MerQuR+Başvuru Kitabı

10. Tekrarlı Ölçümler ANOVA

Analiz kimliği: anova_rm · Menü adı: Tekrarlı Ölçümler ANOVA · Panel: gui/panels/analyses/repeated_measures_anova.py · Motor: stats/hypothesis.py, HypothesisTests.repeated_measures_anova (satır 5250–5450) ve _rm_q1_extras (satır 1959–2072); çok faktörlü yol stats/factorial_rm.py, factorial_rm_anova (satır 181–454)

10.1 Ne işe yarar

Tekrarlı ölçümler ANOVA, aynı deneklerde üç ya da daha çok koşulda (zaman, doz, uyaran) ölçülen sürekli bir değişkenin koşul ortalamalarının eşit olup olmadığını sınar. Cevapladığı soru şudur: "Ölçümlerin ortalaması koşuldan koşula değişiyor mu?" Bağımsız gruplar ANOVA'sından farkı, denekler arası farkların hata teriminden çıkarılmasıdır; aynı kişinin ölçümleri birbirine benzediği için bu ayrıştırma testi güçlendirir.

MerQur'un tek faktörlü modeli, denek etkisi rastgele olan iki yönlü toplamsal modeldir:

y_{ij}=\mu+\pi_i+\tau_j+\varepsilon_{ij},\qquad i=1,\dots,n,\quad j=1,\dots,k
  • y_{ij}: i. deneğin j. koşuldaki ölçümü (Tıp örneğinde i. hastanın j. vizitteki HbA1c değeri).
  • \mu: genel ortalama; \tau_j: j. koşulun sabit etkisi, \sum_j\tau_j=0.
  • \pi_i: i. deneğin rastgele etkisi (kişinin genel düzeyi); \pi_i\sim N(0,\sigma^2_\pi).
  • \varepsilon_{ij}: koşul × denek hatası; n denek, k koşul (Tıp örneğinde n=80, k=4).

Sıfır ve seçenek hipotezleri:

H_0:\ \mu_1=\mu_2=\dots=\mu_k\quad(\tau_1=\dots=\tau_k=0),\qquad H_1:\ \text{en az bir }\mu_j\ \text{farklı}

Ne zaman kullanılır? Aynı denek her koşulda bir kez ölçülmüşse, veri geniş biçimdeyse (her koşul ayrı bir sütun), bağımlı değişken aralık ya da oran ölçeğindeyse ve koşullar arası fark puanları kabaca normal dağılıyorsa.

Ne zaman kullanılmaz?

  • Yalnız iki koşul varsa: Eşli t Testi (Bölüm 6). MerQur iki sütunla da çalışır ve F=t^2 verir, ama Mauchly testi anlamsızdır.
  • Denekler ayrıca bir gruplar arası faktöre ayrılmışsa (ilaç/plasebo): Karma Desen (Split-Plot) ANOVA (Bölüm 11).
  • Bazı deneklerde bazı vizitler eksikse ve bu denekleri atmak istemiyorsanız: Doğrusal Karma Model. Bu modül eksik vizitli deneği tümüyle atar.
  • Ölçüm sıralı ya da çok çarpıksa: Friedman Testi.
  • Zaman aralıkları eşit değilse ve trend sorulacaksa: polinom kontrastlar eşit aralık varsayar; zamanı sayısal alan bir karma model daha uygundur.

Sık karıştırılan analizler. Koşulları ayrı gruplar sayıp tek yönlü ANOVA yapmak bağımsızlık varsayımını çiğner ve denek varyansını hataya katar; bu örnekte F 155,68 yerine F(3,\,316)=17{,}86 çıkar, çünkü hata KO'su 0,0776'dan 0,6769'a büyür. Friedman testi aynı deseni sıralarla sınar. Karma model (LMM) aynı veriye uzun biçimde, rastgele kesişimle uyarlanırsa dengeli ve tam veride bu modülün küreselliği varsayılan F'sini verir.

10.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Denekler bağımsız Bir hastanın ölçümleri ötekini etkilemez. Tasarımla sağlanır; denetlenmez.
Çok değişkenli normallik Koşul vektörü (y_{i1},\dots,y_{ik}) çok değişkenli normaldir; pratikte fark puanları normal olmalıdır. Denetlenmez; "Betimsel" kutusu her sütunun çarpıklık ve basıklığını yazar.
Küresellik (sphericity) Tüm koşul çiftlerinin fark puanlarının varyansı eşittir: \mathrm{Var}(y_{\cdot j}-y_{\cdot j'}) sabit. Varsayılan açık Mauchly testi ve GG/HF \varepsilon değerleri (hypothesis.py:5356–5367).
Ölçek Seçilen sütunlar sayısaldır. Sayıya çevrilemeyen hücre eksik sayılır (hypothesis.py:5273).

Eksik değer. Analiz liste bazındadır: seçilen sütunlar pd.to_numeric(errors="coerce") ile sayıya çevrilir ve herhangi bir koşulda eksiği olan denek tümüyle atılır (hypothesis.py:5273–5274). Künyedeki n, kalan tam denek sayısıdır. Atılan denek varsa sayısı uyarıyla yazılır ("… denek eksik hücre nedeniyle analizden çıkarıldı"); hiç ölçümü olmayan satırlar bu sayıya girmez.

Uç durumlar (kod sırasıyla):

  • İkiden az sütun seçilirse hata: "en az 2 koşul gerekir" (hypothesis.py:5271–5272).
  • Tam denek sayısı 3'ün altındaysa hata (hypothesis.py:5279–5280).
  • k=2 ise Mauchly ve \varepsilon satırları yazılmaz; küresellik iki koşulda her zaman sağlanır (hypothesis.py:5353–5355).
  • Çok değişkenli testler n>k-1 koşulunu ister; fark puanlarının kovaryans matrisi tekilse (ör. iki sütun birbirinin kopyası) testler yerine "tekil" notu yazılır (hypothesis.py:1976–1987).
  • Küresellik hesabı pingouin'e dayanır; pingouin hata verirse ek blok (Mauchly, GG/HF, post hoc, ges) yazılamaz; "küresellik kontrol edilmedi" uyarısı çıkar ve GG/HF seçilmişse \varepsilon alınamadığı için "düzeltme uygulanmadı" uyarısı eklenir.

