Κεφάλαιο 1 4

Κεφάλαιο 14

Ανάλυση ΔιακύμανσηςAnalysis of Variance

( ANOVA )

Ανάλυση Διακύμανσης…Η Ανάλυση Διακύμανσης είναι μία τεχνική που μας επιτρέπει να συγκρίνουμε δύο ή περισσότερους πληθυσμούς με διαστημικά δεδομένα.

Η Ανάλυση Διακύμανσης είναι: μία ακραίως δυναμική και ευρέως εφαρμοσμένη διαδικασία. μία διαδικασία που καθορίζει εάν υπάρχουν διαφορές μεταξύ των μέσων των πληθυσμών. μία διαδικασία η οποία δουλεύει με την ανάλυση δειγματοληπτική διακύμανση.

Ανάλυση Διακύμανσης Ενός Παράγοντα …

Ανεξάρτητα δείγματα επιλέγονται από k πληθυσμούς:

Σημειώστε: Αυτοί οι πληθυσμοί καλούνται ως αγωγές. Δεν απαιτείται ότι n1 = n2 = … = nk.

Πίνακας 14.1 Συμβολισμός για Ανάλυση

Διακύμανσης με Έναν Παράγοντα

Αγωγή

Μέγεθος ΔείγματοςΔειγματοληπτική Μέση Τιμή

Ανεξάρτητα Δείγματα επιλέγονται από k πληθυσμούς (αγωγές).

1 2 kX11

x21

.

.

.Xn1,1

1

1x

n

X12

x22

.

.

.Xn2,2

2

2x

n

X1k

x2k

.

.

.Xnk,k

k

kx

n

Μέγεθος Δείγματος

Δειγματοληπτική Μέση Τιμή

Πρώτη παρατήρηση, πρώτο δείγμα

Δεύτερη παρατήρηση, δεύτερο δείγμα

X είναι μία «μεταβλητή απόκρισης».

Συμβολισμός

Ανάλυση Διακύμανσης με Έναν Παράγοντα …

Νέα Ορολογία:

x είναι η μεταβλητή απόκρισης, και οι τιμές της είναι οι αποκρίσεις.

xij αναφέρεται στην i στη παρατήρηση στο j στο

δείγμα.

Π.χ. x35 είναι η τρίτη παρατήρηση από το

πέμπτο δείγμα. ∑ xij

xj = μέσος του jth δείγματος = nj

nj

i=1

nj = ο αριθμός των παρατηρήσεων του δείγματος

από τον jστο πληθυσμό.

Ανάλυση Διακύμανσης με Έναν Παράγοντα …

1 1

1 2

Ο ό έ , , είναι ο

μέσος όλων των παρατηρήσεων,

δηλαδή

( )

και είναι ό

ώ

jnk

ijj i

k

x

x

xn

n n n n

Ανάλυση Διακύμανσης με Έναν Παράγοντα…

Επιπρόσθετη Νέα Ορολογία: Η μονάδα που μετρούμε καλείται πειραματική μονάδα.

Το κριτήριο το οποίο ταξινομεί τους πληθυσμούς καλείται παράγοντας.

Κάθε πληθυσμός καλείται επίπεδο παράγοντα.

Παράδειγμα 14-1 …Μία εταιρία παρασκευάζει έναν νέο προϊόν χυμού μήλου με τα εξής χαρακτηριστικά …

καλύτερη συσκευασία,

ίδια ή καλύτερη ποιότητα, και

χαμηλότερη τιμή

όταν συγκρίνονται με ήδη υπάρχοντα προϊόντα.

Ποιο χαρακτηριστικό θα ήταν καλύτερα να προβάλει η εταιρεία με διαφημιστική εκστρατεία;

Πρώτου να διαφημιστεί το προϊόν σε εθνικό επίπεδο, δοκιμάζονται τα τρία χαρακτηριστικά σε τρεις πόλεις, και τα δεδομένα καταγράφονται …

Υπάρχουν διαφορές στις πωλήσεις μεταξύ στις τρεις παραπάνω αγορές;

529.00658.00793.00514.00663.00719.00711.00606.00461.00529.00498.00663.00604.00495.00485.00557.00353.00557.00542.00614.00

804.00630.00774.00717.00679.00604.00620.00697.00706.00615.00492.00719.00787.00699.00572.00523.00584.00634.00580.00624.00

672.00531.00443.00596.00602.00502.00659.00689.00675.00512.00691.00733.00698.00776.00561.00572.00469.00581.00679.00532.00

Πόλη 1 Πόλη 2 Πόλη 3(Συσκευασία) (Ποιότητα) (Τιμή)

Δεδομένα

Xm15-01

Παράδειγμα 14-1 … x είναι η μεταβλητή απόκρισης, και οι τιμές της είναι αποκρίσεις.

