Двухфакторный дисперсионный анализ с повторными измерениями в R — Часть II

Двухфакторный дисперсионный анализ с повторными измерениями (также известный как двухфакторный дисперсионный анализ с повторными измерениями, двухфакторный или двухфакторный дисперсионный анализ с повторными измерениями, или внутригрупповой дисперсионный анализ) сравнивает средние различия между группами, которые были разделены на два внутригрупповых фактора (также известных как независимые переменные). Двухфакторный дисперсионный анализ с повторными измерениями часто используется в исследованиях, где зависимая переменная измерялась в двух или более временных точках, или когда испытуемые проходили через два или более условий (т.е. двумя факторами являются «время» и «условия»). Основная цель двухфакторного дисперсионного анализа с повторными измерениями — понять, существует ли взаимодействие между этими двумя факторами на зависимую переменную. Предположение № 1: Ваша зависимая переменная должна измеряться на непрерывном уровне (т.е. это интервальные или относительные переменные). Предположение № 2: Ваши два внутригрупповых фактора (т.е. две независимые переменные) должны состоять как минимум из двух категориальных «связанных групп» или «парных групп». «Связанные группы» означают, что одни и те же испытуемые присутствуют в обеих группах. Причина, по которой одни и те же испытуемые могут быть в каждой группе, заключается в том, что каждый испытуемый был измерен дважды по одной и той же зависимой переменной. Предположение № 3: В любой комбинации связанных групп не должно быть значимых выбросов. Выбросы — это просто отдельные точки данных, которые не следуют обычному шаблону. Проблема с выбросами заключается в том, что они могут негативно влиять на двухфакторный дисперсионный анализ с повторными измерениями, искажая различия между связанными группами (увеличивая или уменьшая значения зависимой переменной), что снижает точность результатов. К счастью, при использовании программного обеспечения R для проведения двухфакторного дисперсионного анализа с повторными измерениями вы можете легко обнаружить возможные выбросы. Предположение №4: Распределение зависимой переменной в каждой комбинации связанных групп должно быть приблизительно нормальным. Я говорю о двухфакторном дисперсионном анализе с повторными измерениями, требующем лишь приблизительно нормальных данных, потому что он достаточно «устойчив» к нарушениям нормальности, то есть это предположение может быть немного нарушено, и результаты все равно будут достоверными. Проверить нормальность можно с помощью теста Шапиро-Уилка (используя остатки) и QQplot, который легко проверить с помощью R. Предположение №5: Известное как сферичность, дисперсии разностей между всеми комбинациями связанных групп должны быть равны. К счастью, R позволяет легко проверить, соответствуют ли ваши данные этому предположению или нет.