Assumption #1:Your dependent variab

Assumption #1:Your dependent variable should be measured at the continuous level (i.e., they are interval or ratio variables). Examples of continuous variables include revision time (measured in hours), intelligence (measured using IQ score), exam performance (measured from 0 to 100), weight (measured in kg), and so forth. You can learn more about interval and ratio variables in our article: Types of Variable.
Assumption #2: Your independent variable should consist of at least two categorical, "related groups" or "matched pairs". "Related groups" indicates that the same subjects are present in both groups. The reason that it is possible to have the same subjects in each group is because each subject has been measured on two occasions on the same dependent variable. For example, you might have measured 10 individuals' performance in a spelling test (the dependent variable) before and after they underwent a new form of computerized teaching method to improve spelling. You would like to know if the computer training improved their spelling performance. The first related group consists of the subjects at the beginning (prior to) the computerized spelling training and the second related group consists of the same subjects, but now at the end of the computerized training. The repeated measures ANOVA can also be used to compare different subjects, but this does not happen very often. Nonetheless, to learn more about the different study designs you use with a repeated measures ANOVA, see our enhanced repeated measures ANOVA guide.
Assumption #3: There should be no significant outliers in the related groups. Outliers are simply single data points within your data that do not follow the usual pattern (e.g., in a study of 100 students' IQ scores, where the mean score was 108 with only a small variation between students, one student had a score of 156, which is very unusual, and may even put her in the top 1% of IQ scores globally). The problem with outliers is that they can have a negative effect on the repeated measures ANOVA, distorting the differences between the related groups (whether increasing or decreasing the scores on the dependent variable), and can reduce the accuracy of your results. Fortunately, when using SPSS Statistics to run a repeated measures ANOVA on your data, you can easily detect possible outliers. In our enhanced repeated measures ANOVA guide, we: (a) show you how to detect outliers using SPSS Statistics; and (b) discuss some of the options you have in order to deal with outliers.
Assumption #4: The distribution of the dependent variable in the two or more related groups should be approximately normally distributed. We talk about the repeated measures ANOVA only requiring approximately normal data because it is quite "robust" to violations of normality, meaning that the assumption can be a little violated and still provide valid results. You can test for normality using the Shapiro-Wilk test of normality, which is easily tested for using SPSS Statistics. In addition to showing you how to do this in our enhanced repeated measures ANOVA guide, we also explain what you can do if your data fails this assumption (i.e., if it fails it more than a little bit).
Assumption #5: Known as sphericity, the variances of the differences between all combinations of related groups must be equal. Unfortunately, repeated measures ANOVAs are particularly susceptible to violating the assumption of sphericity, which causes the test to become too liberal (i.e., leads to an increase in the Type I error rate; that is, the likelihood of detecting a statistically significant result when there isn't one). Fortunately, SPSS Statistics makes it easy to test whether your data has met or failed this assumption. Therefore, in our enhanced repeated measures ANOVA guide, we (a) show you how to perform Mauchly's test of sphericity in SPSS Statistics, (b) explain some of the things you will need to consider when interpreting your data, and (c) present possible ways to continue with your analysis if your data fails to meet this assumption.

