Słownik metodologiczny · Regresja

Homogeniczność wariancji

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Homogeniczność wariancji

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Homogeniczność wariancji?

Homogeniczność wariancji oznacza porównywalność wariancji wyniku w zdefiniowanych grupach lub warunkach.
Co odróżnia to pojęcie? Homogeniczność wariancji odnosi się przede wszystkim do porównywalności wariancji wyniku w wyodrębnionych grupach, na przykład w klasycznej ANOVA. Jest więc pytaniem o kilka rozkładów grupowych. Przy nierównych wariancjach i liczebnościach można użyć testu Welcha albo odpornych błędów standardowych. Nie należy utożsamiać jej automatycznie ze stałą wariancją reszt w całym zakresie predyktora ciągłego.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Oceniaj porównywalność wariancji między grupami w kontekście ich liczebności i stosuj wariant Welcha przy istotnym naruszeniu.

To założenie odnosi się do porównywanych grup, dlatego jego znaczenie zależy także od ich liczebności. Przy nierównych wariancjach i nierównych n klasyczny test może być szczególnie wrażliwy; wówczas porównaj wynik z testem Welcha lub zastosuj model z odporną oceną niepewności.

Jak poprawnie stosować i interpretować hasło „Homogeniczność wariancji”?

Przy ocenie pojęcia „Homogeniczność wariancji” nie wystarcza mechaniczne porównanie jednej liczby z progiem. Dla interpretacji hasła „Homogeniczność 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 „Homogeniczność wariancji” wykres zwykle pokazuje kierunek oraz lokalizację problemu lepiej niż sam test formalny.

Znaczenie pojęcia „Homogeniczność 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 „Homogeniczność 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 „Homogeniczność wariancji” należy podać, co dokładnie oceniono, za pomocą jakiej diagnostyki i jaki był skutek tej oceny dla dalszej analizy. Dla interpretacji hasła „Homogeniczność 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 „Homogeniczność wariancji”: Podaj sposób diagnostyki i ewentualne odporne SE/test Welcha.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Wariancja wyniku wyniosła 64 w grupie A i 148 w grupie B przy nierównych liczebnościach, dlatego klasyczną ANOVA porównano z wariantem Welcha.

Jak ją zinterpretować: Porównywalne wariancje wspierają klasyczny model grupowy, lecz nieistotny test nie dowodzi idealnej równości. Znaczenie ewentualnego naruszenia zależy również od liczebności grup i odporności wybranej procedury.

Najczęstsza pułapka i granica interpretacji

Formalny test wariancji przy dużym N może reagować na drobne różnice bez praktycznych konsekwencji.

Wynik dotyczący „Homogeniczność wariancji” jest informacją diagnostyczną, a nie samodzielnym werdyktem o poprawności całego badania. Przy ocenie hasła „Homogeniczność 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

Reszty regresjiHeterogeniczność wariancjiData miningDummy codingEkonometriaHomoskedastyczność

Poradniki, w których użyjesz tego pojęcia

Poradnik

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 →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie 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 studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. 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
  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
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  5. 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
  6. 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}}
R