Un student compară notele la un examen pentru trei metode de predare: curs clasic, clasă inversată și predare mixtă. În loc să facă o singură analiză, face trei teste t separate: clasic față de inversat, clasic față de mixt, inversat față de mixt. Fiecare test rulează la un prag de semnificație de 0,05. Unde e problema? Șansa de a avea cel puțin un rezultat fals pozitiv din cele trei teste nu e 5%. E în jur de 14%. Studentul crede că a găsit o diferență reală, dar statistica spune că poate aleargă după zgomot. Testul t și ANOVA compară amândouă medii, însă nu sunt interschimbabile. Alegerea greșită îți umflă rata de eroare, iar comisia observă asta.
Ce face de fapt fiecare test
Testul t compară mediile a exact două grupe. Răspunde la o singură întrebare: e diferența dintre aceste două medii mai mare decât ce te-ai aștepta din întâmplare? Are două variante principale. Testul t pentru eșantioane independente compară două grupe separate de oameni, de pildă un grup cu tratament și un grup de control. Testul t pentru eșantioane perechi compară aceiași oameni măsurați în două momente, de exemplu înainte și după o intervenție.
ANOVA vine de la analiza varianței, un nume care induce în eroare, pentru că și ea compară tot medii. Diferența e de amploare. ANOVA se descurcă cu două sau mai multe grupe într-un singur test. Aplicată pe exact două grupe, rezultatul e identic cu al testului t: statistica F e egală cu t la pătrat, iar valoarea p e aceeași. ANOVA devine necesară atunci când planul are trei sau mai multe grupe.
Gândește-te la un student la psihologie care măsoară nivelul de stres (pe o scală validată de la 0 la 40) la 90 de participanți repartizați aleatoriu în meditație, mișcare sau un grup de control. Sunt trei grupe și o singură variabilă dependentă continuă. Testul potrivit aici e ANOVA unifactorială, nu trei teste t separate. Motivul ține de controlul erorii. Dacă nu ești sigur pe cadrul general de alegere, ghidul despre ce test statistic alegi acoperă întreaga schemă de decizie.
De ce nu faci pur și simplu mai multe teste t
Fiecare test t are un risc de 5% de eroare de tip I, adică de a concluziona că există o diferență acolo unde ea nu există. Un test, un risc de 5%. Se poate gestiona. Dar faci mai multe teste pe aceleași date și riscurile se adună. Probabilitatea de a avea cel puțin un rezultat fals pozitiv din k teste independente este 1 − (1 − α)k. Pentru trei teste la α = 0,05, asta înseamnă 1 − 0,953 = 0,143. Rata reală de rezultate fals pozitive aproape s-a triplat.
Mărește scara și problema se agravează. Cinci grupe cer 10 comparații două câte două. Rata cumulată de eroare ajunge la 1 − 0,9510 = 0,40, adică vreo 40%. La punctul ăsta e aproape la fel de probabil să găsești un rezultat fals pozitiv ca să nu-l găsești.
ANOVA rezolvă asta testând toate grupele dintr-o singură mișcare. Testul F verifică dacă vreuna dintre mediile de grupă diferă de celelalte și o face menținând pragul general la 0,05. Un test, o rată de eroare ținută sub control, indiferent câte grupe ai.
Nu e un moft statistic. Un evaluator care vede trei teste t două câte două acolo unde se cerea o ANOVA unifactorială se va întreba dacă înțelegi analiza. Am întâlnit greșeala asta în zeci de ciorne de lucrări. E una dintre cele mai rapide căi de a primi cererea de revizuire.
Condiții
Ambele teste stau pe aceeași temelie. Variabila dependentă trebuie să fie continuă (măsurată pe scală de interval sau de raport). Observațiile trebuie să fie independente, adică scorul unui participant să nu-l influențeze pe al altuia. Datele din fiecare grupă ar trebui să aibă o distribuție apropiată de cea normală. Iar varianțele de la o grupă la alta ar trebui să fie asemănătoare, proprietate numită omogenitatea varianțelor.
Verifici normalitatea cu Shapiro-Wilk pentru eșantioane sub cam 50 pe grupă, sau te uiți la graficele Q-Q pentru eșantioane mai mari. Pentru omogenitatea varianțelor, Levene's Test îți dă un răspuns direct: un rezultat semnificativ (Sig. sub 0,05) înseamnă că varianțele diferă destul cât să te îngrijoreze.
Când normalitatea cade, treci la alternativele neparametrice. Testul Mann-Whitney înlocuiește testul t pentru eșantioane independente. Testul Kruskal-Wallis înlocuiește ANOVA unifactorială. Ambele lucrează cu rangurile datelor, nu cu mediile brute, așa că nu cer o distribuție normală. Când e încălcată condiția varianțelor, dar normalitatea ține, folosești corecția lui Welch. Testul t al lui Welch ajustează gradele de libertate ca să țină cont de varianțele inegale, iar Welch face același lucru pentru ANOVA. Ambele sunt disponibile în SPSS (la Options, în caseta One-Way ANOVA) și prin funcția oneway.test() din R. Detaliile despre alegere sunt în articolul despre teste parametrice și neparametrice.