εβδομαδιαίες πωλήσεις είναι η μεταβλητή απόκρισης;

οι ακριβείς πωλήσεις είναι οι αποκρίσεις στο παράδειγμα.

xij αναφέρεται στην iστη παρατήρηση στο jστο δείγμα.

Δηλαδή x42 είναι οι πωλήσεις στην τέταρτη εβδομάδα από την Πόλη #2: 717 συσκευασίες.

x20, 3 είναι οι πωλήσεις της τελευταίας εβδομάδας από την Πόλη #3: 532 συσκευασίες.

Ορολογία

Κόμμα προστίθεται για διευκρίνιση

Παράδειγμα 14-1 …Η μονάδα που μετρούμε καλείται πειραματική μονάδα. Η μεταβλητή απόκρισης είναι οι εβδομαδιαίες πωλήσεις Το κριτήριο το οποίο ταξινομεί τους πληθυσμούς καλείται παράγοντας.

Η στρατηγική διαφήμισης είναι ο παράγοντας που μας ενδιαφέρει. Αυτός είναι ο μόνος παράγοντας που μελετάμε (εκ’ τούτου ο όρος «ενός παράγοντα» ανάλυση διακύμανσης).

Κάθε πληθυσμός είναι ένα επίπεδο παράγοντα. Στο παράδειγμα, υπάρχουν τρία επίπεδα

παράγοντα: συσκευασία, ποιότητα, και τιμή.

Ορολογία

ΟρολογίαΣε αυτό το πρόβλημα …

Μεταβλητή απόκρισης – εβδομαδιαίες πωλήσειςΑποκρίσεις – ακριβείς τιμές πωλήσεων Πειραματική μονάδα – εβδομάδες στις τρεις πόλεις όταν καταγράφουμε τιμές πωλήσεων.

Παράγοντας – το κριτήριο με το οποίο ταξινομούμε πληθυσμούς (οι αγωγές). Σε αυτό το πρόβλημα ο παράγοντας είναι η στρατηγική του μάρκετινγκ.

Επίπεδα παράγοντα – Τα ονόματα των πληθυσμών (αγωγών). Σε αυτό το πρόβλημα τα επίπεδα του παράγοντα είναι οι στρατηγικές του μάρκετινγκ.

Παράδειγμα 14-1 … Η μηδενική υπόθεση σε αυτή την περίπτωση είναι:

H0: μ1= μ2 =μ3

δηλαδή δεν υπάρχουν διαφορές μεταξύ των μέσων των πληθυσμών.

Η εναλλακτική υπόθεση γίνεται:

H1: τουλάχιστον δύο μέσοι διαφέρουν

Τώρα, χρειαζόμαστε κάποιο στατιστικό τεστ …

Αναγνωρίστε

Δύο είδη μεταβλητότητας δουλεύονται όταν ελέγχουμε την

ισότητα των μέσων των πληθυσμών.

Ο ορθολογισμός του στατιστικού τεστ

Ο ορθολογισμός πίσω από το στατιστικό τεστ – I

• Εάν η μηδενική υπόθεση είναι αληθές, θα αναμένουμε όλοι οι δειγματοληπτικοί μέσοι να είναι κοντά μεταξύ τους (και έτσι κοντά στον συνολικό μέσο).

• Εάν η εναλλακτική υπόθεση είναι αληθές, τουλάχιστον κάποιοι από τους μέσους θα διαφέρουν.

• Έτσι, μετράμε την μεταβλητότητα μεταξύ των δειγματοληπτικών μέσων.

• Η μεταβλητότητα μεταξύ των δειγματοληπτικών μέσων μετράτε ως το άθροισμα των τετραγώνων των αποστάσεων μεταξύ σε κάθε μέσο και τον συνολικό μέσο.

Αυτό το άθροισμα καλείται το

Άθροισμα Τετραγωνικών Αγωγών

(Sum of Squares for Treatments)

SSTΣτο παράδειγμα μας οι αγωγές αντιπροσωπεύονταιαπό τις διαφορετικές στρατηγικές διαφήμισης.

