T
Y   = αριθμητικός μέσος όλων των παρατηρήσεων και N   n j .
N j 1

Επιστημών
Υποθέτουμε ότι για την j ομάδα οι παρατηρήσεις Yi j έχουν την μορφή
𝑌𝑖𝑗 = 𝜇𝑗 + 𝑒𝑖𝑗 (1)
όπου  j είναι ο μέσος όρος του πληθυσμού της j ομάδας και eij είναι το
σφάλμα (error), για i  1,..., n j και j  1,..., k .
Με τον όρο σφάλμα δεν εννοούμε κάποια λανθασμένη μέτρηση η εκτίμηση αλλά
τη μη ελεγχόμενη διακύμανση που υπάρχει στον πληθυσμό. Λύνοντας την (1)
ως προς eij έχουμε
𝑒𝑖𝑗 = 𝑌𝑖𝑗 − 𝜇𝑗 (2)

Ο καθολικός μέσος όρος (grand mean)  όλων των παρατηρήσεων είναι

Επιστημών
k
1
    j (3)
k j 1
Με την ίδια λογική που το 𝑌𝑖𝑗 διαφέρει από το  j μπορούμε να υποθέσουμε ότι
το  j διαφέρει από το  κατά ένα ποσό
 j  j   (4)
που εκφράζει την επίδραση (effect) του γεγονότος ότι το  j υπολογίστηκε από
τις παρατηρήσεις της j ομάδας.
Από τη σχέση (4) έχουμε ότι
 j    j (5)

Συνδυάζοντας την (1) με την (5) παίρνουμε την τελική έκφραση

Επιστημών
του μοντέλου της ανάλυσης διακύμανσης
𝑌𝑖𝑗 = 𝜇𝑗 + 𝜏𝑗 + 𝑒𝑖𝑗 (6)
για i  1,..., n j και j  1,..., k .
Συνοψίζοντας από την (6) προκύπτει ότι η

παρατήρηση 𝑌𝑖𝑗 είναι άθροισμα τριών
ποσοτήτων, του καθολικού μέσου, της
επίδρασης της ομάδας που ανήκει και του
σφάλματος. Για το λόγο αυτό το μοντέλο (6)
λέγεται προσθετικό (additive)
1.6 Προϋποθέσεις εφαρμογής της
μεθόδου
Προϋποθέσεις για την εφαρμογή του μοντέλου της ανάλυσης διακύμανσης
• Προϋπόθεση 1: Οι παρατηρήσεις 𝛶𝑖𝑗 κάθε ομάδας Πάντειο Πανεπιστήμιο

Επιστημών
αποτελούν 𝑘 ανεξάρτητα δείγματα από αντίστοιχους

πληθυσμούς.
•Προϋπόθεση 2: Η κλίμακα μέτρησης της εξαρτημένης
μεταβλητής πρέπει να αποκλείει τα κατηγορικά και τα
ποιοτικά δεδομένα.
•Προϋπόθεση 3: Καθένας από τους 𝑘 πληθυσμούς
ακολουθεί την κανονική κατανομή με μέση τιμή 𝜇𝑗 και
2
κοινή διακύμανση 𝜎 , για 𝑗 = 1,2, … , 𝑘.
•Προϋπόθεση 4: Οι κατανομές των συγκρινόμενων
ομάδων να είναι ομοιογενείς δηλ. να παρουσιάζουν
ομοιογένεια στις διασπορές τους (ομοσχεδαστικότητα).
1.7. Υλοποίηση της Ανάλυσης Διακύμανσης
στο P.A.S.W. Statistics (SPSS 18)
ΥΛΟΠΟΙΗΣΗ ΤΗΣ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΣΤΟ P.A.S.W. STATISTICS (SPSS 18)
Επιστημών
Στο στατιστικό πακέτο P.A.S.W. SPSS 18 υπάρχουν

διάφοροι μέθοδοι εφαρμογής της μεθόδου της
ανάλυσης διακύμανσης. Μπορούμε να πάρουμε το
αποτέλεσμα της ανάλυσης διακύμανσης μέσα από
διαφορετικές εντολές: «Means», «Oneway» ή «General
Linear Model» (GLM).

ΥΛΟΠΟΙΗΣΗ ΤΗΣ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΣΤΟ P.A.S.W. STATISTICS (SPSS 18)
Επιστημών
•Γενικά στην απλή μορφή μονοπαραγοντικών (ή κατά

ένα παράγοντα) μοντέλων ανάλυσης διακύμανσης
(όπως στο παράδειγμα που ακολουθεί) συνίσταται η
εντολή MeansOne Way Anova.
• Αντίθετα σε περιπτώσεις πολυπαραγοντικών,
μονομεταβλητών ή πολυμεταβλητών μοντέλων
συνίσταται η εντολή GLM η οποία παρέχει μεγαλύτερη
ευελιξία για το σχεδιασμό διαφορετικών μοντέλων.
1.7.1 Παράδειγμα ανάλυσης διακύμανσης
κατά έναν παράγοντα (One Way Anova)
ΠΑΡΑΔΕΙΓΜΑ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑΝ ΠΑΡΑΓΟΝΤΑ
(ONE WAY ANOVA) Πάντειο Πανεπιστήμιο
Επιστημών
Θα χρησιμοποιήσουμε τα δεδομένα του αρχείου “ONE WAY ANOVA Sample 1.sav”

(είναι διαθέσιμο μέσω του υπευθύνου του μαθήματος)
Το παράδειγμα αφορά μια μελέτη του 1997, στην οποία

διερευνήθηκε η υπόθεση ότι τα παιδιά με μετατραυματική
διαταραχή στρες (PTSD) εμφανίζουν συμπτώματα παρόμοια με
αυτά που εμφανίζουν τα παιδιά με ελλειμματική
προσοχή/υπερκινητικότητα (ADHD). Στην έρευνά συμμετείχαν τρεις
ομάδες παιδιών: (α) παιδιά με PTSD (n1=24), (β) παιδιά με ADHD
(n2=20), και παιδιά χωρίς διάγνωση (ομάδα ελέγχου, n3=16).

