Hiệu ứng cố định ANOVA (hoặc tương đương hồi quy tuyến tính của nó) cung cấp một nhóm phương thức mạnh mẽ để phân tích các dữ liệu này. Để minh họa, đây là một bộ dữ liệu phù hợp với các lô trung bình HC mỗi tối (một ô trên mỗi màu):
| Color
Day | B G R | Total
-------+---------------------------------+----------
1 | 117 176 91 | 384
2 | 208 193 156 | 557
3 | 287 218 257 | 762
4 | 256 267 271 | 794
5 | 169 143 163 | 475
6 | 166 163 163 | 492
7 | 237 214 279 | 730
8 | 588 455 457 | 1,500
9 | 443 428 397 | 1,268
10 | 464 408 441 | 1,313
11 | 470 473 464 | 1,407
12 | 171 185 196 | 552
-------+---------------------------------+----------
Total | 3,576 3,323 3,335 | 10,234
ANOVA count
chống lại day
và color
sản xuất bảng này:
Number of obs = 36 R-squared = 0.9656
Root MSE = 31.301 Adj R-squared = 0.9454
Source | Partial SS df MS F Prob > F
-----------+----------------------------------------------------
Model | 605936.611 13 46610.5085 47.57 0.0000
|
day | 602541.222 11 54776.4747 55.91 0.0000
colorcode | 3395.38889 2 1697.69444 1.73 0.2001
|
Residual | 21554.6111 22 979.755051
-----------+----------------------------------------------------
Total | 627491.222 35 17928.3206
Các model
giá trị p của 0.0000 chương trình phù hợp là rất quan trọng. Các day
giá trị p của 0.0000 cũng là rất quan trọng: bạn có thể phát hiện ngày để thay đổi mỗi ngày. Tuy nhiên, color
giá trị p (học kỳ) là 0,001 không nên được coi là đáng kể: bạn không thể phát hiện sự khác biệt có hệ thống giữa ba học kỳ, ngay cả sau khi kiểm soát sự thay đổi của ngày này sang ngày khác.
Bài kiểm tra HSD ("khác biệt có ý nghĩa trung thực") của Tukey xác định các thay đổi quan trọng sau đây (trong số các thay đổi khác) trong phương tiện hàng ngày (bất kể học kỳ) ở mức 0,05:
1 increases to 2, 3
3 and 4 decrease to 5
5, 6, and 7 increase to 8,9,10,11
8, 9, 10, and 11 decrease to 12.
Điều này xác nhận những gì mắt có thể nhìn thấy trong các biểu đồ.
Bởi vì các biểu đồ nhảy xung quanh khá nhiều, không có cách nào để phát hiện các mối tương quan hàng ngày (tương quan nối tiếp), đó là toàn bộ phân tích chuỗi thời gian. Nói cách khác, đừng bận tâm với các kỹ thuật chuỗi thời gian: không có đủ dữ liệu ở đây để họ cung cấp bất kỳ thông tin chi tiết nào lớn hơn.
Mọi người nên luôn tự hỏi bao nhiêu để tin vào kết quả của bất kỳ phân tích thống kê. Các chẩn đoán khác nhau cho tính không đồng nhất (như xét nghiệm Breusch-Pagan ) không cho thấy bất cứ điều gì không mong muốn. Phần dư trông không bình thường lắm - chúng tụ lại thành một số nhóm - vì vậy tất cả các giá trị p phải được lấy bằng một hạt muối. Tuy nhiên, chúng dường như cung cấp hướng dẫn hợp lý và giúp định lượng ý nghĩa của dữ liệu chúng ta có thể nhận được từ việc nhìn vào biểu đồ.
Bạn có thể thực hiện phân tích song song trên cực tiểu hàng ngày hoặc cực đại hàng ngày. Đảm bảo bắt đầu với một âm mưu tương tự như một hướng dẫn và để kiểm tra đầu ra thống kê.