Μεταβλητότητα μεταξύ στους δειγματοληπτικούς μέσους

2k

1jjj )xx(nSST

There are k treatments

The size of sample j The mean of sample j

Άθροισμα τετραγώνων των αγωγών (SST)

Σημειώστε: Όταν οι δειγματοληπτικοί μέσοι είναι κοντά ο ένας με τον άλλο, οι αποστάσειςτους από τον συνολικό μέσο είναι μικρές, καταλήγοντας με ένα μικρό SST. Έτσι, μεγάλοSST υποδεικνύει μεγάλη διασπορά μεταξύτων δειγματοληπτικών μέσων, που υποστηρίζει H1.

Στατιστικοί Έλεγχοι …Αφού μ1= μ2 =μ3 είναι αυτό που μας ενδιαφέρει, μία στατιστική που μετράει την εγγύτητα των δειγματοληπτικών μέσων θα μας ενδιέφερε.

Μία τέτοια στατιστική υπάρχει, και καλείται διασπορά μεταξύ αγωγών. Συμβολίζεται ως SST, συντομογραφία για «Άθροισμα τετραγώνων των αγωγών », και υπολογίζεται ως: Συνολικός μέσος

Άθροισμα επί k αγωγών

Ένα μεγάλο SST υποδεικνύει μεγάλη διασπορά μεταξύ δειγματοληπτικών μέσων και υποστηρίζει την H1.

Παράδειγμα 15.1…

Αφού:

Εάν είχαμε την περίπτωση:

τότε SST = 0 και η μηδενική υπόθεση, H0:

Θα υποστηριζόταν.

Πιο γενικά, μία «μικρή τιμή» του SST υποστηρίζει την μηδενική υπόθεση. Η ερώτηση είναι, πόσο μικρή είναι «μικρή αρκετά»;

ΥΠΟΛΟΓΙΣΤΕ

Παράδειγμα 15.1…Τα ακόλουθα δειγματοληπτικά στατιστικά στοιχεία και ο συνολικός μέσος υπολογίζονται …

Εκ τούτου, η διασπορά μεταξύ αγωγών, το άθροισμα τετραγώνων των αγωγών, είναι:

Είναι SST = 57,512.23 «αρκετά μεγάλο» για να υποδείξουμε ότι οι μέσοι των πληθυσμών διαφέρουν;


• Μεγάλη μεταβλητότητα εντός (within) των δειγμάτων εξασθενεί την «ικανότητα» των δειγματοληπτικών μέσων να αντιπροσωπεύουν τους μέσους των πληθυσμών.

• Συνεπώς, ακόμα και αν οι δειγματοληπτικοί μέσοι ενδέχεται να διαφέρουν αξιοσημείωτα ο ένας με τον άλλο, SST πρέπει να συνεκτιμήθει σε σχέση ως προς την «διασπορά εντός δειγμάτων».

Ο ορθολογισμός πίσω από το στατιστικό τεστ – IΙ

• Η μεταβλητότητα εντός δειγμάτων

μετριέται προσθέτοντας όλες τις τετραγωνισμένες αποστάσεις μεταξύ των παρατηρήσεων και των δειγματοληπτικών μέσων.

Αυτό καλείται το Άθροισμα

Τετραγώνων των Σφαλμάτων

(Sum of Squares for Error)

SSEΣτο παράδειγμά μας αυτό είναι το άθροισμα όλων των τετραγωνισμένων διαφορών sum of all squared differences μεταξύ των πωλήσεων της πόλης j και του δειγματοληπτικού μέσου της πόλης j (και στις τρεις πόλεις).

Διασπορά Εντός Δειγμάτων

Στατιστικοί Έλεγχοι…SST μας δίνει την διασπορά εντός αγωγών. Ένα δεύτερο στατιστικό στοιχείο, SSE (Άθροισμα Τετραγώνων των Σφαλμάτων) μετράει την διασπορά εντός αγωγών.

SSE δίνεται από: ή:

Στην δεύτερη διατύπωση, είναι ευκολότερο να δούμε ότι παρέχει ένα μέτρο του ποσού της διασποράς που μπορούμε να αναμένουμε από την τυχαία μεταβλητή που παρατηρούμε.

Παράδειγμα 15.1…Υπολογίζουμε τις δειγματοληπτικές διακυμάνσεις ως:


3

Και από αυτές, υπολογίζουμε την διασπορά

εντός αγωγών ως:

Είναι το SST = 57,512.23 αρκετά μεγάλο

σε σχέση ως προς το SSE = 506,983.50

ώστε να απορρίψουμε την μηδενική

υπόθεση που προϋποθέτει ότι όλοι οι

μέσοι είναι ίσοι;

Χρειαζόμαστε ακόμα μερικές

ποσότητες ώστε να συσχετίσουμε το

SST και το SSE μαζί με ωφέλιμο

τρόπο…

Άθροισμα Τετραγώνων των Σφαλμάτων (SSE)

Μέσοι Τετραγώνων …Ο μέσος τετραγώνων των αγωγών (MST) δίνεται από:

είναι F-κατανεμημένη με k–1 και n–k βαθμούς ελευθερίας.