(ONE WAY ANOVA)
Επιστημών
Οι γονείς των παιδιών συμπλήρωσαν την κλίμακα «Hyperactivity»

του Behavior Assessment System for Children (BASC. Reynolds &
Kamphaus, 1992). Η βαθμολογία της κλίμακας αυτής εκφράζεται με
ποσοτικές τιμές και ο έλεγχος της στατιστικής σημαντικότητας των
διαφορών των μέσων όρων των τριών ομάδων στην κλίμακα
«Hyperactivity» του BASC έγινε με την ανάλυση διακύμανσης ως
εξής:

(ONE WAY ANOVA)
Επιστημών
Η μηδενική υπόθεση (Ho) και η υπόθεση ελέγχου (H1) διατυπώθηκαν

ως εξής:
•
•𝛨0 : 𝜇1 = 𝜇2 = 𝜇3
•𝛨1 : 𝜇1 ≠ 𝜇2
• ή 𝜇1 ≠ 𝜇3
•ή 𝜇2 ≠ 𝜇3

1.7.2 Έλεγχος προϋποθέσεων εφαρμογής του
μοντέλου
30
ΠΑΡΑΔΕΙΓΜΑ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑΝ ΠΑΡΑΓΟΝΤΑ (ONE WAY ANOVA)
Έλεγχος προϋποθέσεων εφαρμογής του μοντέλου
•Προϋπόθεση 1: Οι παρατηρήσεις 𝛶𝑖𝑗 κάθε ομάδας αποτελούν 𝑘

Επιστημών
ανεξάρτητα δείγματα από αντίστοιχους πληθυσμούς.

• Η πρώτη προϋπόθεση ικανοποιείται από τον μεθοδολογικό
σχεδιασμό της έρευνας μιας και σε κάθε ομάδα συμμετέχουν
διαφορετικά άτομα τα οποία επιλέχτηκαν με τυχαίο τρόπο.
•Προϋπόθεση 2: Η κλίμακα μέτρησης της εξαρτημένης
μεταβλητής πρέπει να αποκλείει τα κατηγορικά και τα ποιοτικά
δεδομένα.
• Η δεύτερη προϋπόθεση ικανοποιείται εφόσον η βαθμολογία της
κλίμακας «Hyperactivity» του BASC είναι ποσοτικές τιμές. ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
•Προϋπόθεση 3: Καθένας από τους 𝑘 πληθυσμούς ακολουθεί την

2
κανονική κατανομή με μέση τιμή 𝜇𝑗 και κοινή διακύμανση 𝜎 , για
𝑗 = 1,2, … , 𝑘.
•Προϋπόθεση 4: Οι κατανομές των συγκρινόμενων ομάδων να

είναι ομοιογενείς (παρουσιάζουν ομοιογένεια στις διασπορές
τους).
•Η τρίτη και τέταρτη προϋπόθεση θα ελεγχθούν μέσω του SPSS
ως εξής εξής:

Για την εκτέλεση του ελέγχου μέσω

Επιστημών
της εντολής Explore επιλέγουμε

διαδοχικά:
► Analyze
► Descriptive Statistics
► Explore
Εισάγουμε τη μεταβλητή «Kλίμακα
«Hyperactivity» του Behavior
Assessment System for Child
[Hyperactivit] στο πλαίσιο “Dependent
List” και τη μεταβλητή «Ομάδες
παιδιών [factor] στο πλαίσιο “Factor
List”. Επιλέγοντας στη συνέχεια “Plots”
τσεκάρουμε α) την επιλογή «Normality
plots with tests» για τον έλεγχο της
τρίτης προϋπόθεσης και β) την επιλογή
“Power estimation” του πεδίου
«Spread vs. Level with Levene Test»,
για τον έλεγχο της τέταρτης
προϋπόθεσης. ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
Στον πρώτο πίνακα (Test of Normality), διαπιστώνουμε ότι το τεστ Shapiro-Wilk

για τον έλεγχο της κανονικότητας της κατανομής δεν είναι στατιστικώς
σημαντικό (p<0,05), για τις τρεις ομάδες και επομένως δε μπορούμε να
απορρίψουμε τη μηδενική υπόθεση (Η0: Τα δεδομένα ακολουθούν την
κανονική κατανομή). Το κριτήριο Kolmogorov-Smirnov είναι επίσης μη
στατιστικά σημαντικό (Sig>0.05) και επιβεβαιώνει την κανονικότητα της
κατανομής (αν και το συγκεκριμένο τεστ αυτό είναι πιο κατάλληλο για μεγάλα
δείγματα).
Σύμφωνα λοιπόν με τον έλεγχο καλής προσαρμογής τα τρία δείγματά μας
προέρχονται από την κανονική κατανομή.
Επιστημών
Ο έλεγχος της τέταρτης προϋπόθεσης μπορεί να γίνει, καταρχήν,

με την επισκόπηση του θηκογράμματος (boxplot) που πήραμε
μέσω της εντολής «Explore». Στο σχήμα αυτό φαίνεται ότι μόνο η
ομάδα παιδιών με PTSD ίσως να παρουσιάζει κάπως αυξημένη
διασπορά, συγκριτικά με τις άλλες δύο ομάδες.
Επιστημών
Για να είμαστε όμως σίγουροι σχετικά με την ομοιογένεια των

διακυμάνσεων των ομάδων θα συμβουλευτούμε τον έλεγχο του Levene
για την ομοιογένεια της διασποράς. Το τεστ του Levene ελέγχει τη
μηδενική υπόθεση ότι οι συγκρινόμενες ομάδες έχουν την ίδια
διασπορά. Άρα, το επιθυμητό αποτέλεσμα εδώ είναι η μη απόρριψη της
μηδενικής υπόθεσης. Πράγματι, όπως φαίνεται στον παραπάνω πίνακα
(Test of Homogeneity of Variance), για τον έλεγχο που είναι βασισμένος
στο μέσο όρο (Based on Mean) οι τρεις ομάδες παιδιών της μελέτης
είναι ομοιογενείς (Sig>0,05) σε επίπεδο σημαντικότητας α=0,05.
Έλεγχος προϋποθέσεων εφαρμογής του μοντέλου (Συμβουλή)
Επιστημών
Εάν οι ομάδες δεν ήταν

ομοιογενείς, τότε θα εξετάζαμε
την περίπτωση να διορθώσουμε
τα δεδομένα μας για να
μειώσουμε το πρόβλημα. Η
διόρθωση αυτή μπορεί να
βασιστεί στην πληροφορία που
παρέχει το spread vs. level plot
της εντολής «Explore» και
συνίσταται στο να «υψώσουμε
σε δύναμη» τις τιμές της
εξαρτημένης μεταβλητής
χρησιμοποιώντας ως εκθέτη τη
συνιστώμενη τιμή στην
υποσημείωση του διαγράμματος
spread vs. level.
1.7.3 Η εφαρμογή του μοντέλου
38
Η εφαρμογή του μοντέλου
επιλέγουμε διαδοχικά:
Επιστημών
► Analyze
► Compare Means
► One Way Anova
Στο παράθυρο διαλόγου που εμφανίζεται τοποθετούμε στο πλαίσιο

Dependent List την εξαρτημένη ποσοτική μεταβλητή «Kλίμακα
«Hyperactivity» του Behavior Assessment System for Child [Hyperactivit]
σκαι το πλαίσιο Factor τη μεταβλητή «Ομάδες παιδιών [factor]»

