Tutkijat/tilstotietäjät? PIKA!?
Jos teen 2-suuntaisen varianssianalyysin ja sitten sen jälkeen irrotan yhden muuttujan ja teens iitä 1-suuntaisen analyysin, niin miksi vaikutuksen f-arvo muuttuu? Siis mitä on enemmän, tai vähemmän? Virhettä? Mitä?
Jos joku tajusi, niin voitteko auttaa?
Kommentit (5)
tarkoitatko, että 1. ennustat muuttujilla A ja B muuttujaa Y, ja sen jälkeen 2. ennustat vain muuttujalla A muuttujaa Y?
Eli, miksi A:n f-arvo muuttuu, vaikka se on se sama vaikutus/muuttuja kuin 2-suuntaisessa analyysissä? Mistä ero koostuu?
että tarkoitat 1-suuntaisella analyysilla analyysia, jossa on 1 ennustava muuttuja ja 2-suuntaisella analyysia, jossa 2 ennustavaa muuttujaa.
En ole tilastotieteilijä, joten en osaa ihan asian ytimeen asti menevää selitystä, mutta muutos johtuu käsittääkseni seuraavasta:
1. Muuttujalla A on tietyt luokat (esim. sukupuoli: mies vs. nainen)
2. F-arvon kaava on: luokkien välinen vaihtelu / luokkien sisäinen vaihtelu.
3. Toinen ennustajasi (B) selittää osan Y:n vaihtelusta eli toisin sanoen kun B on mukana, osa Y:n vaihtelusta muuttuu luokkien väliseksi vaihteluksi.
4. Kun poistat B:n, sama vaihtelu (varianssi) tulkitaan (siis tilasto-ohjelma tulkitsee) luokkien sisäiseksi vaihteluksi(virheeksi/residuaaliksi/error varianssiksi) -> F-arvo muuttuu.
2 lisähuomautusta:
-F-arvon suuruudellahan ei kyllä ole mitään merkitystä, vain p-arvolla eli onko A:n/B:n vaikutus merkitsevä vai ei.
-sinun kannattaisi ehkä liittää analyysiin A*B interaktio
että tarkoitat 1-suuntaisella analyysilla analyysia, jossa on 1 ennustava muuttuja ja 2-suuntaisella analyysia, jossa 2 ennustavaa muuttujaa.
En ole tilastotieteilijä, joten en osaa ihan asian ytimeen asti menevää selitystä, mutta muutos johtuu käsittääkseni seuraavasta:
1. Muuttujalla A on tietyt luokat (esim. sukupuoli: mies vs. nainen)
2. F-arvon kaava on: luokkien välinen vaihtelu / luokkien sisäinen vaihtelu.
3. Toinen ennustajasi (B) selittää osan Y:n vaihtelusta eli toisin sanoen kun B on mukana, osa Y:n vaihtelusta muuttuu luokkien väliseksi vaihteluksi.
4. Kun poistat B:n, sama vaihtelu (varianssi) tulkitaan (siis tilasto-ohjelma tulkitsee) luokkien sisäiseksi vaihteluksi(virheeksi/residuaaliksi/error varianssiksi) -> F-arvo muuttuu.
2 lisähuomautusta:
-F-arvon suuruudellahan ei kyllä ole mitään merkitystä, vain p-arvolla eli onko A:n/B:n vaikutus merkitsevä vai ei.
-sinun kannattaisi ehkä liittää analyysiin A*B interaktio
että tarkoitat 1-suuntaisella analyysilla analyysia, jossa on 1 ennustava muuttuja ja 2-suuntaisella analyysia, jossa 2 ennustavaa muuttujaa.
En ole tilastotieteilijä, joten en osaa ihan asian ytimeen asti menevää selitystä, mutta muutos johtuu käsittääkseni seuraavasta:
1. Muuttujalla A on tietyt luokat (esim. sukupuoli: mies vs. nainen)
2. F-arvon kaava on: luokkien välinen vaihtelu / luokkien sisäinen vaihtelu.
3. Toinen ennustajasi (B) selittää osan Y:n vaihtelusta eli toisin sanoen kun B on mukana, osa Y:n vaihtelusta muuttuu luokkien väliseksi vaihteluksi.
4. Kun poistat B:n, sama vaihtelu (varianssi) tulkitaan (siis tilasto-ohjelma tulkitsee) luokkien sisäiseksi vaihteluksi(virheeksi/residuaaliksi/error varianssiksi) -> F-arvo muuttuu.
2 lisähuomautusta:
-F-arvon suuruudellahan ei kyllä ole mitään merkitystä, vain p-arvolla eli onko A:n/B:n vaikutus merkitsevä vai ei.
-sinun kannattaisi ehkä liittää analyysiin A*B interaktio
asian voi sanoa yksinkertaisemminkin, eli johtuu siis siitä, että kun teet analyysin jossa ennustat muuttujalla A muuttujaa Y, niin A selittää tietyn osan Y:n varianssista = selitetty varianssi, mutta osaa ei = virhevarianssi. Kun lisäät B:n, niin analyysin virhevarianssi vähenee (tai saattaa myös ehkä lisääntyä jos B:n luokkien sisällä on suurta vaihtelua Y:ssä? en ole ihan varma?). Ja koska F lasketaan luokkien välinen vaihtelu / virhevarianssi niin F muuttuu.
tarkoitatko, että 1. ennustat muuttujilla A ja B muuttujaa Y, ja sen jälkeen 2. ennustat vain muuttujalla A muuttujaa Y?