Ο μέσος τετραγώνων των σφαλμάτων (MSE) δίνεται από:

Και ο στατιστικός έλεγχος:

ν1 = 3 – 1 = 2 ; ν2 = 60 – 3 = 57

Παράδειγμα 15.1… Μπορούμε να υπολογίσουμε τους μέσους των τετραγώνων των αγωγών και τους μέσους των τετραγώνων των σφαλμάτων ως:


Δοθέντος την F-στατιστική:

Πέφτει η F = 3.23 στην περιοχή απόρριψης ή όχι;

Πως συγκρίνεται με την κριτική τιμή της F;Σημειώστε ότι απαιτούνται οι υποθέσεις:

1. Οι ελεγχόμενοι πληθυσμοί είναι κανονικά κατανεμημένοι.2. Οι διακυμάνσεις όλων των πληθυσμών είναι ίσες.

Παράδειγμα 15.1… ΥΠΟΛΟΓΙΣΤΕ

Παράδειγμα 15.1…Αφού ο στόχος του υπολογισμού της F-στατιστικής είναι να καθορίσουμε αν η τιμή του SST είναι αρκετά μεγάλο ώστε να απορρίψουμε την μηδενική υπόθεση, εάν SST είναι μεγάλο, τότε και το F θα είναι μεγάλο.Άρα η περιοχή απόρριψης είναι:

Η τιμή της Fκριτική είναι:

ΕΡΜΗΝΕΥΣΤΕ

Παράδειγμα 15.1…Αφού F = 3.23 είναι μεγαλύτερη από την

Fκριτική = 3.15, απορρίπτουμε την μηδενική υπόθεση (H0: μ1= μ2 =μ3 ) για την εύνοια της εναλλακτικής υπόθεσης (H1: τουλάχιστον δύο μέσοι των πληθυσμών διαφέρουν).

Δηλαδή είναι: υπάρχει αρκετή μαρτυρία να συμπεράνουμε ότι οι μέσοι των εβδομαδιαίων πωλήσεων διαφέρουν μεταξύ των τριών πόλεων.

Με άλλα λόγια: είμαστε αρκετά έμπιστοι ότι η διαφορετική στρατηγική που χρησιμοποιήθηκε για την διαφήμιση των προϊόντων θα προξενήσει διαφορές στις πωλήσεις.

ΕΡΜΗΝΕΥΣΤΕ

Η Δειγματοληπτική Κατανομή για το Παράδειγμα 14.1

π-τιμή = .0468

Περιοχή Απόρριψης

Περίληψη των Τεχνικών (μέχρι τώρα)…

Αγωγές

Σφάλματα

Στατιστικός Έλεγχος:

ΆθροισμαΤετραγώνων

Μέσος Τετραγώνων

ΑνάλυσηςΔιακύμανσης

ANOVA Πίνακας…Τα αποτελέσματα της ανάλυσης της διακύμανσης (analysis of variance) συνήθως παρουσιάζονται σε έναν ANOVA πίνακα…

Source of Variation

degrees offreedom

Sum of Squares

Mean Square

Treatments

k–1 SST MST=SST/(k–1)

Error n–k SSE MSE=SSE/(n–k)

Total n–1 SS(Total)

F-stat=MST/MSE

ANOVA Πίνακας για το Παράδειγμα 14.1

ANOVA

Sales

57512.233 2 28756.117 3.233 .047

506983.5 57 8894.447

564495.7 59

Between Groups

Within Groups

Total

Sum ofSquares df Mean Square F Sig.

Ανάλυση Διακύμανσης σε Σχεδιασμό Πειραμάτων

Ο σχεδιασμός πειράματος είναι ένας από τους παράγοντες που καθορίζει ποια τεχνική θα χρησιμοποιήσουμε.

Στο προηγούμενο παράδειγμα συγκρίνουμε τρεις πληθυσμούς βασισμένοι σε έναν παράγοντα – στρατηγική διαφήμισης.

Ανάλυση Διακύμανσης σε Σχεδιασμό Πειραμάτων

Ένα πολύ-παραγοντικό πείραμα είναι ένα πείραμα στο οποίο δύο ή περισσότεροι παράγοντες ορίζουν τις αγωγές.