10.3 Parametreler

Varsayılanlar repeated_measures_anova.py:39–155 (form) ve read_options (repeated_measures_anova.py:180–199) içinden okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Sütun listesi ilk sütun işaretli Her işaretli sütun bir koşuldur; sütun sırası koşul sırasıdır. Polinom kontrastlar ve ikili karşılaştırma etiketleri bu sıraya göredir.
Güven Düzeyi %95 %90, %95, %99 ya da özel. Karar, Mauchly etiketi, ikili GA'lar.
Küresellik düzeltmesi Yok Greenhouse–Geisser ya da Huynh–Feldt. Tablodaki sd'ler \varepsilon ile çarpılır, p düzeltilmiş p olur; F değişmez.
Post-hoc testi Yok Bonferroni ya da Holm düzeltmeli eşli t testleri (pingouin). Yalnız p listesi.
Ek çıktı: Mauchly açık Mauchly W, p ve iki \varepsilon. Kapatılırsa "küresellik kontrol edilmedi" uyarısı çıkar.
Ek çıktı: Genelleştirilmiş η² kapalı \eta^2_G satırı. Ek satır.
Ek çıktı: Betimsel kapalı Her sütun için n, ortalama, SS, SH, medyan, uç değerler. Ek bölüm.
Ek testler: Çok değişkenli testler kapalı Hotelling T^2 ile Pillai, Wilks, Hotelling–Lawley, Roy. Küresellik gerektirmeyen ikinci bir test.
Ek testler: Alt sınır ε kapalı \varepsilon=1/(k-1) ile en tutucu p. Ek satır.
Polinom kontrastlar Yok Doğrusal, kuadratik, kübik trend (her biri F(1,\,n-1)). Ek bölüm; eşit aralık varsayılır.
Çiftli karşılaştırma (Δ, GA) Yok Bonferroni, Šidák ya da LSD: fark, SH, t, düzeltilmiş p ve GA. Ek bölüm.
Denek-içi faktörler (WSFACTORS) boş Ör. zaman(3) koşul(2): çok faktörlü yol. Doluysa motor stats/factorial_rm.py'ye geçer (10.5.7).
Hücre → sütun sütun sırası Her hücrenin hangi sütun olduğu. Yanlış eşleme etki testlerini değiştirir.
Denekler-arası faktör(ler) / Kovaryat(lar) boş Gruplar arası faktör ve sayısal kovaryat. Doluysa çok faktörlü yol çalışır.
Basit etkiler + ikili karşılaştırmalar; Çoklu karşılaştırma düzeltmesi kapalı; Bonferroni Çok faktörlü yolun seçenekleri. Tek faktörde ikili karşılaştırmaya çevrilir (aşağıdaki kutu).

Koddaki tercih: tek faktörde "Basit etkiler" seçeneği

Tek denek-içi faktörde basit etki tanımsızdır. _tek_faktor_ikili (repeated_measures_anova.py:220–253) bu yüzden "Basit etkiler" ya da Bonferroni dışı bir "Çoklu karşılaştırma düzeltmesi" seçilirse, ayrıntılı çiftli karşılaştırmayı o düzeltmeyle üretir ve isteği ayar bloğuna "yalnız ikili karşılaştırma uygulandı" diye yazar. "Çiftli karşılaştırma (Δ, GA)" kutusu zaten ayrı bir düzeltmeyle doluysa o kutu kazanır; çelişki ayar bloğuna yazılır. Holm bu yolda GA'yı Bonferroni kritik değeriyle kurar (hypothesis.py:2051–2052).

Neden iki ayrı ikili karşılaştırma kutusu var?

"Post-hoc testi" eski (pingouin pairwise_tests) yoldur ve yalnız düzeltilmiş p yazar. "Çiftli karşılaştırma (Δ, GA)" fark, SH, t(n-1), düzeltilmiş p ve düzeltilmiş GA verir. İkisi aynı eşli t testine dayanır; Bonferroni p'leri birebir aynıdır. Raporlama için ikincisi daha eksiksizdir.

10.4 Tıp örneği

Dosya: english/datasets/Tip/08_repeated_anova_visit_HbA1c.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/08_tekrarli_anova_vizit_HbA1c.xlsx). Değişken seçimi VIDEO_SCRIPT_TR.txt #8 bölümünden alınmıştır.

Değişken Rol Tür Açıklama
visit_1_HbA1c Koşul 1 sürekli 1. vizit HbA1c (%); ortalama 7,493, SS 0,853
visit_2_HbA1c Koşul 2 sürekli 2. vizit; ortalama 7,203, SS 0,806
visit_3_HbA1c Koşul 3 sürekli 3. vizit; ortalama 6,925, SS 0,827
visit_4_HbA1c Koşul 4 sürekli 4. vizit; ortalama 6,584, SS 0,805
patient_id kullanılmaz Geniş biçimde her satır bir hastadır.

n ve eksik değer: 80 hasta, eksik değer yok; N=320 ölçüm.

Klinik soru: Tedavi süresince ardışık dört vizitte HbA1c ortalaması değişiyor mu? Değişim doğrusal mı?

Seçilen ayarlar: Arayüz varsayılanları (Mauchly açık, düzeltme yok, %95). Sayısal yürüyüş için ikinci bir çalıştırmada GG düzeltmesi, Bonferroni post hoc, \eta^2_G, betimsel, çok değişkenli testler, alt sınır ε, kübik dereceye kadar polinom ve Bonferroni çiftli karşılaştırma açılmıştır; üçüncü ve dördüncü çalıştırmada HF + Holm ve Šidák/LSD denenmiştir.

Şekil 10.1. Dört vizitte HbA1c ortalaması ve %95 GA (t_{0{,}975;\,79}\cdot SS/\sqrt n). Açık mor çizgiler tek tek hastalardır: hastalar arası düzey farkı büyük, hasta içi düşüş tutarlıdır. Tekrarlı ölçümler ANOVA'sı tam bu yapıyı kullanır: düzey farkını hatadan çıkarır.

10.5 Formüller ve hesap adımları

MerQur'un hesap sırası şudur: (1) seçilen sütunları sayıya çevir, eksikli denekleri at; (2) veriyi uzun biçime çevir ve statsmodels AnovaRM ile F, sd ve p'yi al (hypothesis.py:5282–5300); (3) \eta^2_p'yi F'den türet; (4) pingouin rm_anova(correction=True) ile Mauchly W, GG \varepsilon ve \eta^2_G'yi al, HF \varepsilon'u kendi formülüyle hesapla (hypothesis.py:5320–5340); (5) seçilen düzeltmeyi uygula; (6) çok değişkenli test, alt sınır, polinom ve çiftli karşılaştırmaları _rm_q1_extras ile ekle.