ผลลัพธ์ (ไทย) 1:

อัสสัมชัญ #1: ควรจะวัดตัวแปรของคุณขึ้นอยู่กับระดับอย่างต่อเนื่อง (เช่น พวกเขาเป็นตัวแปรช่วงหรืออัตราส่วน) ตัวอย่างของตัวแปรต่อเนื่องรวมถึงปรับปรุงเวลา (นับเป็นชั่วโมง), ปัญญา (วัดโดยใช้คะแนน IQ), สอบประสิทธิภาพ (วัดจาก 0 ไป 100), น้ำหนัก (วัดเป็นกิโลกรัม), และอื่น ๆ คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับตัวแปรช่วงและอัตราส่วนในบทความของเรา: ชนิดของตัวแปรได้อัสสัมชัญ #2: ตัวแปรอิสระของคุณควรประกอบด้วยอย่างน้อยสองแตก "กลุ่มสัมพันธ์" หรือ "การจับคู่คู่" "กลุ่มที่เกี่ยวข้อง" บ่งชี้ว่า อยู่ในกลุ่มทั้งสองหัวข้อเดียวกัน เหตุผลที่จำเป็นต้องมีหัวข้อเดียวกันในแต่ละกลุ่มได้เนื่องจากแต่ละหัวข้อมีการวัดครั้งที่สองในตัวเดียวกันขึ้นอยู่กับการแปร ตัวอย่าง คุณอาจได้วัดประสิทธิภาพของ 10 บุคคล ในการทดสอบการสะกดคำ (ตัวแปรขึ้นอยู่กับ) ก่อน และหลัง จากพวกเขาแต่ละรูปแบบใหม่ของวิธีการสอนคอมพิวเตอร์เพื่อปรับปรุงการสะกด คุณอยากรู้ว่าถ้าอบรมคอมพิวเตอร์การปรับปรุงประสิทธิภาพของการสะกดคำ ครั้งแรกที่เกี่ยวข้องประกอบด้วยหัวข้อที่เริ่มต้น (ก่อน) ฝึกการสะกดคอมพิวเตอร์ และกลุ่มที่สองที่เกี่ยวข้องประกอบด้วยหัวเรื่องเดียวกัน แต่ตอนนี้ เมื่อสิ้นสุดการฝึกอบรมคอมพิวเตอร์ ยังสามารถใช้วัดซ้ำการวิเคราะห์ความแปรปรวนเพื่อเปรียบเทียบเรื่องต่าง ๆ แต่นี้ไม่เกิดขึ้นบ่อย กระนั้น ข้อมูลเพิ่มเติมเกี่ยวกับการออกแบบการศึกษาต่าง ๆ ต้อง มีการวัดซ้ำการวิเคราะห์ความแปรปรวน ดูซ้ำของเราเพิ่มมาตรการคู่มือการวิเคราะห์ความแปรปรวนอัสสัมชัญ #3: ควรมี outliers ไม่สำคัญในกลุ่มที่เกี่ยวข้อง Outliers เป็นจุดเดียวเพียงข้อมูลภายในข้อมูลของคุณที่ไม่ได้ทำตามรูปแบบปกติ (เช่น ในการศึกษาของนักเรียน 100 คะแนน IQ ที่คะแนนเฉลี่ยได้ 108 กับเฉพาะการดัดแปลงขนาดเล็กระหว่างนักเรียน นักเรียนหนึ่งได้คะแนน 156 ที่มีมากผิดปกติ และแม้กระทั่งอาจใส่เธอในสูงสุด 1% ของคะแนน IQ ทั่วโลก) ปัญหาของ outliers คือ ว่า พวกเขาสามารถมีผลกระทบในการวัดซ้ำการวิเคราะห์ความแปรปรวน ความแตกต่างระหว่างที่เกี่ยวข้อง distorting กลุ่ม (ไม่ว่าจะเป็นการเพิ่ม หรือลดคะแนนในตัวแปรขึ้นอยู่กับ), และสามารถลดความแม่นยำของผลลัพธ์ของการ โชคดี เมื่อใช้โปรแกรมสถิติทำการวัดซ้ำการวิเคราะห์ความแปรปรวนของข้อมูล คุณสามารถได้อย่างง่ายดายตรวจ outliers ได้ แนะมาตรการพิเศษซ้ำการวิเคราะห์ความแปรปรวน เรา: (a) แสดงวิธีการตรวจสอบโดยใช้โปรแกรมสถิติ outliers และ (b) หารือบางตัวเลือกที่คุณมีเพื่อจัดการกับ outliersอัสสัมชัญ #4: การกระจายของตัวแปรขึ้นอยู่กับในกลุ่มที่เกี่ยวข้องอย่าง น้อยสองควรประมาณปกติกระจาย เราพูดคุยเกี่ยวกับวัดซ้ำการวิเคราะห์ความแปรปรวนต้องข้อมูลตามปกติประมาณเท่านั้น เนื่องจากค่อนข้าง "แข็งแรง" การละเมิด normality