Για παράδειγμα, εάν αντί να ποικίλουμε μόνο την στρατηγική διαφήμισης, μπορούμε να ποικίλουμε τα μέσα διαφήμισης (δηλαδή, τηλεόραση ή εφημερίδα), τότε έχουμε ανάλυση διακύμανσης δύο παραγόντων.

Ο πρώτος παράγοντας, στρατηγική διαφήμισης, έχει τρία επίπεδα (συσκευασία, ποιότητα, και τιμή) ενώ ο δεύτερος παράγοντας, μέσο διαφήμισης, έχει δύο επίπεδα (TV ή εφημερίδα).

Factor ALevel 1Level2

Level 1

Factor B

Level 3

Two - way ANOVATwo factors

Level2

One - way ANOVASingle factor

Treatment 3 (level 1)

Response

Response



Δύο παράγοντες

Ένας παράγοντας

Ανεξάρτητα Δείγματα και Τεμάχια Όπως και στα «Ζεύγη Δειγμάτων», ένα σχέδιο με τυχαιοποιημένα τεμάχια (blocks) περιορίζει την διασπορά εντός των δειγμάτων, κάνοντας ευκολότερη την ανίχνευση διαφορών μεταξύ πληθυσμών.

Ο όρος τεμάχιο αναφέρεται ως ταιριαστές ομάδες παρατηρήσεων από κάθε πληθυσμό.

Μπορούμε επίσης να εκτελέσουμε ένα πείραμα με τεμάχια χρησιμοποιώντας το ίδιο υποκείμενο για κάθε τεμάχιο σε ένα πείραμα με «επαναλαμβανόμενα μέτρα».

Ανάλυση Διακύμανσης Τυχαιοποιημένων Τεμαχίων

Ο σκοπός του σχεδιασμού ενός πειράματος με τυχαιοποιημένα τεμάχια είναι να περιορίσει την διασπορά εντός αγωγών για την πιο εύκολη ανίχνευση διαφορών μεταξύ των μέσων των αγωγών.

Σε αυτό το σχέδιο, διαμελίζουμε την συνολική απόκλιση σε τρεις πηγές απόκλισης:

SS(Total) = SST + SSB + SSE

όπου SSB, το άθροισμα τετραγώνων των τεμαχίων, μετρά την απόκλιση μεταξύ των τεμαχίων.

Αγωγή 4

Αγωγή 3

Αγωγή 2

Αγωγή 1

Τεμάχιο 1Τεμάχιο 3 Τεμάχιο 2

Τεμαχίστε όλες τις παρατηρήσεις με κάποια ομοιότητα επί των αγωγών

Τυχαιοποιημένα Τεμάχια

Τυχαιοποιημένα Τεμάχια … Επιπρόσθετα στις k αγωγές, εισάγουμε συμβολισμό για b τεμάχια στον σχεδιασμό του πειράματος …

Μέσος των παρατηρήσεων της 2ης αγωγής

Μέσος των παρατηρήσεων του 1ου τεμαχίου

ΑγωγέςΤεμάχια

Αθροίσματα Τετραγώνων: Τυχαιοποιημένα Τεμάχια …

Τετραγωνίζοντας την «απόσταση» από τον συνολικό μέσο, οδηγούμαστε στον ακόλουθους τύπους …

Στατιστικός έλεγχος για αγωγές

Στατιστικός έλεγχος για τεμάχια

ANOVA Πίνακας…Μπορούμε να συνοψίσουμε αυτή την νέα πληροφορία σε έναν πίνακα ανάλυση διακύμανσης (ANOVA) με τυχαιοποιημένα τεμάχια ως έξης …

Πηγή Απόκλιση

ςβ.ε.:

Άθροισμα Τετραγώνω

ν Μέσος Τετραγώνων F στατιστική

Αγωγές k–1 SST MST=SST/(k–1) F=MST/MSE

Τεμάχια b–1 SSB MSB=SSB/(b-1) F=MSB/MSE

Σφάλμαn–k–b+1

SSE MSE=SSE/(n–k–b+1)

Σύνολο n–1SS(Total

)

Στατιστικοί Έλεγχοι & Περιοχές Απόρριψης …

Στατιστικός Έλεγχος Περιοχή Απόρριψης

Αγωγές

Τεμάχια

Παράδειγμα 14.2…Έχουν διαφορετική αποτελεσματικότητα τέσσερα νέα φάρμακα; 25 ομάδες αντρών δημιουργήθηκαν σύμφωνα με την ηλικία και το βάρος, και τα αποτελέσματα καταγράφηκαν.