Πατώντας το πλαίσιο Options

Επιστημών
επιλέγουμε τα ακόλουθα:
Descriptive. Δίνονται στο Output πληροφορίες

για κάθε εξαρτημένη μεταβλητή, η οποία έχει
δηλωθεί στο πλαίσιο Dependent List, ως προς
τα διάφορα επίπεδα του παράγοντα που έχει
δηλωθεί στο πλαίσιο Factor. Οι πληροφορίες
αυτές αφορούν περιγραφικά μέτρα, όπως το
πλήθος των πειραματικών μονάδων, τη μέση
τιμή, την τυπική απόκλιση, το τυπικό σφάλμα
για τη μέση τιμή, τη μέγιστη και την ελάχιστη
τιμή. Επιπλέον υπολογίζεται το 95% διάστημα
εμπιστοσύνης για τη μέση τιμή κάθε
εξαρτημένης μεταβλητής για κάθε επίπεδο του
παράγοντα 40
Πατώντας το πλαίσιο Options

Επιστημών
επιλέγουμε τα ακόλουθα:
Homogeneity of variance test. Υπολογίζει το

στατιστικό του Levene για τον έλεγχο τις
ισότητας των διακυμάνσεων (εναλλακτικά
μπορεί να χρησιμοποιηθεί η εντολή Explore,
όπως αναφέραμε προηγουμένως).
Επισημαίνεται ότι ο έλεγχος αυτός δεν είναι
ανεξάρτητος της υπόθεσης της
κανονικότητας και πρέπει να εφαρμοστεί
συνδυαστικά με τον έλεγχο της
κανονικότητας των ομάδων του δείγματος

Επιστημών
Brown-Forsythe και Welch. Υπολογίζει το

στατιστικό των Brown-Forsythe και του Welch
αντίστοιχα για τον έλεγχο της ισότητας των
μέσων τιμών. Τα στατιστικά αυτά είναι
καταλληλότερα (από το κριτήριο F το οποίο
θα περιγράψουμε στη συνέχεια), όταν η
υπόθεση της ισότητας των πληθυσμιακών
διακυμάνσεων απορρίπτεται.
Επιπλέον, επιλέγουμε το πλαίσιο Means plot

αν επιθυμούμε να κατασκευάσουμε ένα
γράφημα των μέσων τιμών της εξαρτημένης
μεταβλητής ως προς κάθε παράγοντα (για το
σχηματισμό μίας εικόνας για τις διαφορές
μεταξύ των επιπέδων).
Επιστημών
Πατώντας το πλαίσιο Post Hoc.Post Hoc έχουμε ένα πλήθος μεθόδων

πολλαπλών συγκρίσεων που άλλες εφαρμόζονται στην περίπτωση
που ισχύει η ισότητα των πληθυσμιακών διακυμάνσεων και άλλες
όταν είναι άνισες. Υπάρχουν δηλαδή πολλά post hoc tests, τα οποία
διακρίνονται σε δύο γενικές κατηγορίες, ανάλογα με την ύπαρξη ή
όχι ομοιογένειας της διασποράς μεταξύ των συγκρινόμενων ομάδων.
Μερικά από τα πιο γνωστά post hoc κριτήρια είναι τα εξής:

Επιστημών
• LSD: αντιστοιχεί σε απλά t-tests. Δεν προτείνεται η χρήση του για

τη σύγκριση παραπάνω από δύο ομάδων.
• Bonferroni: Αναπροσαρμόζει το επίπεδο στατιστικής
σημαντικότητας ανάλογα με τον αριθμό των συγκρινόμενων ζευγών.
Απλό και αρκετά δημοφιλές.

Επιστημών
• Scheffé: Αρκετά συντηρητικό τεστ. Υποθέτει ότι ενδιαφερόμαστε

να ελέγξουμε όλα τα πιθανά ζεύγη μέσων όρων, καθώς και όλους τους
πιθανούς συνδυασμούς τους (π.χ. (1 vs. 2, 1 vs. 3, 2 vs. 3, 1+2 vs. 3, 1+3
vs. 2, 2+3 vs. 1). Αν και χρησιμοποιείται ευρέως, δεν προτείνεται ειδικά
για κάποια περίπτωση.

Επιστημών
• Tukey HSD: Θεωρείται το ασφαλέστερο κριτήριο για τον έλεγχο

όλων των δυνατών συγκρίσεων μεταξύ των επιπέδων-τιμών της
ανεξάρτητης μεταβλητής. Αρκετά συντηρητικό, αλλά όχι όσο το κριτήριο
Scheffé.

Επιστημών
Για τις ανάγκες του παραδείγματος μας ζητήσαμε το αποτέλεσμα των

πολλαπλών συγκρίσεων των μέσων όρων ανά ζεύγη με τα κριτήρια
Bonferroni, Tukey, Scheffe (στο κουμπί «Post Hoc») όπως παραπάνω.

Τα αποτελέσματα της μεθόδου
Επιστημών
Ο πίνακας «Descriptive Statistics» περιέχει τους μέσους

όρους, τις τυπικές αποκλίσεις και τα μεγέθη των
συγκρινόμενων ομάδων-επιπέδων της ανεξάρτητης
μεταβλητής, αλλά και του συνολικού δείγματος (σειρά
«Total»).

Επιστημών
Στον πίνακα ANOVA δίνονται πληροφορίες σχετικά με

την διαδικασία αξιολόγησης των διακυμάνσεων μεταξύ
των ομάδων (Between Groups) και εντός των ομάδων
(Within Groups) μέσω του κριτήριου αξιολόγησης F.

Συγκεκριμένα ο πίνακας ANOVA περιέχει τα παρακάτω Κοινωνικών και Πολιτικών

Επιστημών
βάσει των οποίων υπολογίζεται η τιμή της F στατιστικής

η οποία ελέγχει το παρακάτω ζεύγος στατιστικών
υποθέσεων:
𝛨0 : 𝜇1 = 𝜇2 = 𝜇3
𝛨1 : 𝜇1 ≠ 𝜇2 ή 𝜇1 ≠ 𝜇3 ή 𝜇2 ≠ 𝜇3 ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Στο παράδειγμά μας ο πίνακας ANOVA υπολογίστηκε όπως παρακάτω Κοινωνικών και Πολιτικών
Επιστημών
Σύμφωνα με την τιμή της στατιστικής ελέγχου (F=55.595)

και την τιμή pvaluee (Sig. <0.05)απορρίπτεται η μηδενική
υπόθεση (της ισότητας των μέσων όρων).
Επομένως δύο τουλάχιστον από τους τρείς μέσους όρους
διαφέρουν σημαντικά μεταξύ τους και άρα έχει νόημα η
εφαρμογή του μοντέλου της ανάλυσης διακύμανσης.
Επιστημών
Εφόσον υπάρχει στατιστικά σημαντική διαφορά

