O cercetătoare din asistență medicală strânge note de la 120 de studenți predați prin trei metode: curs clasic, învățare pe simulator și predare mixtă. Aplică o ANOVA unifactorială și găsește o diferență semnificativă, F(2, 117) = 4,83, p = 0,010. Gata? Nu chiar. Coordonatorul îi atrage atenția că jumătate dintre studenți sunt la licență și jumătate la master, iar metodele de predare i-ar putea afecta diferit pe cele două grupe. Întrebarea asta cere un al doilea factor și o altă analiză. ANOVA unifactorială nu-i poate răspunde, fiindcă nu are cum să detecteze dacă efectul metodei de predare se schimbă în funcție de nivelul de studii. Exact pentru asta a fost construită ANOVA bifactorială.
ANOVA unifactorială: un factor, trei sau mai multe grupe
ANOVA unifactorială verifică dacă mediile unui rezultat continuu diferă între nivelurile unui singur factor categorial. Cuvântul „unifactorială” trimite la o singură variabilă independentă. Dacă un nutriționist măsoară scăderea în greutate la 90 de participanți repartizați aleatoriu în trei planuri alimentare (keto, mediteraneean, sărac în grăsimi), e un plan unifactorial cu un factor (tipul de dietă) și trei niveluri.
Testul scoate o singură statistică F. În SPSS o găsești în tabelul ANOVA, cu un rând pentru Between Groups și unul pentru Within Groups. Un rezultat de tipul F(2, 87) = 5,14, p = 0,008 îți spune că cel puțin o grupă de dietă a slăbit altfel decât celelalte. Nu spune care. Pentru asta sunt testele post-hoc precum Tukey HSD. Pașii concreți pentru rularea ANOVA sunt în ghidul despre ANOVA în SPSS.
ANOVA unifactorială merge bine când întrebarea de cercetare are o singură variabilă de grupare. Dar multe planuri de studiu includ două. Un studiu clinic ar putea testa trei doze de medicament la pacienți de sex masculin și feminin. Un studiu de marketing ar putea compara patru formate de reclamă la două categorii de vârstă. Ignorarea celui de-al doilea factor nu-l face să dispară. Doar se ascunde în termenul de eroare, îți scade puterea statistică și poate masca tipare reale din date.
ANOVA bifactorială: doi factori și interacțiunea lor
ANOVA bifactorială (numită și ANOVA factorială) testează două variabile independente în același timp. Înapoi la exemplul din asistență medicală: factorul A e metoda de predare (3 niveluri), factorul B e nivelul de studii (2 niveluri: licență, master). Asta îți dă un plan factorial 3 × 2 cu șase celule. Fiecare celulă e o combinație anume, de pildă „studenți la licență predați pe simulator”.
Analiza testează trei lucruri deodată. Primul, efectul principal al factorului A: diferă notele între metodele de predare, în medie pe nivelurile de studii? Al doilea, efectul principal al factorului B: au rezultate diferite studenții de la licență față de cei de la master, în medie pe metode? Al treilea, și aici își merită locul ANOVA bifactorială, efectul de interacțiune (A × B): depinde efectul metodei de predare de faptul că studentul e la licență sau la master?
Cu 120 de studenți într-un plan 3 × 2 și câte 20 pe celulă, tabelul de rezultate din SPSS ar putea arăta: metoda de predare F(2, 114) = 5,27, p = 0,007, ηp² = 0,085; nivelul de studii F(1, 114) = 3,91, p = 0,050, ηp² = 0,033; iar interacțiunea F(2, 114) = 4,12, p = 0,019, ηp² = 0,067. Toate trei efectele sunt testate în același model și fiecare are propriul rând în tabel.
Ce înseamnă de fapt un efect de interacțiune
Interacțiunea e motivul pentru care aplici o ANOVA bifactorială în loc de două ANOVA unifactoriale separate. O interacțiune semnificativă îți spune că efectul unui factor nu e același la fiecare nivel al celuilalt factor. Liniile de pe graficul de interacțiune se intersectează sau se depărtează, în loc să meargă paralel.
Un exemplu concret. Să zicem că învățarea pe simulator crește notele cu 12 puncte pentru studenții la master, dar doar cu 2 puncte pentru cei la licență, față de cursul clasic. În același timp, predarea mixtă ajută ambele grupe la fel, cu vreo 6 puncte, indiferent de nivelul de studii. Beneficiul simulatorului depinde de cine îl primește. Această dependență e interacțiunea.
O prinzi pe un grafic de interacțiune (numit grafic de profil în SPSS). Pui metoda de predare pe axa orizontală și nota medie pe cea verticală, cu linii separate pentru licență și master. Dacă liniile sunt aproximativ paralele, nu există interacțiune. Dacă se intersectează sau se despart în evantai, e o interacțiune. În exemplul de mai sus, linia masterului ar urca abrupt de la curs clasic la simulator, în timp ce linia licenței ar rămâne aproape orizontală. Tiparul ăsta neparalel se potrivește cu F(2, 114) = 4,12 semnificativ pentru termenul de interacțiune.
Efecte principale față de interacțiune: de ce contează ordinea
Când interacțiunea e semnificativă, efectele principale pot induce în eroare. Iată de ce. Efectul principal al metodei de predare face media pe ambele niveluri de studii. Dacă simulatorul îi ajută enorm pe cei de la master, dar abia are efect la cei de la licență, îmbunătățirea medie pare moderată. Ai putea raporta „simulatorul a avut un efect moderat” și să ratezi povestea adevărată: a avut un efect mare pentru o grupă și aproape niciunul pentru cealaltă.