Οι υποθέσεις για να έλεγχο αυτής της περίπτωσης είναι:

H0: μ1= μ2 =μ3 = μ4

H1: Τουλάχιστον δύο μέσοι διαφέρουν

ΑΝΑΓΝΩΡΙΣΤΕ

1.002.003.004.005.006.007.008.009.0010.0011.0012.0013.0014.0015.0016.0017.0018.0019.0020.0021.0022.0023.0024.0025.00

6.607.107.509.9013.8013.9015.9014.3016.0016.3014.6018.7017.3019.6020.7018.4021.5020.4021.9022.5021.5025.2023.0023.7028.40

12.603.504.407.506.4013.5016.9011.4016.9014.8018.6021.2010.0017.0021.0027.2026.8028.0031.7011.9028.7029.5022.2019.5031.20

2.702.406.5016.208.305.4015.4017.107.7016.109.0024.309.3019.2018.7018.907.9023.808.8026.7025.2027.3017.6025.6026.10

8.709.3010.0012.6010.6015.4016.3018.9013.7019.4018.5021.1019.3021.9022.1019.4025.4026.5022.2023.5019.6030.1026.6024.5027.40

Ομάδα Φάρμακο 1 Φάρμακο 2 Φάρμακο 3 Φάρμακο 4

Παράδειγμα 14.2… Κάθε από τα τέσσερα φάρμακα μπορεί να θεωρηθεί ως αγωγή.

Κάθε ομάδα μπορεί να τεμαχιστεί, αφού κατασκευαστήκαν σύμφωνα με την ηλικία και το βάρος.

Σχεδιάζοντας το πείραμα κατά αυτό τον τρόπο, εξαλείφουμε την μεταβλητότητα της μείωσης της χοληστερίνης σε διαφορετικούς συνδυασμούς ηλικίας και βάρους. Αυτό βοηθάει να ανιχνεύσουμε διαφορές στην μείωση του μέσου χοληστερίνης αποδομένη σε διαφορετικά φάρμακα.

ΑΝΑΓΝΩΡΙΣΤΕ

Παράδειγμα 14.2… Τα δεδομένα

Ομάδα Φάρμακο 1

Φάρμακο 2

Φάρμακο

3 Φάρμακο

4Ομάδα Φάρμακο

1Φάρμακο

2

Φάρμακο

3 Φάρμακο

4

1 6.6 12.6 2.7 8.7 14 19.6 17.0 19.2 21.9

2 7.1 3.5 2.4 9.3 15 20.7 21.0 18.7 22.1

3 7.5 4.4 6.5 10.0 16 18.4 27.2 18.9 19.4

4 9.9 7.5 16.2 12.6 17 21.5 26.8 7.9 25.4

5 13.8 6.4 8.3 10.6 18 20.4 28.0 23.8 26.5

6 13.9 13.5 5.4 15.4 19 21.9 31.7 8.8 22.2

7 15.9 16.9 15.4 16.3 20 22.5 11.9 26.7 23.5

8 14.3 11.4 17.1 18.9 21 21.5 28.7 25.2 19.6

9 16.0 16.9 7.7 13.7 22 25.2 29.5 27.3 30.1

10 16.3 14.8 16.1 19.4 23 23.0 22.2 17.6 26.6

11 14.6 18.6 9.0 18.5 24 23.7 19.5 25. 6 24.5

12 18.7 21.2 24.3 21.1 25 28.4 31.2 26.1 27.4

13 17.3 10.0 9.3 19.3

Tests of Between-Subjects Effects

Dependent Variable: Score

4044.611a 27 149.800 9.440 .000

30986.561 1 30986.561 1952.665 .000

195.955 3 65.318 4.116 .009

3848.657 24 160.361 10.105 .000

1142.558 72 15.869

36173.730 100

5187.169 99

SourceCorrected Model

Intercept

drug

group

Error

Total

Corrected Total

Type III Sumof Squares df Mean Square F Sig.

R Squared = .780 (Adjusted R Squared = .697)a.