10.5.1 Kareler toplamının ayrışması

\bar y_{i\cdot}=\frac1k\sum_j y_{ij},\qquad \bar y_{\cdot j}=\frac1n\sum_i y_{ij},\qquad \bar y_{\cdot\cdot}=\frac{1}{nk}\sum_{i,j}y_{ij}
\begin{gathered}\mathrm{KT}_T=\sum_{i,j}\left(y_{ij}-\bar y_{\cdot\cdot}\right)^2,\qquad \mathrm{KT}_{\text{denek}}=k\sum_i\left(\bar y_{i\cdot}-\bar y_{\cdot\cdot}\right)^2,\qquad \mathrm{KT}_{\text{koşul}}=n\sum_j\left(\bar y_{\cdot j}-\bar y_{\cdot\cdot}\right)^2\\[4pt] \mathrm{KT}_{H}=\sum_{i,j}\left(y_{ij}-\bar y_{i\cdot}-\bar y_{\cdot j}+\bar y_{\cdot\cdot}\right)^2=\mathrm{KT}_T-\mathrm{KT}_{\text{denek}}-\mathrm{KT}_{\text{koşul}}\end{gathered}
  • \bar y_{i\cdot}: deneğin kendi ortalaması; \bar y_{\cdot j}: koşul ortalaması; \bar y_{\cdot\cdot}: büyük ortalama.
  • \mathrm{KT}_{\text{denek}}: kişiler arası düzey farkı; sd n-1. Teste girmez, hatadan çıkarılır.
  • \mathrm{KT}_{\text{koşul}}: koşul etkisi; sd k-1.
  • \mathrm{KT}_H: koşul × denek etkileşimi; deneklerin koşul profillerinin birbirine paralellikten sapması. sd (k-1)(n-1).

Neden hata terimi "koşul × denek" etkileşimi?

Her hücrede tek gözlem vardır; deneğin kendi içindeki rastgele dalgalanmayı etkileşimden ayırmak mümkün değildir. Toplamsal modelde (\pi_i ile \tau_j etkileşmez) koşul × denek ortalama karesi \sigma^2'yi kestirir. Kişiler arası fark (\mathrm{KT}_{\text{denek}}) hem paydaya hem paya girmez: Tıp örneğinde toplam varyansın %78'i (195{,}51/250{,}17) bu bileşendir; bağımsız grup ANOVA'sı onu hataya katıp testi zayıflatırdı.

10.5.2 F testi ve kısmi eta kare

F=\frac{\mathrm{KT}_{\text{koşul}}/(k-1)}{\mathrm{KT}_H/\left[(k-1)(n-1)\right]},\qquad p=P\!\left(F_{k-1,\,(k-1)(n-1)}\ge F\right),\qquad \eta^2_p=\frac{F\,\sd_1}{F\,\sd_1+\sd_2}
  • \sd_1=k-1, \sd_2=(k-1)(n-1): AnovaRM'nin "Num DF" ve "Den DF" sütunları (hypothesis.py:5297–5300).
  • \eta^2_p kod içinde F ve sd'den türetilir (hypothesis.py:5306–5307); bu, \mathrm{KT}_{\text{koşul}}/(\mathrm{KT}_{\text{koşul}}+\mathrm{KT}_H) ile cebirsel olarak aynıdır.
  • p<10^{-6} ise tabloda 4 anlamlı basamak saklanır (_p_sig, hypothesis.py:127–136).

Koddaki tercih: GG seçiliyken η²ₚ ve F

Düzeltme yalnız sd'yi ve p'yi değiştirir. \eta^2_p düzeltilmemiş sd'lerle hesaplanır (hypothesis.py:5306), tabloya ise düzeltilmiş sd'ler 2 ondalığa yuvarlanmış yazılır (hypothesis.py:5343–5344).

10.5.3 Küresellik: Mauchly testi

Küresellik, ortonormal kontrastlarla dönüştürülmüş ölçümlerin kovaryans matrisinin birim matrisle orantılı olmasıdır. \mathbf C, sütunları birbirine ve \mathbf 1'e dik, birim uzunlukta k\times(k-1) bir kontrast matrisi; \mathbf S koşulların k\times k örneklem kovaryans matrisi olsun:

\mathbf M=\mathbf C^{\top}\mathbf S\,\mathbf C,\qquad W=\frac{\det\mathbf M}{\left(\operatorname{tr}\mathbf M/p\right)^{p}},\qquad p=k-1
\chi^2=-\left[(n-1)-\frac{2p^2+p+2}{6p}\right]\ln W,\qquad \sd=\frac{p(p+1)}{2}-1
  • \mathbf S: \mathrm{ddof}=1 ile kovaryans; n-1 hata sd'sidir.
  • W\in(0{,}1]: özdeğerlerin geometrik ortalamasının aritmetik ortalamaya oranının p. kuvveti; W=1 tam küreselliktir.
  • \chi^2: Bartlett düzeltmeli birinci derece yaklaşım. p değeri \chi^2_{\sd} üst kuyruğudur.
  • W ve \chi^2, \mathbf C seçiminden bağımsızdır (her ortonormal kontrast aynı \mathbf M özdeğerlerini verir).

R ile küçük fark: ikinci derece terim

MerQur (pingouin aracılığıyla) p'yi yalnız \chi^2_{\sd}'den alır. R stats::mauchly.test ve car::Anova Anderson'un ikinci derece düzeltmesini ekler: p=1-\left[(1-\omega_2)F_{\chi^2_f}(z)+\omega_2F_{\chi^2_{f+4}}(z)\right]. Tıp örneğinde iki yol 0,890507 ile 0,890515 verir (8\times10^{-6} fark). p=2 iken (k=3) \omega_2=0 olur ve fark kaybolur.

10.5.4 Greenhouse–Geisser, Huynh–Feldt ve alt sınır ε

Küresellik bozulduğunda F oranı nominal F dağılımından sapar. Box (1954), gerçek dağılımın sd'leri \varepsilon ile çarpılmış bir F ile yaklaşık olduğunu gösterdi; 1/p\le\varepsilon\le1.

\hat\varepsilon_{GG}=\frac{\left(\operatorname{tr}\mathbf M\right)^2}{p\,\operatorname{tr}\!\left(\mathbf M^2\right)},\qquad \tilde\varepsilon_{HF}=\min\!\left\{1,\ \frac{n\,p\,\hat\varepsilon_{GG}-2}{p\left[(n-1)-p\,\hat\varepsilon_{GG}\right]}\right\},\qquad \varepsilon_{\text{alt}}=\frac1p
p_{\varepsilon}=P\!\left(F_{\varepsilon(k-1),\ \varepsilon(k-1)(n-1)}\ge F\right)
  • \hat\varepsilon_{GG}: pingouin rm_anova çıktısındaki eps (hypothesis.py:5326).
  • \tilde\varepsilon_{HF}: kod pingouin'in değerini kullanmaz, kendisi hesaplar (hypothesis.py:5331–5339) ve 1 ile sınırlar. Tek gruplu desende R car ile aynı formüldür.
  • \varepsilon_{\text{alt}}: Geisser–Greenhouse alt sınırı; "Alt sınır ε" kutusu (hypothesis.py:2001–2009).
  • F değeri üç düzeltmede de aynıdır; değişen sd ve p'dir.

Neden HF, GG'den büyük?

