Ai fișierul de date deschis în față. Știi că trebuie să compari niște grupe, să verifici o legătură sau să prezici un rezultat. Numai că nu știi cu ce. Un test t? ANOVA? Ceva cu un nume pe care ți-l amintești pe jumătate de la un curs de acum șase luni? De cele mai multe ori răspunsul e mai simplu decât pare. Patru întrebări, puse în ordine, te duc până la el.
Pornește de la variabilele tale
Înainte de orice, uită-te la ce ai măsurat. Variabila dependentă e rezultatul, lucrul pe care vrei să-l explici sau să-l compari. Variabila independentă e cea care definește grupele sau servește drept factor de predicție. Dacă încurci aceste două roluri, toate deciziile de după vor fi greșite.
Tipul variabilei dependente decide de la bun început ce ramură de teste ai la dispoziție. Dacă rezultatul e categorial, adică o variabilă calitativă care împarte oamenii în grupe (da sau nu, admis sau respins, trei categorii de diagnostic), lucrezi cu testul chi-pătrat sau cu regresia logistică. Dacă rezultatul e continuu (un scor, o măsurătoare în centimetri, un timp de reacție în milisecunde), intri pe teritoriul testului t, al ANOVA, al corelației și al regresiei liniare.
Un exemplu concret. Măsori notele la un examen pentru trei metode de predare, într-o lucrare de licență din pedagogie. Variabila dependentă e continuă (nota), iar cea independentă e categorială (metoda A, metoda B, metoda C). Combinația asta te duce spre ANOVA. Acum schimbă întrebarea: te interesează dacă studenții au promovat sau nu, în funcție de metoda folosită. Rezultatul devine categorial, așa că ajungi la testul chi-pătrat de independență. Aceeași temă de studiu, alt test, pentru că s-a schimbat tipul variabilei.
Două grupe sau mai multe?
Odată ce știi că rezultatul e continuu, întrebarea următoare e directă: câte grupe compari?
Două grupe înseamnă test t. Trei sau mai multe înseamnă ANOVA. Aici se împiedică mulți studenți, iar greșeala care urmează e mereu aceeași. Cineva cu trei grupe (să zicem un grup de control și două grupe cu intervenție) face trei teste t separate: control față de intervenția A, control față de intervenția B, apoi intervenția A față de B. Pare logic. Este însă greșit.
Fiecare test t are o șansă de 5% de rezultat fals pozitiv atunci când fixezi pragul de semnificație la 0,05. Faci trei astfel de teste pe aceleași date, iar rata reală de rezultate fals pozitive urcă spre 14%. Cinci comparații și depășește 22%. Calculul e simplu: probabilitatea de a avea cel puțin un rezultat fals pozitiv este 1 minus 0,95 ridicat la puterea egală cu numărul de teste. ANOVA rezolvă problema testând toate grupele deodată, printr-o singură procedură, și menține riscul de eroare acolo unde trebuie, la 5%. Dacă ANOVA găsește o diferență semnificativă, aplici apoi teste post-hoc (Tukey HSD, Bonferroni sau Games-Howell, în funcție de situație) ca să vezi care grupe diferă de fapt. Comparăm mai pe larg cele două teste în articolul despre test t sau ANOVA.
Eșantioane perechi sau independente?
Nu toate comparațiile între grupe sunt construite la fel. Relația dintre participanți și grupe contează, pentru că ea decide care variantă a testului îți trebuie.
Eșantioane independente înseamnă oameni diferiți în fiecare grup. Un studiu clinic în care 30 de pacienți primesc un medicament și alți 30 primesc placebo are un plan independent. Eșantioane perechi (numite și măsurători repetate) înseamnă aceiași oameni măsurați de mai multe ori, sau participanți potriviți doi câte doi pe caracteristici relevante. Măsori nivelul de anxietate la 40 de pacienți înainte de un program de terapie de 8 săptămâni, apoi îi măsori pe aceiași 40 după ce se termină. Aceiași pacienți, două momente. E un plan pe perechi.
De ce contează statistic? Planurile pe perechi reduc variabilitatea, pentru că fiecare participant e propriul lui punct de referință. Testele țin cont de asta. Testul t pentru eșantioane independente compară mediile a două grupe separate și le adună varianțele. Testul t pentru eșantioane perechi se uită la diferența din interiorul fiecărui participant și verifică dacă media acelor diferențe e zero. Aceeași logică se extinde la ANOVA: cea unifactorială pe grupe independente, cea cu măsurători repetate pe aceiași participanți urmăriți în trei sau mai multe condiții. Dacă nu ești sigur ce plan ai, articolul despre eșantioane perechi sau independente lămurește exact această întrebare.