K - 1

b - 1

Τεμάχια ΑγωγέςMSB MST

Έξοδος Υπολογιστικού Προγράμματος


Dependent Variable: Score

4044.611a 27 149.800 9.440 .000

30986.561 1 30986.561 1952.665 .000

195.955 3 65.318 4.116 .009

3848.657 24 160.361 10.105 .000

1142.558 72 15.869

36173.730 100

5187.169 99


Intercept

drug

group

Error

Total

Corrected Total



Η π-τιμή καθορίζει εάν υπάρχουν διαφορές μεταξύτων τεσσάρων φαρμάκων (αγωγών) είναι .009. Έτσι απορρίπτουμε την H0 για την εύνοια της

εναλλακτικής υπόθεσης: τουλάχιστον δύο μέσοι διαφέρουν.Η π-τιμή για ομάδες = 0 υποδεικνύει ότι υπάρχουν

διαφορές μεταξύ των ομάδων των αντρών (τεμάχια) δηλαδή: ηλικία και βάρος έχουν επιρροή, αλλά ο σχεδιασμός

του πειράματος ερμηνεύει για αυτό.

Ανάλυση Διακύμανσης Δύο Παραγόντων…

Το σχέδιο του Παραδείγματος 14.1 εξετάζει έναν παράγοντα, ονομαστικά τα αποτελέσματα της στρατηγικής του μάρκετινγκ στις πωλήσεις.

Έμφαση σε συσκευασία, Έμφαση σε ποιότητα, ήΈμφαση σε τιμή.

Υποθέστε ότι εισάγουμε έναν δεύτερο παράγοντα, που εξετάζει τις επιδράσεις των επιλεγμένων μέσων στις πωλήσεις, δηλαδή:

Διαφήμιση στην τηλεόραση, ή Διαφήμιση στις εφημερίδες.

Σε ποιους παράγοντες ή στην αλληλεπίδραση των παραγόντων μπορούν να αποδοθούν οποιεσδήποτε διαφορές στους μέσους των πωλήσεων του χυμού μήλου;

Παράδειγμα 14.3 Έλεγχος των Στρατηγικών Διαφήμισης

και των Μέσων Διαφήμισης

ΚατασκευήΜέσο: Τηλεόραση & ΕφημερίδαΠόλη 1: Συσκευασία – Τηλεόραση Πόλη 2: Συσκευασία – ΕφημερίδαΠόλη 3: Ποιότητα - Τηλεόραση Πόλη 4: Ποιότητα – ΕφημερίδαΠόλη 5: Τιμή - Τηλεόραση Πόλη 6: Τιμή - Εφημερίδα

Π-1 Π-2 Π-3 Π-4 Π-5 Π-6491 464 677 689 575 803712 559 627 650 614 584558 759 590 704 706 525447 557 632 652 484 498479 528 683 576 478 812624 670 760 836 650 565546 534 690 628 583 708444 657 548 798 536 546582 557 579 497 579 616672 474 644 841 795 587

Δεδομένα πωλήσεων

Εφημερίδα 464 689 803Εφημερίδα 559 650 584Εφημερίδα 759 704 525Εφημερίδα 557 652 498Εφημερίδα 528 576 812Εφημερίδα 670 836 565Εφημερίδα 534 628 708Εφημερίδα 657 798 546Εφημερίδα 557 497 616Εφημερίδα 474 841 587

Τηλεόραση 491 677 575Τηλεόραση 712 627 614Τηλεόραση 558 590 706Τηλεόραση 447 632 484Τηλεόραση 479 683 478Τηλεόραση 624 760 650Τηλεόραση 546 690 583Τηλεόραση 444 548 536Τηλεόραση 582 579 579Τηλεόραση 672 644 795

Συσκευασία Ποιότητα Τιμή Συσκευασία Ποιότητα Τιμή

Παράγοντας A: Στρατηγική: Συσκευασία; Ποιότητα; & Τιμή

Παράγοντας B : Μέσο; Τηλεόραση & Εφημερίδα

Τα δεδομένα

Παράδειγμα 14.3 … Τα Δεδομένα

Παράγοντας «Β»Μέσο

Παράγοντας «A» • Στρατηγική

Υπάρχουν a = 3 επίπεδα του παράγοντα A, b = 2 επίπεδα του παράγοντα B, αποδίδοντας 3 x 2 = 6 επαναλήμματα, κάθε επανάλημμα έχει r = 10 παρατηρήσεις…

Πίνακας ANOVA …

Πηγή Απόκλιση

ς β.ε.:

Άθροισμα

Τετραγώνων

Μέσος Τετραγώνων F Στατιστική

Παράγοντας A

a-1 SS(A) MS(A)=SS(A)/(a-1) F=MS(A)/MSE

Παράγοντας B

b–1 SS(B) MS(B)=SS(B)/(b-1) F=MS(B)/MSE

Άλλη_λεπίδρασ

η(a-1)(b-1) SS(AB)

MS(AB) = SS(AB) [(a-1)(b-

1)]F=MS(AB)/MSE

Σφάλμα n–ab SSE MSE=SSE/(n–ab)

