İstatistik Sözlüğü → Bayesci ANOVA
Bayesci ANOVAanaliz
Grup ortalamalarının farklı olup olmadığını, faktörleri içeren ve içermeyen modelleri Bayes faktörüyle karşılaştırarak değerlendiren ve her etki için kanıtın gücünü veren varyans analizi.
Kavram
Klasik ANOVA her etki için bir F testi ve p-değeri verir; p-değeri anlamlı değilse 'etki yok' diyemeyiz, anlamlıysa da kanıtın ne kadar güçlü olduğunu bilemeyiz. Bayesci ANOVA, soruyu bir model karşılaştırması olarak kurar: yalnız sabit terimli 'boş' model, tek faktörlü modeller, toplamsal model ve etkileşimli model. Her model için verinin ne kadar olası olduğu hesaplanır ve modeller birbirine karşı Bayes faktörüyle karşılaştırılır.
Bir modelin Bayes faktörü (BF₁₀), verinin o model altında boş model altındakinden kaç kat daha olası olduğunu gösterir. Belirli bir etkinin kanıtı ise dahil etme Bayes faktörüyle (BF_incl) özetlenir: o etkiyi içeren tüm modellerin toplam sonsal olasılığının, içermeyenlerin toplamına oranının önsel orana göre ne kadar arttığı. Etkilerin büyüklüğüne JZS türünden bir önsel verilir ve genişliği r ölçeğiyle ayarlanır. Tasarıma sürekli kovaryatlar (Bayesci ANCOVA) ya da tekrarlı ölçümlerde her denek için rastgele bir etki eklenebilir.
Varsayımlar klasik ANOVA'dakiyle aynıdır: bağımsız gözlemler (tekrarlı ölçümde denek etkisi hesaba katılarak), hücrelerde yaklaşık normal dağılım ve benzer varyanslar. Bayes faktörleri önselin genişliğine duyarlıdır; bu nedenle farklı r değerleriyle dayanıklılık sonuçları birlikte okunmalıdır. Küçük bir p-değeri ile güçlü bir Bayesci kanıt aynı şey değildir; özellikle etkileşim gibi zayıf etkilerde iki yaklaşım farklı sonuç verebilir.
Ne zaman kullanılır?
- Üç ya da daha fazla grubun ya da iki faktörlü bir tasarımın ortalamalarını karşılaştırırken, her etki için kanıtın gücü (ve 'etki yok' lehine kanıt) isteniyorsa.
- Başlangıç ölçümü gibi sürekli bir değişkenin etkisi ayıklanacaksa kovaryatlı (Bayesci ANCOVA) biçim; aynı denekler birden çok koşulda ölçüldüyse denek sütunlu tekrarlı ölçüm biçimi kullanılır.
- Yalnız iki grup varsa Bayesci t testi yeterlidir; hücre varyansları çok farklı ya da dağılımlar belirgin biçimde çarpıksa klasik çerçevede Welch ANOVA ya da Kruskal-Wallis testi düşünülebilir.
Gündelik bir örnek
Bir tarım işletmesi buğday verimini üç gübre türü ve iki sulama düzeyiyle 36 parselde deniyor. Bayesci ANOVA; yalnız gübreli, yalnız sulamalı, ikisinin toplamsal ve etkileşimli modellerini karşılaştırır. Gübre için dahil etme Bayes faktörü 250 çıkarsa gübre türünün verimi etkilediğine dair kanıt güçlüdür; etkileşim için 0,4 çıkarsa veri, gübrenin etkisinin sulamaya göre değişmediği yönünde hafif kanıt sunar.
MerQur'da parametreler
Mod (Tek yönlü / İki yönlü), Bağımlı DV, Faktör 1, Faktör 2
Kavram: Tek yönlü tasarımda tek bir faktörün düzeyleri karşılaştırılır; iki yönlü tasarımda iki faktörün ana etkileri ve birinin etkisinin diğerinin düzeyine göre değişip değişmediği (etkileşim) incelenir. Bağımlı değişken sürekli bir ölçümdür.
Gündelik örnek: Yalnız üç gübre türü karşılaştırılıyorsa tek yönlü; gübre türü ile sulama düzeyi birlikte inceleniyorsa iki yönlü mod seçilir. Bağımlı değişken parsel başına buğday verimidir.
Ne işe yarar: Tek yönlü ya da iki yönlü (etkileşimli) ara-grup tasarımını ve değişkenleri seçer. Faktör 2 yalnız iki yönlü modda etkindir.