Alegerea variantei greșite nu e o scăpare minoră. Un test pentru eșantioane independente aplicat pe date perechi aruncă la gunoi informația din interiorul subiecților și dă un test mai slab. Un test pentru perechi aplicat pe date independente încalcă condițiile și scoate valori p în care nu poți avea încredere.
Verifică-ți condițiile
Testele parametrice (test t, ANOVA, corelația Pearson, regresia liniară) presupun anumite lucruri despre date. Dacă acele presupuneri sunt încălcate destul de tare, rezultatele nu mai sunt de încredere. Cele două condiții care contează cel mai mult sunt normalitatea și egalitatea varianțelor.
Normalitatea cere ca variabila dependentă (sau reziduurile, la regresie) să urmeze o distribuție apropiată de cea normală în interiorul fiecărei grupe. O verifici cu Shapiro-Wilk pentru eșantioane sub 50 sau cu Kolmogorov-Smirnov pentru cele mai mari. Graficul Q-Q îți dă o verificare vizuală: dacă punctele stau rezonabil pe diagonală, normalitatea ține; dacă se îndepărtează brusc la capete, nu ține. Detaliile sunt în ghidul despre testarea normalității.
Egalitatea varianțelor cere ca împrăștierea scorurilor să fie asemănătoare de la o grupă la alta. Testul lui Levene verifică asta. Un rezultat semnificativ la Levene's Test (adică Sig. sub 0,05) îți spune că varianțele sunt inegale, ceea ce înseamnă că ai nevoie fie de o corecție (testul t al lui Welch în locul celui clasic, sau ajustarea Brown-Forsythe la ANOVA), fie de trecerea la o alternativă neparametrică. Dacă nu ești sigur ce rând citești în tabelul de rezultate, îți explicăm pas cu pas în articolul despre testul Levene semnificativ.
Când condițiile cad, ai două ieșiri. Poți aplica o corecție, cum e ajustarea lui Welch, care nu presupune varianțe egale. Sau treci la un test neparametric, care nu impune nicio condiție asupra formei distribuției, fiindcă lucrează cu ranguri, nu cu valorile brute. Prețul e o pierdere mică de putere statistică atunci când datele chiar sunt normale, iar într-o lucrare academică unde contează rezultatele solide, prețul e de obicei acceptabil.
O observație practică: pe eșantioane mari (cam 30 sau mai mult pe grupă), teorema limitei centrale face testele parametrice destul de robuste chiar și când normalitatea e ușor încălcată. Asta nu înseamnă că poți ignora condițiile. Înseamnă că, la 200 pe grupă și cu o asimetrie ușoară, testul t se descurcă bine. La 12 pe grupă și cu o asimetrie puternică, nu se descurcă.
Tabelul de decizie
Tabelul de mai jos leagă întrebările de cercetare frecvente de testul potrivit. Îți găsești situația în coloana din stânga, verifici dacă datele îndeplinesc condițiile parametrice și citești în dreapta.
| Întrebarea de cercetare | Test parametric | Alternativă neparametrică |
|---|---|---|
| Compari mediile a 2 grupe independente | Test t pentru eșantioane independente | Mann-Whitney |
| Compari mediile a 2 grupe perechi | Test t pentru eșantioane perechi | Wilcoxon |
| Compari mediile a 3+ grupe independente | ANOVA unifactorială | Kruskal-Wallis |
| Compari mediile a 3+ grupe perechi | ANOVA cu măsurători repetate | Testul Friedman |
| Verifici legătura dintre 2 variabile continue | Corelația Pearson | Corelația Spearman |
| Verifici legătura dintre 2 variabile categoriale | Test chi-pătrat | Testul exact al lui Fisher (eșantioane mici) |
| Prezici un rezultat continuu din niște factori | Regresie liniară | — |
| Prezici un rezultat binar din niște factori | Regresie logistică | — |
Salvează tabelul. Tipărește-l. Lipește-l pe perete, lângă monitor. Am văzut sute de studenți care au ales testul greșit pur și simplu fiindcă nu aveau la îndemână o schemă rapidă exact în clipa în care le trebuia.
Ce faci cu corelația și regresia
Nu orice întrebare de cercetare e despre compararea grupelor. Uneori vrei să afli dacă două variabile se mișcă împreună sau dacă una o prezice pe cealaltă.