στη μέση επίδοση του τεστ ως προς κάποιες
από τις 3 ομάδες παιδιών συνεχίζουμε
προκειμένου να διαπιστώσουμε ποιες από τις
τρείς ομάδες διαφέρουν στατιστικά σημαντικά
μεταξύ τους. Για να αποφανθούμε στο
ερώτημα θα συμβουλευτούμε τα
αποτελέσματα των πολλαπλών συγκρίσεων με
τη μέθοδο του Tukey ΗSD
Επιστημών
Πίνακας Multiple Comparisons: παρουσιάζεται αρχικά το

αποτέλεσμα των πολλαπλών συγκρίσεων των μέσων όρων με το
κριτήριο Tukey HSD. Ο συγκεκριμένος πίνακας περιέχει πληθώρα
αριθμών όμως, η ερμηνεία αυτών των αποτελεσμάτων είναι
εύκολη. Στις δύο πρώτες στήλες κάθε πίνακα μας δηλώνεται ποιος
πληθυσμός συγκρίνεται με ποιον και αυτό γίνεται για κάθε
συνδυασμό των πληθυσμών. ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
Το αποτέλεσμα της σύγκρισης κάθε συνδυασμού φαίνεται στην

αντίστοιχη γραμμή. Στον πίνακα, αυτό που ενδιαφέρει κυρίως
είναι η στήλη «Mean Difference (I-J)». Εδώ δηλώνονται με
αστερίσκο οι στατιστικώς σημαντικές διαφορές των πολλαπλών
συγκρίσεων.

Επιστημών
Στο παράδειγμά μας, διαπιστώνουμε ότι: α) ο μέσος όρος της

ομάδας PTSD διαφέρει από τον μέσο όρο της ομάδας ADHD αλλά
όχι από τον μέσο όρο της ομάδας control β) Ο μέσος όρος της
ομάδας ADHD διαφέρει σημαντικά από τον μέσο όρο της ομάδας
PTSD αλλά διαφέρει επιπλέον και από τον μέσο όρο της ομάδας
control και γ) ο μέσος όρος της ομάδας ελέγχου (σειρά «control»)
διαφέρει από την ομάδα ADHD, αλλά όχι από την ομάδα PTSD. ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
Όσον αφορά στην κατεύθυνση της διαφοράς εφόσον τα άκρα του

διαστήματος εμπιστοσύνης (στήλες Lower και Upper του πίνακα)
έχουν αρνητικό πρόσημο (-28.8562 και –17.0105 αντίστοιχα) αυτό
σημαίνει ότι ισχύει ο αριστελόπλευρος έλεγχος. Δηλαδή ισχύει
𝜇1(𝑃𝑇𝑆𝐷) − 𝜇2(𝐴𝐷𝐻𝐷) < 0 ή ισοδύναμα 𝜇1(𝑃𝑇𝑆𝐷) < 𝜇2(𝐴𝐷𝐻𝐷) .

Επιστημών
Επομένως το συμπέρασμα είναι ότι η μέση τιμή της βαθμολογίας της

κλίμακας «Hyperactivity» στην περίπτωση των παιδιών με
μετατραυματική διαταραχή στρες (PTSD) είναι μικρότερη σε σχέση με
αυτήν των παιδιών με ελλειμματική προσοχή/υπερκινητικότητα (ADHD).
Συγκεκριμένα η εκτίμησή μας είναι ότι με εμπιστοσύνη 95% η μέση τιμή
του βαθμολογίας της κλίμακας στην περίπτωση των παιδιών με
μετατραυματική διαταραχή στρες (PTSD) είναι από 17.0105 έως
28.8562 μικρότερη κατά μέσο 57
όρο ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
Ο δεύτερος πίνακας του κριτηρίου

Tukey HSD εντοπίζει ομάδες μέσων
όρων, οι οποίοι δεν διαφέρουν μεταξύ
τους, αλλά διαφέρουν από τους
μέσους όρους άλλων ομάδων.
Στο παράδειγμά μας, εντοπίστηκαν δύο ομάδες. Η πρώτη περιλαμβάνει την

ομάδα ελέγχου («control») και την ομάδα PTSD ενώ η δεύτερη περιλαμβάνει την
ομάδα ADHD. Οι μέσοι όροι των οποίων (Control και PTSD) δεν διαφέρουν
σημαντικά μεταξύ τους, διαφέρουν όμως από τον μέσο όρο της ομάδας ADHD.
Σημειώνεται ότι τα αποτελέσματα των δύο πινάκων του κριτηρίου Tukey HSD, αλλά και άλλων post hoc
κριτηρίων, ενδέχεται να διαφέρουν όταν οι ομάδες είναι ανισοπληθείς, οπότε λαμβάνουμε υπόψη
μόνο τα αποτελέσματα του πρώτου πίνακα (πολλαπλές συγκρίσεις ανά ζεύγη) και όχι του δεύτερου
(εντοπισμός ομοιογενών υπο-ομάδων) ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
2. Η ανάλυση Διακύμανσης κατά δύο
Παράγοντες (Two Way Anova)
2.1 Το ζητούμενο (πως τίθεται το
πρόβλημα)
ΤΟ ΖΗΤΟΥΜΕΝΟ ΣΤΗΝ ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ
Επιστημών
Προκειµένου να ελέγξουµε το αν διαφέρουν οι µέσες

τιµές µίας ποσοτικής µεταβλητής, ανάµεσα στις
κατηγορίες όχι µίας ποιοτικής όχι αλλά δύο ή και
περισσοτέρων ποιοτικών ανεξάρτητων μεταβλητών,
χρησιµοποιούµε τη μέθοδο της Ανάλυσης Διακύμανσης
δύο κατευθύνσεων (Two-way ANOVA).

Επιστημών
Η ανάλυση διακύμανσης με περισσότερες από μία

ανεξάρτητες μεταβλητές (μερικές φορές αναφέρεται ως
παραγοντική ανάλυση διακύμανσης, factorial ANOVA)
αποτελεί προέκταση της απλής, μονοπαραγοντικής
ανάλυσης διακύμανσης, κατά έναν παράγοντα

Επιστημών
Το νέο στοιχείο είναι ότι η μέθοδος επιτρέπει τον

ταυτόχρονο έλεγχο περισσότερων της μίας υποθέσεων,
οι οποίες αφορούν: (α) στην επίδραση κάθε
ανεξάρτητης μεταβλητής ξεχωριστά (αυτές είναι
γνωστές και ως κύριες επιδράσεις), όσο και (β) στην
αλληλεπίδραση μεταξύ των ανεξάρτητων μεταβλητών
πάνω στην εξαρτημένη

Επιστημών
Το νέο στοιχείο είναι ότι η μέθοδος επιτρέπει τον

ταυτόχρονο έλεγχο περισσότερων της μίας υποθέσεων,
οι οποίες αφορούν: (α) στην επίδραση κάθε
ανεξάρτητης μεταβλητής ξεχωριστά (αυτές είναι
γνωστές και ως κύριες επιδράσεις), όσο και (β) στην
αλληλεπίδραση μεταξύ των ανεξάρτητων μεταβλητών
πάνω στην εξαρτημένη

Επιστημών
Η έννοια της αλληλεπίδρασης: σημαίνει ότι η

επίδραση μίας ανεξάρτητης μεταβλητής-παράγοντα
πάνω στην εξαρτημένη δεν είναι η ίδια για όλα τα
επίπεδα-συνθήκες μιας άλλης ανεξάρτητης
μεταβλητής.