\hat\varepsilon_{GG}, gerçek \varepsilon 1'e yakınken onu aşağı yönlü kestirir; düzeltme gereğinden tutucu olur. Huynh ve Feldt (1976) yansızlığa yakın bir kestirici önerdi; o da gerçek \varepsilon küçükken yukarı yanlıdır ve 1'i aşabilir (Tıp örneğinde ham değer 1,0280). Yaygın kural: \hat\varepsilon_{GG}>0{,}75 ise HF, değilse GG (Keselman, Algina ve Kowalchuk 2001). MerQur kural uygulamaz; düzeltme kullanıcının seçimidir. Mauchly ihlal gösterir ve düzeltme "Yok" ise sonuç metnine ve uyarılara "düzeltmeyi açın" ipucu düşer (hypothesis.py:5365–5367, 5420–5421).

10.5.5 Çok değişkenli yaklaşım (Hotelling T²)

Küresellik varsayımı yerine, k-1 fark puanını çok değişkenli bir yanıt sayan yol (hypothesis.py:1976–2000). Kod fark puanlarını ilk koşula göre kurar, \mathbf d_i=(y_{i2}-y_{i1},\dots,y_{ik}-y_{i1}):

T^2=n\,\bar{\mathbf d}^{\top}\mathbf S_d^{-1}\bar{\mathbf d},\qquad F=\frac{n-p}{p(n-1)}\,T^2\ \sim\ F_{p,\,n-p},\qquad \Lambda=\frac{1}{1+T^2/(n-1)}
  • \bar{\mathbf d}, \mathbf S_d: fark puanlarının ortalama vektörü ve kovaryans matrisi; p=k-1.
  • Hipotez tek serbestlik dereceli olduğundan (s=\min(p,1)=1) Pillai =1-\Lambda, Wilks =\Lambda, Hotelling–Lawley = Roy =T^2/(n-1) ve dört testin F'si aynıdır; çıktıda dört satırın aynı F ve p'yi göstermesi beklenen davranıştır.
  • T^2, fark puanlarının hangi temelde kurulduğundan (ilk koşula göre, ardışık, ortonormal) bağımsızdır; bağımsız Python hesabı ardışık farkları kullanır ve aynı değeri verir.
  • Çıktıdaki "η²ₚ" sütunu 1-\Lambda'dır.

Ne zaman çok değişkenli test?

Çok değişkenli test küresellik gerektirmez ama n küçükken ve küresellik sağlanıyorken tek değişkenli testten daha az güçlüdür; n büyük ve \varepsilon küçükken daha güçlü olabilir (O'Brien ve Kaiser 1985). Bu örnekte n=80 ve küresellik sağlandığı için ikisi aynı sonuca götürür.

10.5.6 Polinom kontrastlar ve ikili karşılaştırmalar

Polinom kontrastlar (hypothesis.py:2010–2029): \mathbf c_m, eşit aralıklı 1,\dots,k noktalarında R contr.poly ile aynı ortonormal katsayılardır (_poly_coefs, hypothesis.py:1944–1952; son katsayısı pozitif olacak biçimde işaret sabitlenir). Her deneğin kontrast puanı L_i=\sum_j c_{mj}y_{ij}:

\mathrm{KT}_m=n\,\bar L^2,\qquad F_m=\frac{n\,\bar L^2}{s_L^2}\ \sim\ F_{1,\,n-1},\qquad \eta^2_{p,m}=\frac{\mathrm{KT}_m}{\mathrm{KT}_m+(n-1)s_L^2}
  • \bar L, s_L^2: kontrast puanlarının ortalaması ve varyansı. F_m, L_i üzerinde tek örneklem t testinin karesidir.
  • Her kontrast kendi hata terimini kullanır; havuzlanmış \mathrm{KT}_H kullanılmaz. Bu yüzden kontrast F'leri küresellikten etkilenmez.
  • Kontrast KT'lerinin toplamı \mathrm{KT}_{\text{koşul}}'a eşittir: 36{,}1832+0{,}0538+0{,}0230=36{,}2601.

Çiftli karşılaştırmalar (hypothesis.py:2030–2071): her çift için eşli fark d_i=y_{ij}-y_{ij'}:

\Delta=\bar d,\qquad \SH=\frac{s_d}{\sqrt n},\qquad t=\frac{\Delta}{\SH}\sim t_{n-1},\qquad \text{GA}=\Delta\pm t^{*}\,\SH
  • m=k(k-1)/2 çift. Bonferroni: p=\min(1,\ m\,p_0), t^{*}=t_{1-\alpha/(2m),\,n-1}. Šidák: p=1-(1-p_0)^m, t^{*}=t_{1-[1-(1-\alpha)^{1/m}]/2,\,n-1}. LSD: düzeltmesiz. Holm: adım adım p, GA Bonferroni t^{*} ile.
  • SH her çiftin kendi fark varyansından gelir; havuzlanmış hata kullanılmaz. Bu, R emmeans(…, model = "multivariate") tanımıdır ve küreselliğe dayanmaz.

10.5.7 Çok faktörlü yol (GLM REPEATED)

"Denek-içi faktörler" alanı, "Denekler-arası faktör(ler)" ya da "Kovaryat(lar)" doluysa execute motoru stats/factorial_rm.py'ye devreder (repeated_measures_anova.py:209–210, 263–308). Bu yol çok değişkenli doğrusal modeli \mathbf Y=\mathbf X\mathbf B+\mathbf E kurar; her denek-içi etki S için ortonormal kontrast \mathbf M_S (faktör kontrastlarının Kronecker çarpımı) ve her denekler-arası terim için \mathbf L ile:

\mathbf H=(\mathbf L\hat{\mathbf B}\mathbf M_S)^{\top}\left[\mathbf L(\mathbf X^{\top}\mathbf X)^{-1}\mathbf L^{\top}\right]^{-1}(\mathbf L\hat{\mathbf B}\mathbf M_S),\qquad \mathrm{KT}=\operatorname{tr}\mathbf H,\qquad \mathrm{KT}_H=\operatorname{tr}(\mathbf M_S^{\top}\mathbf E\,\mathbf M_S)
  • \mathbf X: denekler-arası tasarım (toplam-sıfır kodlu, tam faktöriyel; kovaryatlar merkezlenmeden eklenir). \hat{\mathbf B}=(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\mathbf Y; \mathbf E artık SSCP.
  • sd: q\cdot d ve (N-r)\cdot d; q terimin satır sayısı, d kontrast sütun sayısı, r tasarımın rankı (factorial_rm.py:305–319).
  • Mauchly, GG ve HF her etki için \mathbf E_S/(N-r) ile; HF payında N kullanılır (factorial_rm.py:284–303). \eta^2_G paydası tüm hata KT'lerinin toplamıdır (factorial_rm.py:329–330).
  • Tek faktörde (vizit(4) yazılarak) bu yol tek faktörlü sonuçla birebir aynıdır: F=155{,}678535, \eta^2_G=0{,}144941 (10.6.1'deki tablo). Ek olarak EMM'ler ve çok değişkenli testler her zaman yazılır.