Regula e simplă. Verifică întâi interacțiunea. Dacă nu e semnificativă, interpretezi direct efectele principale și aplici teste post-hoc (Tukey, Bonferroni sau Games-Howell, în funcție de situația varianțelor) pe efectul principal care e semnificativ. Dacă interacțiunea e semnificativă, nu interpreta efectele principale izolat. În schimb, faci o analiză a efectelor simple. Asta înseamnă să testezi efectul metodei de predare separat pentru licență și separat pentru master. În SPSS o faci din editorul de sintaxă cu subcomanda /EMMEANS și COMPARE, sau împărțind fișierul după nivelul de studii și rulând câte o ANOVA unifactorială în fiecare grupă.
Vedem greșeala asta des în ciornele de lucrări. Un student raportează și efectele principale, și interacțiunea, toate într-un paragraf, fără să observe că interacțiunea semnificativă face mediile efectelor principale înșelătoare. Comisia o semnalează, fiindcă sugerează că studentul nu înțelege ce înseamnă interacțiunea. Pentru raportarea mărimii efectului alături de aceste rezultate, eta pătrat parțial (ηp²) e măsura obișnuită pentru fiecare efect din tabelul ANOVA.
Cum citești tabelul de rezultate
În SPSS, ANOVA bifactorială se rulează prin Analyze > General Linear Model > Univariate. Muți variabila dependentă în caseta Dependent Variable și ambii factori în Fixed Factor(s). SPSS generează automat termenul de interacțiune.
Tabelul se numește Tests of Between-Subjects Effects și are mai multe rânduri. Corrected Model arată potrivirea de ansamblu a modelului. Sub el găsești un rând pentru factorul A (de pildă Metoda_predare), unul pentru factorul B (de pildă Nivel_studii) și unul pentru interacțiune (Metoda_predare * Nivel_studii). Fiecare rând arată suma pătratelor de tip III, gradele de libertate, media pătratelor, F, Sig. (valoarea p) și eta pătrat parțial. Rândul Error de jos conține varianța reziduală, iar Corrected Total e varianța totală a variabilei dependente.
Eta pătrat parțial apare în ultima coloană. Pentru interacțiunea din exemplul nostru, ηp² = 0,067 înseamnă că interacțiunea explică vreo 6,7% din varianța notelor, după ce scoți varianța explicată de celelalte efecte. Cu pragurile obișnuite (0,01 mic, 0,06 mediu, 0,14 mare), e un efect mediu. Îl raportezi în stil APA astfel: F(2, 114) = 4,12, p = 0,019, ηp² = 0,067.
Unifactorială față de bifactorială: comparație rapidă
| Caracteristică | ANOVA unifactorială | ANOVA bifactorială |
|---|---|---|
| Variabile independente | 1 factor | 2 factori |
| Ipoteze testate | 1 (diferența dintre mediile grupelor) | 3 (efect principal A, efect principal B, interacțiune A × B) |
| Rândurile din rezultate | Between Groups, Within Groups | Factorul A, factorul B, A*B, Error |
| Efect de interacțiune | Nu poate fi testat | Testat direct |
| Teste post-hoc | Pe singurul factor | Pe efectele principale (fără interacțiune) sau pe efectele simple (cu interacțiune) |
| Când folosești | O variabilă de grupare, 3+ niveluri | Două variabile de grupare și bănuiești că efectul lor combinat contează |
| Exemplu de plan | 3 diete → scădere în greutate | 3 diete × 2 sexe → scădere în greutate |
Greșeala frecventă: două ANOVA unifactoriale separate
E cea mai frecventă eroare pe care o întâlnim la planurile factoriale. Studentul are doi factori, dar rulează două ANOVA unifactoriale separate în loc de una bifactorială. Întâi testează metoda de predare pe note, ignorând nivelul de studii. Apoi testează nivelul de studii pe note, ignorând metoda. Le raportează pe amândouă și consideră treaba încheiată.
Abordarea asta are două probleme. Prima, nu poate detecta interacțiunea. Dacă efectul metodei de predare diferă între licență și master, două ANOVA unifactoriale separate nu vor scoate niciodată asta la iveală. A doua, umflă termenul de eroare. Când ignori un factor care chiar explică o parte din varianță, acea varianță e absorbită în reziduu. Numitorul raportului F crește, valoarea F scade, iar efectele reale devin mai greu de detectat. O ANOVA bifactorială cu ambii factori în model e mai puternică decât două ANOVA unifactoriale rulate separat, fiindcă împarte varianța mai exact.
Dacă ai două variabile independente categoriale și o variabilă dependentă continuă, testul corect e ANOVA bifactorială. Punct. Rularea e directă în SPSS, iar Academic Stats Agent o alege automat când descrii variabilele și încarci datele. După ce ai rezultatele, ghidul despre raportarea ANOVA în stil APA îți dă formulările gata de pus în lucrare.
De reținut: ANOVA unifactorială se ocupă de un singur factor. Cea bifactorială se ocupă de doi factori și, mai important, testează dacă interacționează. Verifică mereu întâi interacțiunea. Dacă e semnificativă, sari peste efectele principale și fă în schimb o analiză a efectelor simple. Nu înlocui niciodată o ANOVA bifactorială cu două unifactoriale separate, fiindcă ratezi interacțiunea și pierzi putere statistică.