Επιστημών
Π.χ., εάν η επίδραση της μετανάστευσης

(παράγοντας Α) στους μέσους όρους ψυχολογικής
επάρκειας των εφήβων (εξαρτημένη μεταβλητή) δεν
είναι ίδια για όλα τα επίπεδα αντιξοότητα που
βιώνουν στη σχολική τους ζωή (παράγοντας Β), τότε
λέμε ότι βρέθηκε αλληλεπίδραση της μετανάστευσης
και του επιπέδου αντιξοότητας πάνω στην
ψυχολογική επάρκεια των εφήβων
Pavlopoulos, V., Motti-Stefanidi, F., Obradović, J., & Masten, A. (2006, July). Risk, resources and academic
resilience in Albanian immigrant and native Greek adolescents. Paper presented at the 13th European Confer-
ence on Personality, Athens, Greece

2.2 Γενική Περιγραφή της μεθόδου
Η ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ ΤΗΣ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΣΗΣ
ΚΑΤΆ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ
•Στην περίπτωση της ανάλυσης διακύμανσης κατά δύο

Επιστημών
παράγοντες, για κάθε ποιοτική ανεξάρτητη µεταβλητή θα

γίνουν οι παρακάτω έλεγχοι ξεχωριστά:
•𝛨0 : 𝜇1. = 𝜇2. =. . . 𝜇𝑘.
(δηλαδή όλοι οι μέσοι όροι είναι ίσοι μεταξύ τους)
•έναντι της εναλλακτικής υπόθεσης
•𝛨1 : 𝜇𝑖. ≠ 𝜇𝑗. για τουλάχιστον ένα ζεύγος με 𝑖 ≠ 𝑗 , 𝑖, 𝑗 =
1, . . . , 𝑘
(δηλαδή ότι δύο τουλάχιστον από τους μέσους διαφέρουν
μεταξύ τους).
•όπου η τελεία (.) στους δείκτες των µέσων τιµών 𝜇 δηλώνει
ότι η επίδραση της άλλης µεταβλητή παραµένει σταθερή.
2.3 Προϋποθέσεις Εφαρμογής
ΠΡΟΫΠΟΘΕΣΕΙΣ ΕΦΑΡΜΟΓΗΣ ΤΗΣ ΜΕΘΟΔΟΥ ΤΗΣ ΑΝΑΛΥΣΗΣ
ΔΙΑΚΥΜΑΣΗΣ ΚΑΤΆ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ
•Οι προϋποθέσεις για την εφαρμογή της παραγοντικής Πάντειο Πανεπιστήμιο
Επιστημών
ανάλυσης διακύμανσης είναι ίδιες με αυτές της απλής

(one-way) ανάλυσης διακύμανσης . Δηλαδή:
• Οι επιμέρους ομάδες-δείγματα να είναι ανεξάρτητες
(τυχαία δείγματα).
• Η κλίμακα μέτρησης της εξαρτημένης μεταβλητής να
είναι ίσων διαστημάτων.
• Η μορφή της κατανομής της εξαρτημένης μεταβλητής
να είναι κανονική (συμμετρική) για καθεμιά από τις
συνδυαστικές ομάδες.
• Οι κατανομές των συνδυαστικών ομάδων να είναι
ομοιογενείς.
ΟΙ ΠΡΟΫΠΟΘΕΣΕΙΣ ΕΦΑΡΜΟΓΗΣ ΤΗΣ ΜΕΘΟΔΟΥ ΤΗΣ ΑΝΑΛΥΣΗΣ
ΔΙΑΚΥΜΑΣΗΣ ΚΑΤΆ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ
Επιστημών
•Η διαφορά από την απλή ανάλυση διακύμανσης

είναι ότι οι παραπάνω προϋποθέσεις δεν πρέπει
να ισχύουν μόνο για τις συγκρινόμενες ομάδες
που διαμορφώνονται με βάση καθεμιά από τις
ανεξάρτητες μεταβλητές, αλλά και για τις
συνδυαστικές ομάδες που προκύπτουν από τη
διασταύρωση των ανεξάρτητων μεταβλητών.

2.4 “Δουλεύοντας” την ανάλυση διακύμανσης
κατά δύο παράγοντες με το SPSS
ΠΑΡΑΔΕΙΓΜΑ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ
(TWO WAY ANOVA) Πάντειο Πανεπιστήμιο
Επιστημών
Θα χρησιμοποιήσουμε τα δεδομένα του αρχείου “TWO WAY ANOVA Sample 1.sav”

(είναι διαθέσιμο μέσω του υπευθύνου του μαθήματος)
Το παράδειγμα βασίζεται σε έρευνα που παρουσιάστηκε το 2006, κατά

την οποία μελετήθηκε η “σχολική επάρκεια εφήβων μαθητών
(μεταβλητή [perform]) σε συνάρτηση με την καταγωγή τους (δίτιμη
μεταβλητή “Τύπος Μαθητή [type] με τιμές 1=“ γηγενείς Έλληνες
μαθητές”, 2= “παιδιά μετανα-στών/παλιννοστούντων”) και το επίπεδο
αντιξοότητας αντιμετώπισαν (μεταβλητή [group] με τιμές 1= “χαμηλό”,
2= “μέτριο” και 3= “υψηλό”). Η εξαρτημένη μεταβλητή (σχολική
επάρκεια [perform]) μετρήθηκε ποσοτικά συνδυάζοντας τις επιδόσεις
των μαθητών (βαθμοί, απουσίες) και αξιολογήσεις των δασκάλων.ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
(TWO WAY ANOVA)
•Σύμφωνα με το ερευνητικό σχέδιο οι ομάδες

Επιστημών
μαθητών προς σύγκριση είναι τρεις (𝑘 = 3)

ισομεγεθείς (𝑛𝑘 = 20) όπως παρουσιάζονται
στον παρακάτω πίνακα:

(TWO WAY ANOVA)
Επιστημών
Οι υποθέσεις που μπορούν να ελεγχθούν με την

ανάλυση διακύμανσης είναι τρεις και αφορούν
στα εξής:
• κύρια επίδραση της μετανάστευσης πάνω
στη σχολική επάρκεια,
• κύρια επίδραση του επίπέδου
αντιξοότητας πάνω στη σχολική επάρκεια, και
• αλληλεπίδραση της μετανάστευσης και του
επιπέδου αντιξοότητας στη σχολική επάρκεια

(TWO WAY ANOVA)
Επιστημών

ΠΡΟΣΟΧΗ ΚΑΤΆ ΤΟΝ ΕΛΕΓΧΩΝ ΤΩΝ ΠΡΟΫΠΟΘΕΣΕΩΝ ΤΗΣ ΜΕΘΟΔΟΥ ΤΗΣ ΑΝΑΛΥΣΗΣ
ΔΙΑΚΥΜΑΣΗΣ ΚΑΤΆ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ ΜΕ ΤΟ SPSS
Επιστημών
•Για να προκύψουν οι πίνακες που ακολουθούν στο

παράδειγμα, χρειάστηκε να παρέμβουμε στη
σύνταξη της εντολής «Explore», τροποποιώντας την
επιλογή VARIABLES ως εξής: από EXAMINE
VARIABLES=perform BY group type σε EXAMINE
VARIABLES=perform BY group by type.

ΠΑΡΑΔΕΙΓΜΑ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ (ΤWO WAY ANOVA)

Επιστημών

διαδοχικά:
► Analyze
► Explore
Κατόπιν εισάγουμε την εξαρτημένη μεταβλητή στο πλαίσιο Dependent List και
τις ανεξάρτητες στο πλαίσιο Factor List, ενώ από το κουμπί εντολής Plots
επιλέγουμε “Normality Plots with tests” και “Power Estimation”.
Στη συνέχεια μέσω της εντολής “Continue” μεταφερόμαστε στο αρχικό
παράθυρο της εντολής Explore. Προσοχή, προκειμένου να παρέμβουμε στην
εντολή κάνουμε κλικ στο κουμπί Paste (αντί στο κουμπί OK) και εμφανίζεται το
παρακάτω παράθυρο Syntax1 όπου μας δίνεται η δυνατότητα να
τροποποιήσουμε την εντολή ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Επιστημών

διαδοχικά:
► Analyze
► Explore
H τροποποίηση επιτυγχάνεται μέσω της γραμμής EXAMINE

VARIABLES ως εξής: από EXAMINE VARIABLES =perform BY group
type σε EXAMINE VARIABLES =perform BY group BY type.
Προσθέτουμε δηλαδή μέσω του πληκτρολογίου του υπολογιστή μας
την εντολή BY μεταξύ της μεταβλητής “group” και “type” όπως
φαίνεται στην παρακάτω εικόνα79

Επιστημών

διαδοχικά:
► Analyze
► Explore
Προσθέτουμε δηλαδή μέσω του πληκτρολογίου του υπολογιστή μας

την εντολή BY μεταξύ της μεταβλητής “group” και “type”
Στη συνέχεια επιλέγουμε
RunAll
Επιστημών
Στο παράδειγμά μας, τα δείγματα δεν φαίνεται να υπάρχει κάποιο πρόβλημα.

Το κριτήριο Shapiro-Wilk για τον έλεγχο της κανονικότητας σε μικρά δείγματα
είναι στατιστικώς ασήμαντο (Sig>0,05). Το ίδιο ισχύει και για το κριτήριο
Kolmogorov -Smirnov. Επομένως η μορφή της κατανομής της εξαρτημένης
μεταβλητής να είναι κανονική (συμμετρική) για καθεμιά από τις τρείς
συνδυαστικές ομάδες.
Ικανοποιείται έτσι η τρίτη προϋπόθεση εφαρμογής του μοντέλου

Επιστημών
Τέλος, οι συνδυαστικές ομάδες είναι ομοιογενείς, Levene (1, 941), p>0,05.

Επίσης, όπως προκύπτει από το ερευνητικό σχέδιο, τα δείγματα είναι
ανεξάρτητα και η κλίμακα μέτρησης της σχολικής επάρκειας (εξαρτημένη
μεταβλητή) είναι ποσοτική
Ικανοποιούνται δηλαδή και οι υπόλοιπες τρεις προϋποθέσεις εφαρμογής του

μοντέλου
2.5 Η εφαρμογή της μεθόδου
83
ΠΑΡΑΔΕΙΓΜΑ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΠΑΡΑΓΟΝΤΕΣ (TWO WAY ANOVA)
Eπιλέγουμε διαδοχικά:
Επιστημών
► Analyze
► General Linear Model
► Univariate
Τοποθετούμε την εξαρτημένη μεταβλητή “Sχολική επάρκεια εφήβων

μαθητών (μεταβλητή [perform])” στο πλαίσιο Depentent Variable και τις
μεταβλητές «Τύπος Μαθητή [type] και «επίπεδο αντιξοότητας [group]»
στο πλαίσιο «Fixed Factor(s)».
Επιπλέον από το κουμπί “options” :

Επιστημών
ζητάμε να εμφανιστούν οι μέσοι όροι των συγκρινόμενων ομάδων,

μεταφέροντας όλους τους πιθανούς συνδυασμούς από τον κατάλογο
«Factor(s) and Factor Interactions» στον κατάλογο «Display Means for:».
Για πολλαπλές συγκρίσεις των μέσων όρων ανά ζεύγη, τσεκάρουμε την
επιλογή «Compare Main Effects» και επιλέγουμε το κριτήριο Bonferroni από
τη λίστα «Confidence interval adjustment».
Τέλος, τσεκάρουμε τα «Estimates of effect size» και «Observed power» για
2
να λάβουμε τους δείκτες 𝜂 (μέγεθος επίδρασης) και τη διαφοροποιητική
δύναμη, αντίστοιχα. 85
Επιπλέον από το κουμπί “Plots” :

Επιστημών
Τέλος επιλέγουμε Continue και από το κουμπί Plots επιλέγουμε την

κατασκευή του σύνθετου πολύγωνου των μέσων όρων, όπως
φαίνεται στην παρακάτω εικόνα, εισάγοντας τη μεταβλητή group στο
πεδίο “Horizontal Axis”, τη μεταβλητή type στο πεδίο “Separate Lines”
και πατώντας στη συνέχεια το κουμπί εντολής “Add”.
ΠΑΡΑΔΕΙΓΜΑ ΑΝΑΛΥΣΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΑΡΑΓΟΝΤΕΣ (TWO WAY ANOVA)
Επιστημών
η επίδραση της μετανάστευσης στη σχολική επάρκεια των