Çok faktörlü yolda okunmayan seçenekler

Bu yolda "Post-hoc testi", "Çiftli karşılaştırma (Δ, GA)", "Polinom kontrastlar" kullanılmaz; Mauchly kapatılamaz. Seçilmişlerse sonuç metnine "şu tek faktörlü seçenekler kullanılmadı" uyarısı düşer (repeated_measures_anova.py:286–299). İki ya da daha çok denek-içi faktörde eşleme tablosu boş bırakılırsa hücreler işaretli sütun sırasından doldurulur ve eşleme açıkça uyarıya yazılır (repeated_measures_anova.py:302–307): ilk faktör en yavaş değişir.

10.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Aşağıdaki değerler dogrulama/anova_rm/elle_hesap.py ile, MerQur, statsmodels ve pingouin çağrılmadan numpy ile hesaplanmıştır.

Adım 1 — Ortalamalar. Büyük ortalama \bar y_{\cdot\cdot}=7{,}051406. Koşul ortalamalarının büyük ortalamadan sapmaları: 0{,}441969; 0{,}151969; -0{,}126031; -0{,}467906. Kareleri toplamı 0{,}453251.

Adım 2 — Kareler toplamları.

\begin{gathered}\mathrm{KT}_{\text{koşul}}=80\times0{,}453251=36{,}260081,\qquad \mathrm{KT}_T=250{,}170667\\[4pt] \mathrm{KT}_{\text{denek}}=4\sum_i(\bar y_{i\cdot}-7{,}051406)^2=195{,}510192\\[4pt] \mathrm{KT}_H=250{,}170667-195{,}510192-36{,}260081=18{,}400394\end{gathered}

Adım 3 — F ve etki büyüklükleri.

Kaynak KT sd KO F p
Denekler 195,510192 79 2,474813
Koşul (vizit) 36,260081 3 12,086694 155,6785 9{,}34\times10^{-56}
Hata (koşul × denek) 18,400394 237 0,077639

F=12{,}086694/0{,}077639=155{,}6785; \eta^2_p=36{,}260081/(36{,}260081+18{,}400394)=0{,}663369; \eta^2_G=36{,}260081/(36{,}260081+195{,}510192+18{,}400394)=0{,}144941. İki ölçü çok farklıdır: \eta^2_p denek varyansını paydadan çıkarır, \eta^2_G ise onu paydada tutar ve bağımsız gruplar desenindeki \eta^2 ile karşılaştırılabilir.

Adım 4 — Mauchly. Ortonormal Helmert kontrastıyla (\mathbf C'nin ilk sütunu (0{,}7071,\ -0{,}7071,\ 0,\ 0)) dönüştürülmüş kovaryans matrisinin köşegeni 0{,}068666; 0{,}085809; 0{,}078441. \operatorname{tr}\mathbf M=0{,}232916, \det\mathbf M=0{,}00045794, (\operatorname{tr}\mathbf M/3)^3=0{,}00046799:

\begin{gathered}W=\frac{0{,}00045794}{0{,}00046799}=0{,}978526\\[4pt] \chi^2=-\left(79-\frac{18+3+2}{18}\right)\ln0{,}978526=1{,}687209,\qquad \sd=5,\quad p=0{,}890507\end{gathered}

Küresellik sağlanıyor.

Adım 5 — ε ve düzeltilmiş p. \operatorname{tr}(\mathbf M^2)=0{,}018350:

\hat\varepsilon_{GG}=\frac{0{,}232916^2}{3\times0{,}018350}=0{,}985457,\qquad \tilde\varepsilon_{HF}=\frac{80\cdot3\cdot0{,}985457-2}{3\,(79-3\cdot0{,}985457)}=1{,}027961\ \to\ 1

GG sd'leri 3\times0{,}985457=2{,}956 ve 237\times0{,}985457=233{,}553; p_{GG}=5{,}51\times10^{-55}. Alt sınır: F(1,\,79), p=2{,}29\times10^{-20}. Küresellik sağlandığından üç düzeltme de sonucu değiştirmez.

Adım 6 — Çok değişkenli test. T^2=505{,}4337; F=\frac{80-3}{3\cdot79}\times505{,}4337=164{,}2126, F(3,\,77), p=2{,}28\times10^{-33}; Wilks \Lambda=1/(1+505{,}4337/79)=0{,}135174, Pillai 0{,}864826, Hotelling–Lawley 6{,}397895.

Adım 7 — Polinom kontrastlar. Doğrusal katsayılar (-0{,}6708,\ -0{,}2236,\ 0{,}2236,\ 0{,}6708):

Kontrast KT F(1,\,79) p \eta^2_p
Doğrusal 36,1832 503,0886 5{,}27\times10^{-36} 0,8643
Kuadratik 0,0538 0,6772 0,4130 0,0085
Kübik 0,0230 0,2825 0,5966 0,0036

Koşul KT'sinin %99,8'i doğrusal bileşendedir: HbA1c vizitler boyunca düzenli biçimde düşer.

Adım 8 — Çiftli karşılaştırmalar (Bonferroni, m=6, t^{*}=t_{0{,}99583;\,79}=2{,}706317). Örnek olarak vizit 1 − vizit 2: \Delta=0{,}290000, \SH=0{,}041432, t(79)=6{,}9993, p_0=7{,}49\times10^{-10}, Bonferroni p=6p_0=4{,}50\times10^{-9}, GA 0{,}29\pm2{,}706317\times0{,}041432=[0{,}177871;\ 0{,}402129]. Altı farkın hepsi p<0{,}001 düzeyinde anlamlıdır; en küçük fark 2 − 3 (\Delta=0{,}278), en büyük 1 − 4 (\Delta=0{,}910).

10.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonuç nesnesinden (anova_df ve additional alanları; çok faktörlü yol için FactorialRMResult.effects, sphericity, pairwise, emms) alınmıştır. stats.hypothesis ad alanındaki round() yalnız bellekte etkisizleştirilmiştir (dogrulama/anova_rm/merqur_calistir.py). İkili p'ler p_yuvarla(p, 8) ile saklandığından 8 ondalıkta ya da 10^{-8} altında 4 anlamlı basamakta karşılaştırılmıştır. R: 4.5.3, car::Anova(lm(Y ~ 1), idata, idesign = ~vizit) ve summary(…, multivariate = TRUE) (tablo, Mauchly, GG, HF, çok değişkenli SSCP), afex::aov_ez (\eta^2_G, \eta^2_p), contr.poly + t.test (polinom), t.test(paired = TRUE) + p.adjust, emmeans(model = "multivariate") + pairs() (SH ve GA). Mauchly p için R tarafında birinci derece \chi^2 elle kurulmuştur (10.5.3, uyarı kutusu).