Sonuca etkisi: JZS model uzayını belirler: tek yönlüde {boş, A}, iki yönlüde {boş, A, B, A+B, A+B+A×B}. Klasik F tablosu (tip II) ve BIC tabanlı BF'ler de bu tasarımdan hesaplanır; BIC BF'si iç içe modellerin BIC farkıdır.
Doğrulama verisinde: ToothGrowth iki yönlü model BF'leri: supp 1.199, doz 4.984e12, supp+doz 2.875e14, tam model 7.837e14. BIC BF'si supp için 105.03. Ondalık kodlu doz (0.5, 1, 2) faktör listesinde yer alır.
JZS prior ölçeği r (sabit etkiler)
Kavram: Etki büyüklüklerine verilen önselin genişliğidir; r büyüdükçe H₁ daha büyük grup farklarını olası sayar. Bayes faktörü bu değere duyarlı olduğundan sonuç birkaç r değeriyle denetlenmelidir.
Gündelik örnek: Gübreler arasında küçük-orta farklar bekleniyorsa varsayılan r = 0,5 uygundur. Gerçek fark küçükken r çok büyütülürse BF_incl genellikle düşer; sonuç r = 0,5 ve r = 1'de aynı yöndeyse kanıt önsel seçimine dayanıklıdır.
Ne işe yarar: Sabit etkiler için g ~ IG(1/2, r²/2) önselinin ölçeği (JZS önseli; Rouder ve ark. 2012; medium 0.5).
Sonuca etkisi: Model BF'leri ve sonsal değişir; klasik tablo değişmez.
Doğrulama verisinde: PlantGrowth BF10: r = 0.25 için 3.439, 0.5 için 3.897, 0.707 için 3.659, 1 için 3.061. ToothGrowth tam model: 2.906e14; 7.837e14; 9.729e14; 9.424e14.
Kovaryatlar (Bayesci ANCOVA)
Kavram: Kovaryat, grupları karşılaştırmadan önce etkisi ayıklanan sürekli bir değişkendir. Bayesci ANCOVA'da kovaryat da model uzayında ayrı bir terimdir; kendi dahil etme Bayes faktörüyle gerçekten gerekip gerekmediği de değerlendirilir.
Gündelik örnek: Parsellerin ekim öncesi toprak azotu farklıysa, gübre karşılaştırması bu farktan etkilenir. Toprak azotu kovaryat olarak eklendiğinde gübrelerin etkisi, eşit azotlu parseller karşılaştırılıyormuş gibi değerlendirilir.
Ne işe yarar: Sürekli kovaryatlar model uzayına ayrı terimler olarak girer (Zellner-Siow önseli, rscaleCont √2/4); model uzayı tüm alt kümelerdir ve dahil etme BF'leri verilir.
Sonuca etkisi: Model BF'leri, dahil etme BF'leri ve klasik tablo (ANCOVA) değişir.
Doğrulama verisinde: anorexia (kovaryat Prewt): model BF'leri Treat 61.81, Prewt 9.001, Treat+Prewt 364.1; dahil etme BF'leri Treat 42.59, Prewt 5.941. Klasik tablo ANCOVA'dır (Treat F = 7.868, BIC BF = 24.96).
Denek sütunu (tekrarlı ölçüm)
Kavram: Aynı denek birden çok koşulda ölçüldüğünde ölçümleri birbirine bağımlıdır. Denek, her modele 'rahatsız edici' (nuisance) bir rastgele etki olarak eklenir; böylece kişiler arası genel düzey farkı koşul etkisiyle karışmaz.
Gündelik örnek: Aynı 12 tarlanın her birinde üç gübre ayrı şeritlerde denenmişse, verimli bir tarlanın tüm şeritleri yüksek çıkar. Tarla kimliği denek sütunu olarak verildiğinde model gübre farklarını her tarlanın kendi düzeyine göre değerlendirir.
Ne işe yarar: Denek, her modele rastgele "nuisance" etkisi olarak eklenir (ölçek r = 1; Rouder ve ark. 2012); BF'ler yalnız denekli modele karşı verilir.
Sonuca etkisi: BF'ler, klasik tablo (tekrarlı ölçüm tabakaları) ve sonsal değişir.
Doğrulama verisinde: puzzles: shape+ID 2.865, color+ID 2.865, shape+color+ID 11.89, tam model 4.414. Klasik tablo tekrarlı ölçüm tabakalarından gelir (shape F = 7.543, color F = 13.895).