หมายความ ว่า สมมติฐานสามารถเป็น violated เล็กน้อย และยังให้ผลลัพธ์ที่ถูกต้อง คุณสามารถทดสอบ normality ที่ใช้ทดสอบ Shapiro Wilk ของ normality ซึ่งได้ทดสอบการใช้โปรแกรมสถิติ นอกจากการแสดงวิธีการทำเช่นนี้ในการแนะนำมาตรการพิเศษซ้ำการวิเคราะห์ความแปรปรวน เรายังอธิบายสิ่งที่คุณทำถ้าข้อมูลของคุณล้มเหลวนี้ (เช่น ถ้ามันล้มเหลวมันกว่าหน่อย)อัสสัมชัญ #5: เรียกว่า sphericity ผลต่างของความแตกต่างระหว่างกลุ่มที่เกี่ยวข้องรวมทั้งหมดต้องเท่ากัน อับ ซ้ำวัด ANOVAs อยู่โดยเฉพาะอย่างยิ่งไวต่อการฝ่าฝืนสมมติฐานของ sphericity ซึ่งทำให้การทดสอบเป็นเสรีมากเกินไป (เช่น นำไปสู่การเพิ่มขึ้นของชนิดฉันข้อผิดพลาดอัตรา คือ ความเป็นไปได้ของการตรวจสอบผลอย่างมีนัยสำคัญทางสถิติเมื่อไม่มี) โชคดี โปรแกรมสถิติอย่างสะดวกเมื่อต้องการทดสอบว่าข้อมูลของคุณได้พบ หรือล้มเหลวนี้ ดังนั้น แนะมาตรการพิเศษซ้ำการวิเคราะห์ความแปรปรวน เรา (ก) แสดงวิธีการดำเนินการทดสอบของ Mauchly sphericity ในโปรแกรมสถิติ (b) อธิบายสิ่งที่คุณจะต้องพิจารณาตีความของข้อมูล และ (c) แสดงเป็นวิธีการวิเคราะห์ของคุณถ้าข้อมูลของคุณไม่ตรงตามนี้

ผลลัพธ์ (ไทย) 2:

อัสสัมชั # 1: ตัวแปรตามของคุณควรจะวัดที่ระดับอย่างต่อเนื่อง (เช่นพวกเขามีช่วงเวลาหรือตัวแปรอัตราส่วน) ตัวอย่างของตัวแปรอย่างต่อเนื่องรวมถึงเวลาการแก้ไข (วัดชั่วโมง), ปัญญา (วัดโดยใช้คะแนน IQ) ประสิทธิภาพของการสอบ (วัดจาก 0 ถึง 100) น้ำหนัก (วัดกก.) และอื่น ๆ คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับตัวแปรช่วงเวลาและอัตราการใช้ในบทความของเรา: ประเภทของตัวแปร.
อัสสัมชั # 2: ตัวแปรอิสระของคุณควรประกอบด้วยอย่างน้อยสองเด็ดขาด "กลุ่มที่เกี่ยวข้อง" หรือ "การจับคู่คู่" "กลุ่มที่เกี่ยวข้อง" แสดงว่าเรื่องเดียวกันที่มีอยู่ในทั้งสองกลุ่ม ด้วยเหตุผลที่ว่ามันเป็นไปได้ที่จะมีเรื่องเดียวกันในแต่ละกลุ่มเป็นเพราะแต่ละเรื่องได้รับการวัดครั้งที่สองในตัวแปรเดียวกัน ตัวอย่างเช่นคุณอาจจะมีการวัดประสิทธิภาพการทำงานของ 10 บุคคลในการทดสอบการสะกดคำ (ตัวแปรตาม) ก่อนและหลังจากที่พวกเขาได้รับการรูปแบบใหม่ของวิธีการสอนคอมพิวเตอร์ในการปรับปรุงการสะกดคำ คุณต้องการที่จะทราบว่าการฝึกอบรมคอมพิวเตอร์ปรับปรุงประสิทธิภาพการสะกดคำของพวกเขา กลุ่มที่เกี่ยวข้องแรกประกอบด้วยอาสาสมัครที่จุดเริ่มต้น (ก่อนที่จะ) การฝึกอบรมการสะกดคอมพิวเตอร์และกลุ่มที่เกี่ยวข้องที่สองประกอบด้วยเรื่องเดียวกัน แต่ตอนนี้ในตอนท้ายของการฝึกอบรมคอมพิวเตอร์ วัดซ้ำ ANOVA นอกจากนี้ยังสามารถใช้ในการเปรียบเทียบวิชาที่แตกต่าง แต่นี้ไม่ได้เกิดขึ้นบ่อยมาก อย่างไรก็ตามเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการศึกษาที่แตกต่างกันการออกแบบที่คุณใช้กับวัดซ้ำ ANOVA ให้ดูมาตรการของเราซ้ำเพิ่มคู่มือ ANOVA.
