Co oznacza Heterogeniczność wariancji?
Zastosowanie, warunki i dobre praktyki
Nierówna wariancja nie zawsze zmienia wartość współczynnika, ale może zniekształcić jego błąd standardowy, test i przedział. Znaczenie naruszenia zależy od tego, czy łączy się ono z nierówną liczebnością grup, obserwacjami wpływowymi albo błędną postacią modelu. Rozwiązaniem może być test Welcha, odporny estymator wariancji lub jawne modelowanie różnej zmienności, a nie automatyczna transformacja danych.
Najważniejsze zastosowanie: Rozważ test Welcha, odporne błędy standardowe lub modelowanie wariancji.
Jak poprawnie stosować i interpretować hasło „Heterogeniczność wariancji”?
Przy ocenie pojęcia „Heterogeniczność wariancji” nie wystarcza mechaniczne porównanie jednej liczby z progiem. Dla interpretacji hasła „Heterogeniczność wariancji” trzeba ustalić, którego elementu modelu dotyczy diagnostyka — surowej zmiennej, reszt, wariancji, macierzy korelacji czy struktury pomiarów — i jaki błąd może spowodować naruszenie. W odniesieniu do hasła „Heterogeniczność wariancji” wykres zwykle pokazuje kierunek oraz lokalizację problemu lepiej niż sam test formalny.
Znaczenie pojęcia „Heterogeniczność wariancji” zależy od liczebności: przy dużej próbie test może reagować na drobne odchylenia, a przy małej nie mieć mocy do wykrycia ważnego problemu. Dlatego w analizie hasła „Heterogeniczność wariancji” decyzję opiera się na rozmiarze i wzorcu naruszenia, odporności wybranego estymatora oraz analizie wrażliwości z alternatywną procedurą.
Co trzeba opisać w raporcie?
W raporcie dotyczącym „Heterogeniczność wariancji” należy podać, co dokładnie oceniono, za pomocą jakiej diagnostyki i jaki był skutek tej oceny dla dalszej analizy. Dla interpretacji hasła „Heterogeniczność wariancji” zamiast zdania „założenia spełniono” lepiej wskazać wykres lub statystykę, zauważone odchylenie oraz zastosowaną korektę, wariant odporny albo uzasadnienie pozostawienia modelu.
Zakres raportowania dla hasła „Heterogeniczność wariancji”: Opisz diagnostykę i zastosowaną korektę, np. SE HC3 lub test Welcha.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Rozrzut wyników rośnie wraz z dochodem; zwykłe SE regresji mogą być niepoprawne.
Jak ją zinterpretować: Nierówny rozrzut oznacza, że klasyczny błąd standardowy może być niewłaściwy mimo podobnych współczynników. Interpretację należy sprawdzić testem Welcha, odporną macierzą wariancji lub modelem zmiennej wariancji, zależnie od projektu.
Najczęstsza pułapka i granica interpretacji
Sam istotny test Levene’a nie określa wielkości problemu ani najlepszego rozwiązania.
Wynik dotyczący „Heterogeniczność wariancji” jest informacją diagnostyczną, a nie samodzielnym werdyktem o poprawności całego badania. Przy ocenie hasła „Heterogeniczność wariancji” usunięcie obserwacji lub zmiana metody wymaga przyczyny merytorycznej i udokumentowanej analizy wrażliwości.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikRegresja logistyczna: założenia, interpretacja i raportowanie modelu
Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.
Czytaj →PoradnikModelowanie równań strukturalnych (SEM): od teorii do raportu
SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
- Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
- Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
- Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
- Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
Cytowania BibTeX
@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}