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
KT (koşul) 36,260081 36,260081 36,260081 5,7e−14 ✓
Hata KT (koşul × denek) 18,400394 18,400394 18,400394 9,6e−14 ✓
F (sd 3, 237) 155,678535 155,678535 155,678535 7,7e−13 ✓
p (küresellik varsayılır) 9,3368·10−56 9,3368·10−56 9,3368·10−56 3,5e−68 ✓ (4 anlamlı basamak)
\eta^2_p 0,663369 0,663369 0,663369 2,1e−15 ✓
Genelleştirilmiş \eta^2_G 0,144941 0,144941 0,144941 5,3e−16 ✓
Mauchly W 0,978526 0,978526 0,978526 1,6e−15 ✓
Mauchly \chi^2 1,687209 1,687209 1,687209 8,6e−14 ✓
Mauchly p (birinci derece \chi^2) 0,890507 0,890507 0,890507 1,1e−14 ✓
\hat\varepsilon_{GG} 0,985457 0,985457 0,985457 5,6e−16 ✓
\tilde\varepsilon_{HF} (kırpılmadan) — 1,027961 1,027961 3,8e−15 ✓
\tilde\varepsilon_{HF} (1'e kırpılmış) 1 1 1 0,0e+00 ✓
p (GG) 5,5063·10−55 5,5063·10−55 5,5063·10−55 2,0e−67 ✓ (4 anlamlı basamak)
GG pay sd 2,956370 2,956370 2,956370 3,1e−15 ✓
p (HF) 9,3368·10−56 9,3368·10−56 9,3368·10−56 3,5e−68 ✓
p (alt sınır) 2,2949·10−20 2,2949·10−20 2,2949·10−20 4,2e−33 ✓
Pillai izi 0,864826 0,864826 0,864826 1,4e−15 ✓
Wilks \Lambda 0,135174 0,135174 0,135174 4,4e−16 ✓
Hotelling–Lawley izi 6,397895 6,397895 6,397895 1,4e−14 ✓
Çok değişkenli F (3, 77) 164,212646 164,212646 164,212646 8,0e−13 ✓
Çok değişkenli p 2,2805·10−33 2,2805·10−33 2,2805·10−33 1,6e−46 ✓
Polinom F (doğrusal) 503,088632 503,088632 503,088632 1,0e−12 ✓
Polinom p (doğrusal) 5,2697·10−36 5,2697·10−36 5,2697·10−36 4,7e−49 ✓
Polinom F (kuadratik) 0,677211 0,677211 0,677211 8,2e−14 ✓
Polinom p (kuadratik) 0,413026 0,413026 0,413026 3,0e−14 ✓
Polinom F (kübik) 0,282481 0,282481 0,282481 2,3e−14 ✓
Polinom p (kübik) 0,596571 0,596571 0,596571 1,4e−14 ✓

İkili karşılaştırmalar ve EMM standart hataları:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Fark (1–2) 0,290000 0,290000 0,290000 5,6e−17 ✓
SH (1–2) 0,041432 0,041432 0,041432 1,2e−16 ✓
Bonferroni p (1–2) 4,4960·10−9 4,4964·10−9 4,4964·10−9 3,3e−23 ✓ (4 anlamlı basamak)
Holm p (1–2) 1,4990·10−9 1,4988·10−9 1,4988·10−9 7,9e−24 ✓ (4 anlamlı basamak)
Bonferroni GA alt (1–2) 0,177871 0,177871 0,177871 1,6e−15 ✓
Šidák GA üst (1–2) 0,401809 0,401809 0,401809 8,9e−16 ✓
LSD GA alt (1–2) 0,207531 0,207531 0,207531 2,1e−15 ✓
Fark (1–3) 0,568000 0,568000 0,568000 3,3e−16 ✓
SH (1–3) 0,044844 0,044844 0,044844 1,5e−16 ✓
Bonferroni p (1–3) 6,2110·10−20 6,2106·10−20 6,2106·10−20 4,7e−34 ✓ (4 anlamlı basamak)
Holm p (1–3) 4,1400·10−20 4,1404·10−20 4,1404·10−20 3,1e−34 ✓ (4 anlamlı basamak)
Bonferroni GA alt (1–3) 0,446637 0,446637 0,446637 3,9e−15 ✓
Šidák GA üst (1–3) 0,689016 0,689016 0,689016 3,2e−15 ✓
LSD GA alt (1–3) 0,478739 0,478739 0,478739 4,8e−15 ✓
Fark (1–4) 0,909875 0,909875 0,909875 4,4e−16 ✓
SH (1–4) 0,042082 0,042082 0,042082 9,0e−17 ✓
Bonferroni p (1–4) 3,8460·10−34 3,8464·10−34 3,8464·10−34 3,8e−49 ✓ (4 anlamlı basamak)
Holm p (1–4) 3,8460·10−34 3,8464·10−34 3,8464·10−34 3,8e−49 ✓ (4 anlamlı basamak)
Bonferroni GA alt (1–4) 0,795987 0,795987 0,795987 5,6e−16 ✓
Šidák GA üst (1–4) 1,023438 1,023438 1,023438 4,0e−15 ✓
LSD GA alt (1–4) 0,826112 0,826112 0,826112 7,8e−16 ✓
Fark (2–3) 0,278000 0,278000 0,278000 4,4e−16 ✓
SH (2–3) 0,045444 0,045444 0,045444 1,2e−16 ✓
Bonferroni p (2–3) 2,1000·10−7 2,0578·10−7 2,0578·10−7 1,6e−22 ✓ (8 ondalık)
Holm p (2–3) 3,0000·10−8 3,4296·10−8 3,4296·10−8 6,6e−24 ✓ (8 ondalık)
Bonferroni GA alt (2–3) 0,155015 0,155015 0,155015 2,2e−15 ✓
Šidák GA üst (2–3) 0,400634 0,400634 0,400634 1,7e−15 ✓
LSD GA alt (2–3) 0,187546 0,187546 0,187546 2,1e−15 ✓
Fark (2–4) 0,619875 0,619875 0,619875 5,6e−16 ✓
SH (2–4) 0,043474 0,043474 0,043474 6,9e−17 ✓
Bonferroni p (2–4) 8,9570·10−23 8,9570·10−23 8,9570·10−23 1,3e−36 ✓ (4 anlamlı basamak)
Holm p (2–4) 7,4640·10−23 7,4642·10−23 7,4642·10−23 1,1e−36 ✓ (4 anlamlı basamak)
Bonferroni GA alt (2–4) 0,502220 0,502220 0,502220 7,8e−16 ✓
Šidák GA üst (2–4) 0,737194 0,737194 0,737194 1,0e−15 ✓
LSD GA alt (2–4) 0,533342 0,533342 0,533342 5,6e−16 ✓
Fark (3–4) 0,341875 0,341875 0,341875 5,6e−17 ✓
SH (3–4) 0,046819 0,046819 0,046819 1,1e−16 ✓
Bonferroni p (3–4) 1,1800·10−9 1,1799·10−9 1,1799·10−9 3,3e−24 ✓ (4 anlamlı basamak)
Holm p (3–4) 5,8990·10−10 5,8995·10−10 5,8995·10−10 2,7e−24 ✓ (4 anlamlı basamak)
Bonferroni GA alt (3–4) 0,215167 0,215167 0,215167 3,0e−15 ✓
Šidák GA üst (3–4) 0,468221 0,468221 0,468221 3,8e−15 ✓
LSD GA alt (3–4) 0,248683 0,248683 0,248683 3,4e−15 ✓
EMM SH (vizit 1) 0,095327 0,095327 0,095327 1,4e−17 ✓
EMM SH (vizit 2) 0,090108 0,090108 0,090108 1,4e−17 ✓
EMM SH (vizit 3) 0,092445 0,092445 0,092445 2,8e−17 ✓
EMM SH (vizit 4) 0,089966 0,089966 0,089966 0,0e+00 ✓

Sonuç: 73 büyüklüğün tamamı ölçütü karşılar. Tek tanım farkı Mauchly p'sindedir; R car ikinci derece terimi eklediği için 8\times10^{-6} ayrılır, birinci derece değer üç kaynakta 10^{-14} düzeyinde aynıdır.