εφήβων είναι στατιστικώς σημαντική σε επίπεδο σημαντικότητας
α=0.05, (F=5,731)=10,91, p≅0,006<0.05). Η επίδραση του
επιπέδου αντιξοότητας στη σχολική επάρκεια είναι στατιστικώς
ασήμαντη, F(0.237), p=0.628>0,05. Ενώ η αλληλεπίδραση της
μετανάστευσης και του επιπέδου αντιξοότητας πάνω στη σχολική
επάρκεια είναι στατιστικώς σημαντική αλλά σε επίπεδο
σημαντικότητας α=0,10 ( F=.1383,
87 p=0.051<0,10). ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
Η στήλη «Partial Eta Squared» δίνει τους δείκτες η2 για το μέγεθος της
επίδρασης. Αναφέρουμε τους δείκτες αυτούς μόνον όταν το κριτήριο F
είναι στατιστικά σημαντικό. Στο παράδειγμά μας, διαπιστώνουμε ότι το
2
17,5% (η =0,175) της διασποράς των τιμών της σχολικής επάρκειας
μπορεί να αποδοθεί στη στατιστική επίδραση της μετανάστευσης και το
3
0.4% (η =0,004) στην επίδραση της αντιξοότητας. Επίσης, το 10.4%
4
(η =0.104) της διασποράς της σχολικής επάρκειας μπορεί να αποδοθεί
στην αλληλεπίδραση της μετανάστευσης με το επίπεδο αντιξοότητας. Οι
τιμές αυτές δηλώνουν πολύ χαμηλό
88 μέγεθος επίδρασης ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
Η στήλη «Observed Power» δείχνει την ισχύ του ελέγχου (σφάλμα

τύπου ΙΙ), δηλ. την πιθανότητα να απορρίψουμε ορθώς τη μηδενική
υπόθεση. Η διαφοροποιητική δύναμη για τη μετανάστευση είναι
περίπου 0.846 (μέγιστη τιμή το 1). Αυτό πρακτικά σημαίνει ότι, ορθώς
απορρίψαμε την Η0 γιατί εάν επαναλαμβάναμε την έρευνα 100 φορές
κάτω από τις ίδιες συνθήκες, θα απορρίπταμε ορθώς τη μηδενική
υπόθεση στο 84.6%% των περιπτώσεων. Ανάλογα ερμηνεύονται και οι
υπόλοιπες τιμές.
Επιστημών
Αφού έχουμε καταλήξει σε πρώτα γενικά

συμπεράσματα σχετικά με τις ερευνητικές
υποθέσεις, συνεχίζουμε με την επισκόπηση των
μέσων όρων των συνδυαστικών ομάδων για να
διαπιστώσουμε την κατεύθυνση των διαφορών
τους.

Επιστημών
Όσον αφορά τη μετανάστευση, όπως φαίνεται στον σχετικό πίνακα

(«Estimates»), τα παιδιά μεταναστών/παλινοστούντων (Μ72.57,
SE=1.1781) σημείωσαν χαμηλότερο μέσο όρο σχολικής επάρκειας από
ό,τι οι γηγενείς Έλληνες έφηβοι (Μ=73.996, SE=2.316).

Επιστημών
Οι συγκρίσεις ανά ζεύγη (βλ. Πίνακα «Pairwise Comparisons») έχουν

νόημα, αν και η μεταβλητή αυτή έχει μόνο δύο τιμές-επίπεδα και
υποδεικνύουν ότι οι διαφορές αυτές δεν είναι στατιστικά σημαντικές
(Sig=0.628).

Επιστημών
Ο πίνακας «Univariate Tests» αντιστοιχεί σε έναν πίνακα ανάλυσης διακύμανσης

κατά έναν παράγοντα. Εύκολα διαπιστώνεται σύμφωνα με την τιμή της
στατιστικής του ελέγχου (F=0.237) η μηδενική υπόθεση:
𝛨0 : 𝜇Έ𝜆𝜆𝜂𝜈𝜀𝜍 𝛾𝜂𝛾𝜀𝜈𝜀𝜄𝜍 = 𝜇𝛱𝛼𝜄𝛿𝜄𝛼 𝜋𝛼𝜆𝜆𝜄𝜈𝜊𝜎𝜏𝜊ύ𝜈𝜏𝜔𝜈/𝜇𝜀𝜏𝛼𝜈𝛼𝜎𝜏ώ𝜈
δε μπορεί να απορριφθεί σε κανένα από τα συνήθη επίπεδα των συντελεστών

εμπιστοσύνης ( Sig=0.628> 0.001 ή 0.005 ή 0.10). Επομένως οι μέσοι όροι του τεστ
σχολικής επάρκειας δε διαφέρουν για τους Έλληνες και τους
μετανάστες/παλιννοστούντες μαθητές.
Οι πίνακες που αφορούν στο επίπεδο σχολικής αντιξοότητας (μεταβλητή group)

Επιστημών
επιβεβαιώνουν το αποτέλεσμα της ανάλυσης διακύμανσης. Συγκεκριμένα
Συγκεκριμένα οι έφηβοι με υψηλό (Μ=67.255, SE=2.869) και με μέτριο

επίπεδο αντιξοότητας (Μ=72.997, SE=2.342) σημείωσαν χαμηλότερους
μέσους όρους σχολικής επάρκειας από ό,τι οι έφηβοι με χαμηλό
επίπεδο αντιξοότητας (Μ=79.601, SE=2.342).

Επιστημών
Οι διαφορές αυτές των μέσων όρων, συνολικά και ανά ζεύγη,

είναι στατιστικώς σημαντικές μόνο για τις περιπτώσεις εφήβων
με Χαμηλό και Υψηλό επίπεδο αντιξοότητας. Αυτό
συμπεραίνεται από τον τις συγκρίσεις ανά ζεύγη (βλ. Πίνακα
«Pairwise Comparisons») όπου οι στατιστικά σημαντικές
διαφορές εμφανίζονται στη σύγκριση του χαμηλού με το υψηλό
επίπεδο αντιξοότηας ( Sig=0.005<0.05). ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου
Επιστημών
Ο πίνακας «Univariate Tests» αντιστοιχεί ξανά σε έναν πίνακα

ανάλυσης διακύμανσης κατά έναν παράγοντα. Εύκολα
διαπιστώνεται σύμφωνα με την τιμή της στατιστικής του ελέγχου
(F=5.731) η μηδενική υπόθεση:
𝛨0 : 𝜇𝜒𝛼𝜇𝜂𝜆ό = 𝜇𝜇𝜀𝜏𝜌𝜄𝜊= 𝜇𝜐𝜓𝜂𝜆ό
απορρίπτεται στα συνήθη επίπεδα των συντελεστών εμπιστοσύνης
( Sig=0.006< 0.001 ή 0.005 ή 0.10). Επομένως οι μέσοι όροι του τεστ
σχολικής επάρκειας διαφέρουν σε δύο τουλάχιστον από τις τρείς
κατηγορίες της ανεξάρτητης μεταβλητής.
96
Επιστημών
Όσον αφορά την αλληλεπίδραση της μετανάστευσης με το επίπεδο