อัสสัมชั # 3: ไม่ควรมีค่าผิดปกติอย่างมีนัยสำคัญในกลุ่มที่เกี่ยวข้อง ค่าผิดปกติเป็นเพียงจุดข้อมูลเดียวที่อยู่ในข้อมูลของคุณที่ไม่เป็นไปตามรูปแบบปกติ (เช่นในการศึกษาของนักเรียน 100 คะแนนไอคิวที่คะแนนเฉลี่ย 108 มีเพียงการเปลี่ยนแปลงเล็ก ๆ ระหว่างนักเรียนนักศึกษาคนหนึ่งมีคะแนน 156 ซึ่งเป็นเรื่องแปลกมากและยังอาจทำให้เธอในด้านบน 1% ของคะแนนไอคิวทั่วโลก) ปัญหาเกี่ยวกับค่าผิดปกติคือการที่พวกเขาสามารถมีผลกระทบเชิงลบเกี่ยวกับมาตรการซ้ำ ANOVA, บิดเบือนความแตกต่างระหว่างกลุ่มที่เกี่ยวข้อง (ไม่ว่าจะเพิ่มขึ้นหรือลดลงคะแนนในตัวแปรตาม) และสามารถลดความถูกต้องของผลการค้นหาของคุณ โชคดีที่เมื่อใช้สถิติ SPSS เพื่อให้ทำงานได้วัดซ้ำ ANOVA กับข้อมูลของคุณคุณสามารถตรวจสอบค่าผิดปกติที่เป็นไปได้ ในที่เพิ่มขึ้นซ้ำแล้วซ้ำอีกมาตรการคู่มือวิเคราะห์ความแปรปรวนของเราเรา (ก) แสดงวิธีการตรวจสอบค่าผิดปกติโดยใช้สถิติ SPSS; และ (ข) หารือเกี่ยวกับบางส่วนของตัวเลือกที่คุณมีเพื่อที่จะจัดการกับค่าผิดปกติ.
อัสสัมชั # 4: การกระจายของตัวแปรตามในสองคนหรือมากกว่ากลุ่มที่เกี่ยวข้องควรจะกระจายประมาณตามปกติ เราพูดคุยเกี่ยวกับการวัดซ้ำ ANOVA เท่านั้นที่ต้องใช้ข้อมูลตามปกติประมาณเพราะมันเป็นเรื่องที่ค่อนข้าง "แข็งแกร่ง" การละเมิดปกติหมายความว่าสมมติฐานสามารถเล็กน้อยละเมิดและยังคงให้ผลที่ถูกต้อง คุณสามารถทดสอบการแจกแจงแบบปกติโดยใช้การทดสอบ Shapiro-Wilk ของปกติซึ่งได้รับการทดสอบได้อย่างง่ายดายสำหรับการใช้โปรแกรม SPSS สถิติ นอกจากการแสดงวิธีการที่จะทำเช่นนี้ในมาตรการของเราซ้ำเพิ่มคู่มือ ANOVA เรายังอธิบายสิ่งที่คุณจะทำอย่างไรหากข้อมูลของคุณล้มเหลวสมมติฐานนี้ (กล่าวคือถ้ามันล้มเหลวมันมากขึ้นกว่านิด ๆ หน่อย ๆ ).