Ek çıktılar: Post-hoc, Varsayımlar, Tanımlayıcılar, Dayanıklılık
Kavram: Sonsal özetler etkilerin büyüklüğünü ve belirsizliğini, varsayım denetimleri varyans eşitliği ve normalliği, dayanıklılık tablosu sonuçların önsel genişliğine ne kadar bağlı olduğunu gösterir. Bayesci post-hoc karşılaştırmalar, çok sayıda ikili karşılaştırma yapıldığında yanlış alarm riskini önsel olasılıkları düzelterek sınırlar.
Gündelik örnek: Gübre etkisi güçlü çıktıktan sonra 'hangi gübreler birbirinden farklı?' sorusu post-hoc karşılaştırmayla yanıtlanır: A ile C arasında BF = 15, A ile B arasında BF = 0,8 ise A ve C'nin farklı olduğu, A ile B'nin ise ayırt edilemediği söylenir.
Ne işe yarar: Sonsal parametre özetleri (Gauss-Hermite ile deterministik), varsayımlar (hücrelerde Levene, artıklarda Shapiro-Wilk), tanımlayıcılar (hücre n, ortalama, SD, %95 kredibl aralık), dayanıklılık (r = 0.5, √2/2, 1 için etki BF'leri) ve 3+ düzeyli faktörde Bayesci post-hoc (JZS t, r = √2/2, Westfall ve ark. 1997 önsel odds düzeltmesi).
Sonuca etkisi: Yalnız ek çıktı ekler.
Doğrulama verisinde: ToothGrowth Levene F = 1.940, p = 0.103; Shapiro-Wilk W = 0.985. Dayanıklılık supp: 57.68; 58.29; 53.97. PlantGrowth trt1-trt2: düzeltilmiş BF10,U = 6.390, sonsal odds = 3.754 (J = 3 için önsel odds 0.587).
Gerçek veride örnek
Veri: Crampton 1947 ToothGrowth, R datasets (doz etiketli)
Değişkenler: iki yönlü mod, bağımlı len (diş uzunluğu), Faktör 1 supp (VC / OJ), Faktör 2 dose_lbl (üç doz)
- Soru: Kobaylarda diş uzunluğu (len) C vitamini kaynağı (supp: OJ, VC), doz (0.5, 1, 2 mg) ve bunların etkileşimiyle nasıl değişir? Her etki için kanıtı Bayes faktörüyle derecelendiriyoruz.
- Frekansçı karşılık: supp F(1, 54) = 15.57, p < .001, η²p = .22; doz F(2, 54) = 92.00, p < .001, η²p = .77; etkileşim F(2, 54) = 4.11, p = .022, η²p = .13.
- Sonuç (JZS, r = 0.5): En olası model tam modeldir (supp + doz + etkileşim, P(M|D) = .728, BF₁₀ = 7.84e+14); toplamsal modelin sonsal olasılığı .267'dir. Doz için kanıt kesin (BF_incl = 3.26e+14), supp için çok güçlü (BF_incl = 143.3), etkileşim için orta düzeydedir (eşlenmiş BF = 2.73, BF_incl = 10.72).
- BIC yaklaşımı: supp BF₁₀ = 105.0, doz 1.40e+16, etkileşim 1.166; BIC yaklaşımı etkileşim için JZS'den daha temkinlidir (zayıf kanıt). Frekansçı p = .022 ile Bayesçi kanıtın gücü aynı şey değildir.
- Betimsel / post-hoc: Doz arttıkça uzunluk artar (10.61, 19.74, 26.10); tüm doz çiftleri için düzeltmesiz BF₁₀ çok büyüktür (0.5-1: 81 800; 1-2: 953.6). Etkileşim grafiğinde OJ üstünlüğü düşük dozlarda belirgindir, 2 mg dozda kaybolur.
- APA: Bayesci iki yönlü ANOVA (JZS, r = 0.5): tam model BF₁₀ = 7.84e+14; supp BF_incl = 143.3, doz BF_incl = 3.26e+14, etkileşim BF_incl = 10.72; N = 60.
İlgili kavramlar
Post hoc testler (ikili karşılaştırmalar)JZS (Cauchy) önseli ve ölçek parametresi rSabit ve rastgele etkilerÖnsel (prior) dağılımSonsal (posterior) dağılım ve sonsal kestirim kontrolüKovaryat (ortak değişken)Bayes faktörü (BF₁₀)Etkileşim etkisi
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.