Однофакторный дисперсионный анализ: область применения, технология решения задачи

- X и Y связаны линейно;

- Х - неслучайная переменная  с фиксированными значениями;

- ε - ошибки нормально  распределены N(0,σ2);

Дисперсия отклонений в  таком виде - несмещенная оценка и называется стандартной ошибкой  регрессии. N-2 - может быть интерпретировано как число степеней свободы.

Анализ отклонений от линии регрессии может представить  полезную меру того, насколько оцененная  регрессия отражает реальные данные. Хорошая регрессия та, которая  объясняет значительную долю дисперсии Y и наоборот плохая регрессия не отслеживает большую часть колебаний исходных данных. Интуитивно ясно, что всякая дополнительная информация позволит улучшить модель, то есть уменьшить необъясненную долю вариации Y. Для анализа регрессионной модели проводят разложение дисперсии на составляющие, определяют коэффициент детерминации R2.

Отношение двух дисперсий  распределено по F-распределению, т. е. если проверить на статистическую значимость отличия дисперсии модели от дисперсии  остатков, можно сделать вывод  о значимости R2.

Проверка гипотезы о  равенстве дисперсий этих двух выборок:

Если гипотеза Н0 (о  равенстве дисперсий нескольких выборок) верна, t имеет F-распределение  с (m1,m2)=(n1-1,n2-1) степенями свободы.

Посчитав F – отношение  как отношение двух дисперсий  и сравнив его с табличным значением, можно сделать вывод о статистической значимости R2 /2/, /19/.

Заключение

Современные приложения дисперсионного анализа охватывают широкий круг задач экономики, биологии и техники и трактуются обычно в терминах статистической теории выявления систематических различий между результатами непосредственных измерений, выполненных при тех или иных меняющихся условиях.

Благодаря автоматизации  дисперсионного анализа исследователь  может проводить различные статистические исследования с применение ЭВМ, затрачивая при этом меньше времени и усилий на расчеты данных. В настоящее время существует множество пакетов прикладных программ, в которых реализован аппарат дисперсионного анализа. Наиболее распространенными являются такие программные продукты как:

- MS Excel;

- Statistica;

- Stadia;

- SPSS.

В современных статистических программных продуктах реализованы  большинство статистических методов. С развитием алгоритмических  языков программирования стало возможным  создавать дополнительные блоки  по обработке статистических данных.

Дисперсионный анализ является мощным современным статистическим методом обработки и анализа  экспериментальных данных в психологии, биологии, медицине и других науках. Он очень тесно связан с конкретной методологией планирования и проведения экспериментальных исследований.

Дисперсионный анализ применяется  во всех областях научных исследований, где необходимо проанализировать влияние  различных факторов на исследуемую  переменную.

Список  используемых источников

1   Кремер Н.Ш. Теория вероятности и математическая статистика. М.: Юнити – Дана, 2002.-343с.

2   Гмурман В.Е.  Теория  вероятностей  и  математическая  статистика. – М.: Высшая школа, 2003.-523с.

3   www.sutd.ru

4 Гусев А.Н. Дисперсионный анализ  в экспериментальной психологии. – М.: Учебно-методический коллектор «Психология», 2000.-136с.

5 www.gpss.ru

6 www.optimizer.by.ru