Corelația măsoară tăria și direcția unei legături liniare între două variabile continue. Coeficientul Pearson (r) e alegerea obișnuită atunci când ambele variabile au distribuții apropiate de cea normală. Dacă una dintre ele e ordinală (o scală Likert cu 5 trepte, de exemplu) sau dacă datele nu sunt normal distribuite, corelația de ranguri a lui Spearman e opțiunea mai sigură. Ambele dau un coeficient între −1 și +1, unde valorile din jurul lui zero arată lipsa unei legături liniare, iar cele apropiate de capete arată o legătură puternică.
Regresia merge un pas mai departe. În loc să măsoare doar legătura, construiește un model de predicție. Regresia liniară prezice un rezultat continuu din unul sau mai mulți factori. Un student la psihologie ar putea folosi-o ca să prezică rezultatul la examen din orele de studiu, calitatea somnului și scorul de anxietate. Regresia logistică face același lucru pentru un rezultat binar: promovat sau nu, diagnosticat sau nu, angajat sau nu.
O greșeală pe care o vedem des în ciornele de lucrări: folosirea corelației când întrebarea e clar de predicție. Dacă ipoteza ta spune „calitatea somnului prezice rezultatul academic”, ai nevoie de regresie, nu de corelație. Corelația îți spune că sunt legate. Regresia îți spune cu cât se schimbă rezultatul la fiecare unitate de creștere a factorului, ținând sub control celelalte variabile. A doua greșeală e să interpretezi oricare dintre ele drept dovadă de cauzalitate. O corelație puternică între vânzările de înghețată și numărul de înecuri nu înseamnă că înghețata provoacă înecuri. Ambele cresc vara. Alegerea dintre cele două e detaliată în articolul despre corelație sau regresie.
O scurtătură practică
Când te blochezi, parcurge în ordine aceste patru întrebări. Prima: variabila dependentă e continuă sau categorială? Asta elimină pe loc jumătate din opțiuni. A doua: câte grupe compari? Două te duc spre testul t; trei sau mai multe, spre ANOVA. A treia: eșantioanele sunt independente sau perechi? Asta alege varianta exactă. A patra: datele îndeplinesc condițiile de normalitate și varianțe egale? Asta decide între versiunea parametrică și alternativa ei neparametrică.
Cele patru întrebări te lasă cu unul sau două teste candidate în mai puțin de un minut. De acolo aplici testul, citești tabelele de rezultate și interpretezi. Ghidul nostru despre interpretarea valorii p acoperă ce faci după ce ai rezultatele în față. Dacă vrei să treci mai repede prin decizie, instrumentul interactiv de alegere a testului îți pune câteva întrebări despre variabile și îți indică testul potrivit.
Iar dacă vrei procesul complet automat, Academic Stats Agent se ocupă de decizie în locul tău. Încarci datele, descrii întrebarea de cercetare, iar aplicația identifică testul corect, verifică condițiile, face analiza și scoate un raport pe care îl poți lipi în lucrare. Urmează exact logica din acest articol, doar că mai repede.
De reținut: testul potrivit depinde de trei lucruri: ce tip de variabile ai, câte grupe compari și dacă datele îndeplinesc condițiile pentru un test parametric. Când ai dubii, pornește de la tabelul de decizie de mai sus.
Întrebări frecvente
Ce test folosesc pentru date ordinale?
Datele ordinale, cum sunt itemii Likert luați separat, se analizează de obicei cu teste neparametrice: Mann-Whitney pentru două grupe independente, Kruskal-Wallis pentru trei sau mai multe grupe, Wilcoxon pentru măsurători perechi și corelația Spearman pentru legătura dintre variabile.
Când folosesc un test parametric și când unul neparametric?
Alegi testul parametric atunci când variabila dependentă e continuă, are o distribuție apropiată de cea normală și varianțele din grupe sunt asemănătoare. Dacă normalitatea sau egalitatea varianțelor sunt clar încălcate, mai ales pe eșantioane mici, treci la alternativa neparametrică, care lucrează cu ranguri și nu impune nicio condiție asupra formei distribuției.
Cum aleg între test t, ANOVA și chi-pătrat?
Uită-te la variabile. Un rezultat continuu comparat între două grupe cere un test t, între trei sau mai multe grupe cere ANOVA, iar o variabilă categorială pusă în legătură cu altă variabilă categorială cere testul chi-pătrat de independență.