Интерпретация значений p, полученных с помощью критерия Левена или Бартлетта для однородности дисперсий

11

Я провел тест Левена и Бартлетта по группам данных из одного из моих экспериментов, чтобы подтвердить, что я не нарушаю допущение ANOVA об однородности дисперсий. Я хотел бы уточнить у вас, ребята, что я не делаю неправильных предположений, если вы не возражаете: D

Значение p, возвращаемое обоими этими тестами, является вероятностью того, что мои данные, если они будут сгенерированы снова с использованием равных отклонений, будут одинаковыми. Таким образом, используя эти тесты, чтобы сказать, что я не нарушаю допущение ANOVA об однородности дисперсий, мне понадобится только значение p, которое выше выбранного альфа-уровня (скажем, 0,05)?

Например, с данными, которые я в настоящее время использую, тест Бартлетта возвращает p = 0,57, в то время как тест Левена (хорошо они называют это тестом типа Брауна-Форсайта Левена) дает ap = 0,95. Это означает, что независимо от того, какой тест я использую, я могу сказать, что данные соответствуют предположению. Я делаю какую-либо ошибку?

Спасибо.

anova heteroscedasticity levenes-test

— Левек
источник

8

Значение p вашего теста значимости можно интерпретировать как вероятность того, что значение соответствующей статистики будет наблюдаться как более или более экстремальное, чем значение, которое вы фактически наблюдали, учитывая, что нулевая гипотеза верна. (обратите внимание, что значение p не указывает на то, какие значения статистики вероятнее всего под альтернативной гипотезой )

п - v a L U е знак равно п р (T > T_{о б s} | {ЧАС}_{0})

$p-value = Pr(T > T_{obs} | H_{0})$

T

$T$

T_{o b s}

$T_{obs}$

T

$T$

H_{0}

$H_{0}$

T

$T$

Вы никогда не можете быть уверены, что ваши предположения верны, только если данные, которые вы наблюдали, соответствуют вашим предположениям . Значение р дает грубую меру этой последовательности.

Значение p не дает вероятности того, что будут наблюдаться одни и те же данные, а только вероятность того, что значение статистики будет равно или более экстремально к наблюдаемому значению, учитывая нулевую гипотезу.

— probabilityislogic
источник

10^{- 30}

$10^{-30}$

T

$T$

... продолжение ... Может также случиться, что у вас есть очень "хорошие" данные (скажем, p-значение 0,5). НО альтернативная гипотеза может быть лучше (или более согласованной) с этими данными (скажем, p-значение 0,99999, когда нулевая и альтернативная гипотеза переключаются).

— вероятностная

5

Вы находитесь на «правой стороне р-значения». Я бы просто немного скорректировал ваше утверждение, чтобы сказать, что, если группы имели равные отклонения в своих популяциях, этот результат p = 0,95 указывает, что случайная выборка с использованием этих n-размеров приведет к отклонениям так далеко друг от друга или дальше в 95% случаев , Другими словами, строго говоря, правильно сформулировать результат с точки зрения того, что он говорит о нулевом гипотезе, но не с точки зрения того, что он говорит о будущем.

— rolando2
источник

Я помню интерпретацию значения p как (в данном случае): если предположить, что нулевые гипотезы (т. Е. Однородность отклонений) верны, тогда вероятность получения этого или более экстремального результата (т. Е. Противоположного нулю) ) составляет 57% или 95%. Но как бы то ни было, вывод такой же и правильный.

— Хенрик

3

Хотя предыдущие комментарии верны на 100%, графики, созданные для объектов модели в R, дают графическое резюме этого вопроса. Лично я всегда нахожу графики гораздо более полезными, чем значение p, так как можно впоследствии преобразовать данные и сразу определить изменения на графике.

— richiemorrisroe
источник

2

Хорошо сказано, другое дело, что p-значение ничего не говорит вам о том, что делать, если нулевая гипотеза «отклонена», но график данных дает вам ключ к решению проблемы

— вероятностное