10.7 Çıktıyı okuma

MerQur'un sonuç metni (GG, \eta^2_G, çok değişkenli, polinom ve Bonferroni çiftli karşılaştırma açık; kısaltılmış):

Tekrarlı Ölçümler ANOVA: F(2.96,233.55) = 155.6785, p < .001 ***, η²ₚ = 0.6634.  n = 80.  H₀ REDDEDİLİR.
Greenhouse-Geisser düzeltmesi (ε = 0.985) uygulandı.

── VARSAYIM KONTROLLERİ ──
Mauchly küresellik: W = 0.9785, p = 0.8905 → karşılanıyor
ε: Greenhouse-Geisser = 0.9855 · Huynh-Feldt = 1.0  →  p (GG) = 5.506e-55 · p (HF) = 9.337e-56

── ETKİ BÜYÜKLÜKLERİ ──
    η²ₚ = 0.6634   Genelleştirilmiş η² (ges) = 0.1449

── Çok değişkenli testler ──
    Pillai            = 0.8648, F(3, 77) = 164.2126, p < .001, η²ₚ = 0.8648
    Wilks             = 0.1352, F(3, 77) = 164.2126, p < .001, η²ₚ = 0.8648
    ...

── Küresellik düzeltmeli testler ──
    Alt sınır düzeltmesi: ε = 0.3333, F(1.00, 79.00), p < .001

── Denek-içi polinom kontrastlar ──
    Doğrusal: SS = 36.1832, F(1, 79) = 503.0886, p < .001 ***, η²ₚ = 0.8643
    Kuadratik: SS = 0.0538, F(1, 79) = 0.6772, p = 0.413026 ns, η²ₚ = 0.0085

── Çiftli karşılaştırmalar (Bonferroni, %95 GA) ──
    visit_1_HbA1c − visit_2_HbA1c: Δ = +0.2900, SE = 0.0414, t(79) = 6.999, p < .001 *, [0.1779, 0.4021]
    ...
Satır/Öğe Ne yazar Nasıl yorumlanır
İlk satır F(\sd_1,\sd_2), p, \eta^2_p, n, karar Düzeltme seçiliyse sd'ler ondalıklıdır; raporlanacak p budur.
Düzeltme notu Uygulanan \varepsilon (3 ondalık) Yalnız GG ya da HF seçiliyken çıkar (hypothesis.py:5341–5352).
Mauchly satırı W, p, "karşılanıyor" / "İHLAL" p<\alpha ise küresellik reddedilir; düzeltme seçilmemişse ipucu satırı ve uyarı eklenir.
ε satırı GG ve HF \varepsilon, her ikisinin p'si Seçim yapmadan iki düzeltmeyi de görmenizi sağlar. HF 1'e kırpılmış yazılır.
Çok değişkenli testler Dört test, aynı F(p,\,n-p) Tek faktörde dört satır özdeştir. Çok küçük p "p < .001" biçiminde yazılır.
Alt sınır satırı \varepsilon=1/(k-1) ile sd ve p "Küresellik düzeltmeli testler" başlığı altında, GG ve HF satırlarıyla birlikte yazılır.
Polinom kontrastlar Her derece için KT, F(1,\,n-1), p, \eta^2_p Katsayı sırası satırı, kontrastın hangi sütun sırasına uygulandığını gösterir.
Çiftli karşılaştırmalar Δ, SH, t(n-1), düzeltilmiş p, düzeltilmiş GA GA 0'ı içermiyorsa fark düzeltilmiş düzeyde anlamlıdır.
Uyarılar "Küresellik kontrol edilmedi" ya da "düzeltmeyi açın" Koşullar: hypothesis.py:5411–5421.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

80 tip 2 diyabet hastasında HbA1c dört ardışık vizitte ölçüldü ve tekrarlı ölçümler ANOVA'sı ile karşılaştırıldı. Mauchly testi küresellik varsayımını destekledi, W = 0{,}98, \chi^2(5) = 1{,}69, p = 0{,}89 (\hat\varepsilon_{GG} = 0{,}99). HbA1c vizitler arasında anlamlı biçimde değişti, F(3,\ 237) = 155{,}68, p < 0{,}001, \eta^2_p = 0{,}66, \eta^2_G = 0{,}14. Değişimin neredeyse tamamı doğrusal bileşendeydi, F(1,\ 79) = 503{,}09, p < 0{,}001; ortalama HbA1c 1. vizitte 7,49'dan 4. vizitte 6,58'e düştü. Bonferroni düzeltmeli tüm ikili farklar anlamlıydı (p < 0{,}001).

10.8 Uzman soruları

S1. Mauchly testine dayanarak düzeltme seçmek doğru mu?

Tartışmalıdır. Mauchly testi küçük n'de güçsüz, büyük n'de küçük sapmalara aşırı duyarlıdır ve normallikten sapmaya hassastır (Keselman, Algina ve Kowalchuk 2001). Birçok yazar Mauchly'ye bakmadan her zaman GG (ya da \hat\varepsilon_{GG}>0{,}75 ise HF) uygulanmasını önerir. MerQur düzeltmeyi otomatik uygulamaz; ama "ε" satırında her iki düzeltilmiş p'yi her durumda gösterir, böylece kullanıcı Mauchly sonucundan bağımsız karar verebilir.

S2. HF ε neden 1'e kırpılıyor, R neden 1,028 gösteriyor?

\tilde\varepsilon_{HF} bir oran kestiricisidir ve 1'i aşabilir; \varepsilon>1 sd'yi büyütüp testi liberalleştirir. MerQur 1 ile sınırlar (hypothesis.py:5337). R car::Anova özetinde ham değeri (1,027961) yazar, ama p'yi hesaplarken "HF eps > 1 treated as 1" uyarısıyla 1 alır. Düzeltilmiş p iki programda aynıdır.