Ce se întâmplă după o ANOVA semnificativă
Un test F semnificativ îți spune că cel puțin o medie de grupă diferă de celelalte. Nu îți spune care. Dacă ai trei grupe și obții F(2, 87) = 6,42, p = 0,003, știi că se întâmplă ceva, dar nu unde. Aici intră testele post-hoc.
Tukey HSD (diferența onest semnificativă) e alegerea cea mai obișnuită. Compară fiecare pereche posibilă de grupe menținând sub control rata de eroare pe familia de comparații. Corecția Bonferroni e mai conservatoare: împarte pragul la numărul de comparații, ceea ce ține rezultatele fals pozitive foarte jos, dar scade puterea statistică. Games-Howell e opțiunea de care ai nevoie când varianțele din grupe sunt inegale, fiindcă nu presupune omogenitate.
Înapoi la studiul despre stres: să zicem că testul post-hoc Tukey arată că grupul de meditație a avut un scor de stres semnificativ mai mic decât grupul de control (diferența mediilor = 4,2, p = 0,002), în timp ce grupul de mișcare nu a diferit semnificativ nici de meditație (p = 0,11), nici de control (p = 0,34). Acum știi exact unde e efectul. ANOVA a deschis ușa, iar testul post-hoc a trecut prin ea.
Pentru raportarea corectă a acestor valori, vezi articolul despre interpretarea valorii p.
Mărimea efectului
O valoare p semnificativă îți spune că există un efect. Nu spune nimic despre cât de mare e. Un studiu cu 10.000 de participanți poate scoate un rezultat semnificativ statistic pentru o diferență atât de mică încât nu are nicio însemnătate practică. De aceea orice analiză ar trebui să includă o mărime a efectului.
Pentru testul t, măsura obișnuită e d al lui Cohen. Exprimă diferența dintre medii în unități de abatere standard. Pragurile convenționale: 0,2 e mic, 0,5 e mediu, 0,8 e mare. Un d de 0,5 înseamnă că cele două grupe sunt separate de o jumătate de abatere standard.
Pentru ANOVA, măsura obișnuită e eta pătrat parțial (η²). Îți spune ce proporție din varianța variabilei dependente e explicată de variabila de grupare. Pragurile: 0,01 e mic, 0,06 e mediu, 0,14 e mare.
În studiul despre stres, η² = 0,13 înseamnă că variabila de grupare (meditație, mișcare sau control) explică vreo 13% din varianța scorurilor de stres. Cade chiar sub pragul efectului mare și e un rezultat cu greutate. Majoritatea revistelor cer astăzi mărimea efectului alături de valoarea p, iar manualul de publicare APA o impune de la a șasea ediție. Detalii despre interpretare găsești în ghidul despre mărimea efectului.
Tabel de referință rapid
| Caracteristică | Test t | ANOVA |
|---|---|---|
| Număr de grupe | Exact 2 | 2 sau mai multe |
| Statistica testului | t | F |
| Relația | F = t² (la 2 grupe) | — |
| Necesită post-hoc? | Nu | Da, dacă e semnificativă |
| Mărimea efectului | d al lui Cohen | Eta pătrat parțial (η²) |
| Alternativă neparametrică | Mann-Whitney / Wilcoxon | Kruskal-Wallis / Friedman |
Decizia e simplă. Două grupe: test t. Trei sau mai multe: ANOVA. Dacă ANOVA scoate un test F semnificativ, continui cu comparații post-hoc ca să vezi care grupe diferă. Raportezi mereu o mărime a efectului alături de valoarea p și îți verifici mereu condițiile înainte de a aplica oricare test.
Dacă nu ești sigur ce test se potrivește planului tău, ghidul de alegere a testului acoperă întreaga schemă de decizie, iar instrumentul interactiv îți dă o recomandare în câteva întrebări. Iar dacă vrei să sari peste munca manuală, Academic Stats Agent se ocupă singur de alegerea testului: descrii variabilele, încarci datele, iar aplicația face analiza potrivită, cu verificarea condițiilor și mărimea efectului incluse.
De reținut: testul t pentru două grupe, ANOVA pentru trei sau mai multe. Mai multe teste t în locul unei ANOVA îți umflă rata de rezultate fals pozitive, iar orice evaluator o prinde.
Întrebări frecvente
Pot folosi un test t ca să compar 3 grupe?
Nu. Mai multe teste t pe trei grupe umflă rata de rezultate fals pozitive de la 5% la aproximativ 14%. Folosește o ANOVA unifactorială, urmată de teste post-hoc precum Tukey HSD, ca să vezi care grupe diferă de fapt.
Când folosesc testul t al lui Welch?
Îl folosești când testul lui Levene arată că cele două grupe au varianțe inegale, sau când grupele au volume foarte diferite. Ajustează gradele de libertate și nu presupune varianțe egale, motiv pentru care mulți statisticieni îl recomandă ca variantă implicită.
Ce fac după o ANOVA semnificativă?
O ANOVA semnificativă îți spune doar că cel puțin o medie de grupă diferă. Aplici comparații post-hoc (Tukey HSD la varianțe egale, Games-Howell la varianțe inegale) ca să vezi care perechi de grupe diferă și raportezi o mărime a efectului, cum e eta pătrat.