분산 분석의 동질성에 대한 분산 분석의 가정을 위반하지 않는지 확인하기 위해 실험 중 하나의 데이터 그룹에 대해 Levene 및 Bartlett의 테스트를 실행했습니다. 마음에 들지 않으면 잘못된 가정을하고 있지 않다는 것을 당신과 함께 확인하고 싶습니다 : D
두 검정에서 모두 반환 된 p- 값은 동일한 분산을 사용하여 다시 생성 된 데이터가 동일 할 확률입니다. 따라서 이러한 검정을 사용하여 분산의 동질성에 대한 분산 분석의 가정을 위반하지 않는다고 말할 수 있도록 선택한 알파 수준 (예 : 0.05)보다 높은 p- 값만 필요합니까?
예를 들어, 현재 사용중인 데이터를 사용하여 Bartlett의 테스트는 p = 0.57을 반환하는 반면 Levene의 테스트 (Brown-Forsythe Levene- 타입 테스트라고도 함)는 ap = 0.95를 나타냅니다. 즉, 어떤 테스트를 사용하든 데이터가 가정을 충족한다고 말할 수 있습니다. 내가 실수하고 있습니까?
감사.
답변
귀무 가설이 참인 경우 유의성 검정의 p- 값은 관련 통계량 의 값을 실제 관측 된 값보다 높거나 극단적 으로 관찰 할 확률로 해석 할 수 있습니다 . (p- 값은 통계적 값이 대립 가설 아래에있을 가능성이있는 값을 참조하지 않습니다 )
당신은 할 수 결코 당신이있는 거 가정에만 여부에 관계없이 성립 있는지 확인하지 당신이 관찰 된 데이터가 가정과 일치한다 . p- 값은 이러한 일관성을 대략적으로 측정합니다.
p- 값은 동일한 데이터가 관측 될 확률을 제공하지 않으며 통계 값이 귀무 가설을 고려할 때 관측 된 값보다 크거나 같을 확률 만 제공합니다.
답변
“p- 값의 오른쪽”에 있습니다. 그룹이 모집단에서 동일한 분산을 갖는 경우 p = 0.95의 결과는이 n 크기를 사용하는 무작위 샘플링이 시간의 95 % 또는 더 멀리 분산을 생성한다는 것을 나타냅니다. . 다시 말해, 엄밀히 말하면 결과를 귀무 가설에 대해서는 말하는 것이지만 미래에 대해서는 말하는 것은 아닙니다.
답변
이전 주석은 100 % 정확하지만 R의 모델 객체에 대해 생성 된 플롯은이 질문의 그래픽 요약을 제공합니다. 개인적으로, 나는 플롯이 p 값보다 훨씬 더 유용하다는 것을 알았습니다. 후에 데이터를 변환하고 플롯에서 즉시 변경 사항을 발견 할 수 있기 때문입니다.