อัสสัมชั # 5: รู้จักกันในนาม ทรงกลม, ความแปรปรวนของความแตกต่างระหว่างการรวมกันของกลุ่มที่เกี่ยวข้องจะต้องเท่ากัน แต่น่าเสียดายที่วัดซ้ำ ANOVAs โดยเฉพาะอย่างยิ่งความเสี่ยงที่จะละเมิดข้อสันนิษฐานของทรงกลมซึ่งเป็นสาเหตุของการทดสอบที่จะกลายเป็นเสรีนิยมเกินไป (เช่นนำไปสู่การเพิ่มขึ้นของประเภทอัตราความผิดพลาดนั่นคือความน่าจะเป็นของการตรวจสอบผลอย่างมีนัยสำคัญทางสถิติเมื่อมี ไม่ได้เป็นหนึ่ง) โชคดีที่สถิติ SPSS ทำให้ง่ายต่อการทดสอบว่าข้อมูลของคุณได้พบหรือล้มเหลวสมมติฐานนี้ ดังนั้นในมาตรการของเราซ้ำเพิ่มคู่มือ ANOVA เรา (ก) แสดงวิธีการดำเนินการทดสอบ Mauchly ของทรงกลมใน SPSS สถิติ (ข) อธิบายบางสิ่งที่คุณจะต้องพิจารณาเมื่อการตีความข้อมูลของคุณและ (ค) ในปัจจุบัน วิธีการที่เป็นไปได้ที่จะดำเนินการกับการวิเคราะห์ของคุณหากข้อมูลของคุณล้มเหลวในการตอบสนองสมมติฐานนี้

ผลลัพธ์ (ไทย) 3:

สมมติฐาน# 1 : ตัวแปรตามของคุณควรจะวัดระดับแบบต่อเนื่อง ( เช่น พวกเขามีช่วงเวลาหรืออัตราส่วนตัวแปร ) ตัวอย่างของตัวแปรอย่างต่อเนื่องรวมถึงเวลาการแก้ไข ( วัดในชั่วโมง ) , ปัญญา ( วัดโดยใช้คะแนน IQ ) , ประสิทธิภาพการสอบ ( วัดจาก 0 ถึง 100 ) น้ำหนัก ( วัดกก ) , และอื่น ๆ คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับช่วงเวลาและตัวแปรอัตราส่วนในบทความของเรา :ประเภทของตัวแปร #
สมมติฐาน 2 : ตัวแปรอิสระของคุณควรประกอบด้วยอย่างน้อยสองเด็ดขาด " กลุ่ม " หรือ " การจับคู่ " . กลุ่ม " บ่งชี้ว่า วิชาเดียวกันที่มีอยู่ในทั้งสองกลุ่ม เหตุผลที่เป็นไปได้มีเรื่องเดียวกันในแต่ละกลุ่ม เพราะแต่ละเรื่องมีวัด 2 ครั้ง ในตัวแปรเดียวกัน ตัวอย่างเช่นคุณอาจจะวัดประสิทธิภาพของบุคคลใน 10 การทดสอบการสะกด ( ตัวแปรตาม ) ก่อนและหลังได้รับการสอนโดยใช้รูปแบบใหม่เพื่อปรับปรุงการสะกด คุณต้องการที่จะรู้ว่าการปรับปรุงประสิทธิภาพการฝึกอบรมคอมพิวเตอร์ สะกดครั้งแรกที่เกี่ยวข้องกับกลุ่มประกอบด้วยกลุ่มเริ่มแรก ( ก่อน ) การสะกดและการฝึกอบรม และกลุ่มที่เกี่ยวข้อง ประกอบด้วย วิชาเดียวกัน แต่ตอนนี้ที่ส่วนท้ายของการฝึกอบรมคอมพิวเตอร์ ซ้ำยังสามารถใช้มาตรการ ANOVA เพื่อเปรียบเทียบวิชาที่แตกต่างกัน แต่นี้ไม่ได้เกิดขึ้นบ่อยมาก อย่างไรก็ตามเรียนรู้เพิ่มเติมเกี่ยวกับการออกแบบที่แตกต่างกันเพื่อใช้กับการวัดซ้ำความเห็นของเรา เพิ่ม ย้ำมาตรการ ANOVA คู่มือ .
( # 3 : ควรมีไม่พบผิดปกติในกลุ่ม . ค่าผิดปกติเพียงข้อมูลเดียวจุดภายในข้อมูลที่ไม่เป็นไปตามแบบแผนปกติ เช่น ในการศึกษาคะแนนไอคิว 100 นักเรียน