S3. Tek faktörlü yolda HF formülü neden pingouin'den alınmıyor?

pingouin rm_anova yalnız GG \varepsilon'u verir. Kod HF'yi kendisi hesaplar (hypothesis.py:5331–5339): (n p\hat\varepsilon-2)/[p(n-1-p\hat\varepsilon)]. Bu, Huynh ve Feldt'in (1976) özgün formülüdür. Grup içermeyen tasarımda Lecoutre (1991) düzeltmesiyle aynıdır; fark yalnız gruplar arası faktör olduğunda ortaya çıkar (Bölüm 11, S3).

S4. Çok değişkenli testin dört satırı neden aynı?

Tek denek-içi faktörde hipotez matrisinin rankı 1'dir; tek özdeğer \lambda=T^2/(n-1) vardır. Pillai \lambda/(1+\lambda), Wilks 1/(1+\lambda), Hotelling–Lawley ve Roy \lambda olur ve dördü de aynı kesin F(p,\,n-p)'ye dönüşür. Satırların farklılaşması için denekler arası bir faktör gerekir (karma desen, Bölüm 11).

S5. Polinom kontrast F'si neden ana F'den farklı hata kullanıyor?

MerQur her kontrastın kendi hata terimini kullanır: kontrast puanlarının varyansı, sd n-1 (hypothesis.py:2017–2021). Bu, R'de kontrast puanına uygulanan tek örneklem t testi ile aynıdır. Havuzlanmış \mathrm{KO}_H ile kurulan kontrast (sd 237) küresellik bozulduğunda yanlı olur; ayrı hata bu yüzden tercih edilir.

S6. Bir deneğin bir vizitte eksiği varsa ne olur?

O denek tümüyle atılır (hypothesis.py:5273–5274), sonuç metninde atılan denek sayısı yazmaz. Bu, R car::Anova(mlm) ile aynıdır. Eksiklik rastgele değilse (ör. kötüleşen hastalar kontrolü bıraktıysa) yanlılık doğar; bu durumda tüm gözlemleri kullanan Doğrusal Karma Model daha uygundur.

S7. Post-hoc kutusu ile "Çiftli karşılaştırma" kutusu farklı p verir mi?

Bonferroni'de vermez: ikisi de eşli t testinin p'sini 6 ile çarpar. Fark gösterimdedir. Post-hoc kutusu pingouin pairwise_tests ile yalnız "p<0.0001" biçiminde yazar; çiftli karşılaştırma kutusu Δ, SH, t ve düzeltilmiş GA da verir. Holm'da p'ler aynıdır; GA yalnız ikinci kutuda vardır ve Bonferroni kritik değeriyle kurulur (hypothesis.py:2051–2052), çünkü Holm'un eşzamanlı GA karşılığı tanımlı değildir.

S8. İkili karşılaştırmalarda neden havuzlanmış hata yok?

R emmeans çok değişkenli modelde her çiftin kendi fark varyansını kullanır. Havuzlanmış \mathrm{KO}_H ile kurulan SH, ancak küresellik tam sağlanırsa geçerlidir. MerQur'un tanımı küreselliğe dayanmaz; sd n-1=79'dur.

S9. k=2 iken ne olur?

AnovaRM yine çalışır: F(1,\,n-1)=t^2 (eşli t). Mauchly ve \varepsilon satırları yazılmaz, uyarı da düşmez (hypothesis.py:5353–5355). Polinom kontrast k\ge3 ister ve sessizce atlanır (hypothesis.py:2011).

10.9 Sık hatalar ve tuzaklar

  • Uzun biçimli veriyi bu modüle vermek. Modül geniş biçim bekler: her koşul ayrı sütun. Uzun biçimli veride (bir sütun "vizit", bir sütun "değer") karma desen modülü ya da Doğrusal Karma Model kullanılır.
  • Sütun sırasını gözden kaçırmak. Polinom kontrast katsayıları işaretli sütunların sırasına uygulanır. Sütunlar listede zaman sırasında değilse "doğrusal trend" anlamını yitirir; çıktıdaki "Katsayı sırası" satırını denetleyin.
  • Eşit olmayan zaman aralıklarında polinom kontrast. Katsayılar 1{,}2,\dots,k eşit aralığını varsayar. Vizitler 0., 1., 3. ve 12. ayda ise doğrusal kontrast gerçek doğrusal trendi sınamaz.
  • Eksik vizitli deneklerin sessizce atılması. n'yi veri setindeki hasta sayısıyla karşılaştırın; künyedeki n yalnız tam deneklerdir.
  • \eta^2_p'yi bağımsız grup çalışmalarıyla karşılaştırmak. Bu örnekte \eta^2_p=0{,}66 ama \eta^2_G=0{,}14. Meta-analizde ve desenler arası karşılaştırmada \eta^2_G raporlayın (Bakeman 2005).
  • Mauchly'yi kapatıp düzeltme beklemek. Mauchly kapatılırsa GG/HF satırları da yazılmaz; seçilmiş düzeltme yine de uygulanır, ama hangi \varepsilon'un kullanıldığı yalnız düzeltme notunda görünür.
  • Çok faktörlü alana tek faktör yazıp eski seçenekleri beklemek. vizit(4) yazılırsa motor çok faktörlü yola geçer; post hoc, polinom ve çiftli karşılaştırma kutuları okunmaz ve uyarı verilir.
  • İki yönlü yapıyı tek faktöre sıkıştırmak. "Sol göz-sağ göz × 3 zaman" gibi iki denek-içi faktörlü veri 6 sütun olarak tek faktörlü yola verilirse etkileşim sınanmaz; WSFACTORS alanını kullanın.

10.10 Kaynaklar

  • Bakeman, R. (2005). Recommended effect size statistics for repeated measures designs. Behavior Research Methods, 37(3), 379–384. https://doi.org/10.3758/BF03192707
  • Box, G. E. P. (1954). Some theorems on quadratic forms applied in the study of analysis of variance problems, I. Effect of inequality of variance in the one-way classification. The Annals of Mathematical Statistics, 25(2), 290–302. https://doi.org/10.1214/aoms/1177728786
  • Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
  • Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70.
  • Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.3102/10769986001001069
  • Keselman, H. J., Algina, J., & Kowalchuk, R. K. (2001). The analysis of repeated measures designs: A review. British Journal of Mathematical and Statistical Psychology, 54(1), 1–20. https://doi.org/10.1348/000711001159357
  • Lecoutre, B. (1991). A correction for the ε̃ approximate test in repeated measures designs with two or more independent groups. Journal of Educational Statistics, 16(4), 371–372. https://doi.org/10.3102/10769986016004371
  • Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731915
  • Maxwell, S. E., & Delaney, H. D. (2004). Designing experiments and analyzing data: A model comparison perspective (2. bs.). Lawrence Erlbaum.
  • O'Brien, R. G., & Kaiser, M. K. (1985). MANOVA method for analyzing repeated measures designs: An extensive primer. Psychological Bulletin, 97(2), 316–333. https://doi.org/10.1037/0033-2909.97.2.316
  • Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434