Σύνολο n–1SS(Total

)

Ανάλυση Διακύμανσης Δύο

Παραγόντων… Έλεγχος για τις διαφορές μεταξύ των Επιπέδων του Παράγοντα A…

H0: Οι μέσοι των επιπέδων του Παράγοντα Α είναι ίσοι (a)

H1: Τουλάχιστον δύο μέσοι διαφέρουν Στατιστικός Έλεγχος: F = MS(A) / MSE

Παράδειγμα 14.3: Υπάρχουν διαφορές στους μέσους των πωλήσεων που προκληθήκαν από διαφορετικές στρατηγικές μάρκετινγκ;

H0: μσυσκευασία = μποιότητα = μτιμή


Ανάλυση Διακύμανσης Δύο Παραγόντων…

Έλεγχος για τις διαφορές μεταξύ των Επιπέδων του Παράγοντα B…

H0: Οι μέσοι των επιπέδων του Παράγοντα B είναι ίσοι

H1: Τουλάχιστον δύο μέσοι διαφέρουν Στατιστικός Έλεγχος: F = MS(B) / MSE

Παράδειγμα 14.3: Υπάρχουν διαφορές στους μέσους των πωλήσεων που προκληθήκαν από διαφορετικά μέσα διαφήμισης;

H0: μτηλεόραση = μεφημερίδα


Ανάλυση Διακύμανσης Δύο Παραγόντων… Έλεγχος για την αλληλεπίδραση μεταξύ των Παραγόντων A και B…

H0: Οι Παράγοντες A και B δεν αλληλεπιδρούν ώστε να επηρεάσουν τους μέσους των αποκρίσεων.

H1: Οι Παράγοντες A και B αλληλεπιδρούν ώστε να επηρεάσουν τους μέσους των αποκρίσεων.Στατιστικός Έλεγχος: F = MS(AB) / MSE

Παράδειγμα 14.3: Υπάρχουν διαφορές στους μέσους των πωλήσεων που προκληθήκαν από αλληλεπιδράσεις μεταξύ στρατηγικών μάρκετινγκ και μέσων διαφήμισης;

H0: μσυσκευασία & τηλεόραση = μποιότητα & τηλεόραση =

μτιμή & εφημερίδα



Παράγοντας B - Μέσο

Παράγοντας A – Στρατηγική Μάρκετινγκ

Αλληλεπίδραση A&BΣφάλμα


Dependent Variable: Sales

113620.283a 5 22724.057 2.449 .045

22643098.0 1 22643098.02 2439.908 .000

98838.633 2 49419.317 5.325 .008

13172.017 1 13172.017 1.419 .239

1609.633 2 804.817 .087 .917

501136.700 54 9280.309

23257855.0 60

614756.983 59


Intercept

Strategy

Medium

Strategy * Medium

Error

Total

Corrected Total



Έξοδος Υπολογιστή

Παράδειγμα 14.3 … ΕΡΜΗΝΕΥΣΤΕ

Υπάρχει μαρτυρία, με 5% επίπεδο σημαντικότητας, να συμπεράνουμε ότι υπάρχουν διαφορές στις εβδομαδιαίες

πωλήσεις μεταξύ των διαφορετικών στρατηγικών μάρκετινγκ (Παράγοντας A).



113620.283a 5 22724.057 2.449 .045

22643098.0 1 22643098.02 2439.908 .000

98838.633 2 49419.317 5.325 .008

13172.017 1 13172.017 1.419 .239

1609.633 2 804.817 .087 .917

501136.700 54 9280.309

23257855.0 60

614756.983 59


Intercept

Strategy

Medium

Strategy * Medium

Error

Total

Corrected Total



Παράδειγμα 14.3 … ΕΡΜΗΝΕΥΣΤΕ

Δεν υπάρχει μαρτυρία, με 5% επίπεδο σημαντικότητας, να συμπεράνουμε ότι υπάρχουν διαφορές στις

εβδομαδιαίες πωλήσεις μεταξύ διαφήμισης με τηλεόραση και με εφημερίδα (Παράγοντας B).



113620.283a 5 22724.057 2.449 .045

22643098.0 1 22643098.02 2439.908 .000

98838.633 2 49419.317 5.325 .008

13172.017 1 13172.017 1.419 .239

1609.633 2 804.817 .087 .917

501136.700 54 9280.309

23257855.0 60

614756.983 59


Intercept

Strategy

Medium

Strategy * Medium

Error

Total

Corrected Total



Documents

Κεφάλαιο 1 4