αντιξοότητας πάνω στη σχολική επάρκεια, το SPSS δεν παρέχει
κάποιο post hoc κριτήριο για τον έλεγχο των διαφορών των μέσων
όρων ανά ζεύγη. Δυστυχώς, τέτοιος έλεγχος μπορεί να γίνει μόνο
μέσω της εντολής «Transform» «Compute» (και χρησιμοποιώντας
τη συνθήκη «If») και, στη συνέχεια, να εφαρμόσουμε την απλή
ανάλυση διακύμανσης με τη νέα μεταβλητή που θα
δημιουργήσουμε ως ανεξάρτητη και τη σχολική επάρκεια ως
εξαρτημένη και εκτελώντας κάποιο post hoc test στις τιμές-επίπεδα
της νέας μεταβλητής (βλ. Ζητούμενο 1 ασκήσεων φροντιστηρίου)

Επιστημών
Πάντως από την

επισκόπηση του του
σύνθετου πολύγωνου των
μέσων όρων (βλ. επόμενη
εικόνα), μπορούμε να
σχηματίσουμε μια καλή
εικόνα της
αλληλεπίδρασης
Όπως φαίνεται στο σχήμα, οι γηγενείς Έλληνες έφηβοι με μέτριο και υψηλό
επίπεδο αντιξοότητας σημείωσαν υψηλότερο μέσο όρο σχολικής επάρκειας από
ό,τι οι μετανάστες/παλιννοστούντες με αντίστοιχο επίπεδο αντιξοότητας.
Αντίθετα, οι μετανάστες/παλιννοστούντες με αντίστοιχο χαμηλό επίπεδο
αντιξοότητας σημείωσαν υψηλότερο μέσο όρο σχολικής επάρκειας από ό,τι οι
γηγενείς Έλληνες μαθητές 98

4η Διάλεξη Μεταπτυχιακό Μεθοδολογία Έρευνας Και Στατιστική Anova

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

4η Διάλεξη Μεταπτυχιακό Μεθοδολογία Έρευνας Και Στατιστική Anova

Transféré par

Droits d'auteur :

Formats disponibles

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Εφαρμοσμένη Γνωστική και Αναπτυξιακή Ψυχολογία -Ταυτότητα και Διαπροσωπικές Σχέσεις -

Μεθοδολογία έρευνας και στατιστική

Διδάσκων: Δημήτρης Καλαμάρας Πάντειο Πανεπιστήμιο

Η ανάλυση διακύμανσης (ANOVA).

Η ανάλυση διακύμανσης κατά έναν παράγοντα (One

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Η ανάλυση διακύμανσης χρησιμοποιείται για τον έλεγχο

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Σε ένα ερευνητικό σχέδιο, περισσότερες από

•Έστω 𝛶𝑗1 , … 𝛶𝑗𝑛𝑗 𝑗 το πλήθος τυχαία

ανεξάρτητα δείγματα, 𝑗 = 1, … , 𝑘 (𝑘 ≥ 2),

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

•Το ενδιαφέρον μας επικεντρώνεται στον έλεγχο,

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

•Εξαρτημένη μεταβλητή: Μία συνεχής ποσοτική

μεταβλητής διαφοροποιούνται για δύο ή και

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

•Βασική αρχή της ανάλυσης διακύμανσης είναι

ότι η συνολική διασπορά που παρατηρείται σε

• Τη διακύμανση εντός των ομάδων (Within

Groups). Από όλα τα υποκείμενα της ίδιας

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

•Στη γενική περίπτωση υποθέτουμε ότι έχουμε

𝑘 ομάδες με 𝑛𝑗 παρατηρήσεις ανά ομάδα για

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

T    T j   Yi j = άθροισμα όλων των παρατηρήσεων

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Υποθέτουμε ότι για την j ομάδα οι παρατηρήσεις Yi j έχουν την μορφή

𝑌𝑖𝑗 = 𝜇𝑗 + 𝑒𝑖𝑗 (1)

𝑒𝑖𝑗 = 𝑌𝑖𝑗 − 𝜇𝑗 (2)

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Ο καθολικός μέσος όρος (grand mean)  όλων των παρατηρήσεων είναι

Από τη σχέση (4) έχουμε ότι

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Συνδυάζοντας την (1) με την (5) παίρνουμε την τελική έκφραση

του μοντέλου της ανάλυσης διακύμανσης

𝑌𝑖𝑗 = 𝜇𝑗 + 𝜏𝑗 + 𝑒𝑖𝑗 (6)

για i  1,..., n j και j  1,..., k .

Συνοψίζοντας από την (6) προκύπτει ότι η

• Προϋπόθεση 1: Οι παρατηρήσεις 𝛶𝑖𝑗 κάθε ομάδας Πάντειο Πανεπιστήμιο

αποτελούν 𝑘 ανεξάρτητα δείγματα από αντίστοιχους

Στο στατιστικό πακέτο P.A.S.W. SPSS 18 υπάρχουν

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

•Γενικά στην απλή μορφή μονοπαραγοντικών (ή κατά

Θα χρησιμοποιήσουμε τα δεδομένα του αρχείου “ONE WAY ANOVA Sample 1.sav”

Το παράδειγμα αφορά μια μελέτη του 1997, στην οποία

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Οι γονείς των παιδιών συμπλήρωσαν την κλίμακα «Hyperactivity»

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Η μηδενική υπόθεση (Ho) και η υπόθεση ελέγχου (H1) διατυπώθηκαν

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

•Προϋπόθεση 1: Οι παρατηρήσεις 𝛶𝑖𝑗 κάθε ομάδας αποτελούν 𝑘

ανεξάρτητα δείγματα από αντίστοιχους πληθυσμούς.

•Προϋπόθεση 3: Καθένας από τους 𝑘 πληθυσμούς ακολουθεί την

•Προϋπόθεση 4: Οι κατανομές των συγκρινόμενων ομάδων να

•Η τρίτη και τέταρτη προϋπόθεση θα ελεγχθούν μέσω του SPSS

ΠΜΣ Τμήματος Ψυχολογίας Παντείου Πανεπιστημίου

Για την εκτέλεση του ελέγχου μέσω

της εντολής Explore επιλέγουμε

Στον πρώτο πίνακα (Test of Normality), διαπιστώνουμε ότι το τεστ Shapiro-Wilk

Ο έλεγχος της τέταρτης προϋπόθεσης μπορεί να γίνει, καταρχήν,

Για να είμαστε όμως σίγουροι σχετικά με την ομοιογένεια των

Εάν οι ομάδες δεν ήταν