ANOVA is a classical test statistic

ANOVA is a classical test statistics for testing the equality of groups. However this test is very sensitive to nonnormality as
well as variance heterogeneity. To overcome the problem of nonnormality, robust method such as Ft test statistic can be used but the
test statistic can only perform well when the assumption of homoscedasticity is met. This is due to the biasness of mean as a central
tendency measure. This study proposed a robust procedure known as modified Ft method which combines the Ft statistics with one of
the popular robust scale estimators, MADn, Tn and LMSn. A simulation study was conducted to compare the robustness (Type I error)
of the method with respect to its counterpart from the parametric and non parametric aspects, ANOVA and KruskalWallis respectively.
This innovation enhances the ability of modified Ft statistic to provide good control of Type I error rates. The findings were in favor of
the modified Ft method especially for skewed data. The performance of the method was demonstrated on real education data

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ความแปรปรวนสถิติทดสอบคลาสสิกสำหรับทดสอบความเท่าเทียมกันของกลุ่มได้ อย่างไรก็ตาม จะมีความสำคัญมากกับ nonnormality เป็นเป็น heterogeneity ต่างดี เพื่อเอาชนะปัญหาของ nonnormality สามารถใช้วิธีที่มีประสิทธิภาพเช่นสถิติทดสอบฟุตแต่สถิติทดสอบเฉพาะสามารถดีเมื่อเป็นไปตามสมมติฐานของ homoscedasticity นี่คือเนื่องจาก biasness ของค่าเฉลี่ยเป็นศูนย์กลางแนวโน้มที่วัด การศึกษานี้นำเสนอขั้นตอนประสิทธิภาพเป็นฟุตวิธีแก้ไขซึ่งรวมสถิติฟุตกับที่แข็งแกร่งขนาดนิยม estimators, MADn, Tn และ LMSn แบบจำลองการวิจัยเพื่อเปรียบเทียบการเสถียรภาพ (พิมพ์ฉันข้อผิดพลาด)ของวิธีการกับสำเนาของพาราเมตริก และไม่ใช่พาราเมตริกลักษณะ การวิเคราะห์ความแปรปรวนและ KruskalWallis ตามลำดับนวัตกรรมนี้ช่วยเพิ่มความสามารถในการแก้ไขสถิติฟุตให้ควบคุมดีพิมพ์ราคาผิดพลาดฉัน ผลการวิจัยไม่เห็นด้วยวิธีฟุตที่ปรับเปลี่ยนโดยเฉพาะอย่างยิ่งสำหรับข้อมูลบิด ประสิทธิภาพของวิธีการที่แสดงข้อมูลการศึกษาที่แท้จริง

ผลลัพธ์ (ไทย) 2:

วิเคราะห์ความแปรปรวนเป็นสถิติการทดสอบคลาสสิกสำหรับการทดสอบความเท่าเทียมกันของกลุ่ม อย่างไรก็ตามการทดสอบนี้มีความสำคัญมากที่จะ nonnormality
เป็นเดียวกับเซลล์สืบพันธุ์แปรปรวน ที่จะเอาชนะปัญหาของ nonnormality วิธีการที่แข็งแกร่งเช่น Ft สถิติทดสอบสามารถนำมาใช้
แต่สถิติทดสอบเท่านั้นที่สามารถทำงานได้ดีเมื่อสมมติฐานhomoscedasticity จะพบ นี่คือสาเหตุที่ Biasness
ค่าเฉลี่ยเป็นกลางวัดแนวโน้ม การศึกษานี้เสนอเป็นขั้นตอนที่มีประสิทธิภาพเป็นที่รู้จักกันเป็นวิธีการปรับเปลี่ยน Ft ซึ่งรวมสถิติ Ft
กับหนึ่งในประมาณระดับที่แข็งแกร่งที่นิยมMADn เทนเนสซีและ LMSn การศึกษาแบบจำลองได้ดำเนินการเพื่อเปรียบเทียบความทนทาน (ความผิดพลาด)
ประเภทของวิธีการที่เกี่ยวกับคู่ของมันมาจากด้านพาราคณิตศาสตร์และบุหรี่, วิเคราะห์และ KruskalWallis ตามลำดับ.
นวัตกรรมนี้จะช่วยเพิ่มความสามารถในการปรับเปลี่ยนสถิติ Ft เพื่อให้การควบคุมที่ดีของประเภท ฉันอัตราความผิดพลาด ผลการวิจัยพบในความโปรดปรานของวิธีการ Ft แก้ไขโดยเฉพาะอย่างยิ่งข้อมูลที่บิดเบือน
ประสิทธิภาพของวิธีการที่ได้แสดงให้เห็นในการศึกษาข้อมูลที่แท้จริง

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ความแปรปรวนเป็นคลาสสิกสถิติทดสอบสำหรับการทดสอบความเท่ากันของกลุ่ม อย่างไรก็ตามการทดสอบนี้มีความไวมาก จะเป็นเช่นเดียวกับความสามารถ nonnormality
. เพื่อเอาชนะปัญหา nonnormality มีประสิทธิภาพวิธี เช่น การทดสอบทางสถิติฟุตสามารถใช้แต่
สถิติทดสอบสามารถทำได้ดีเมื่อสมมติฐาน homoscedasticity จะพบ ทั้งนี้ biasness ค่าเฉลี่ยเป็นศูนย์กลาง
แนวโน้มการวัด การศึกษานี้ได้เสนอขั้นตอนที่รู้จักกันเป็นวิธีการแก้ไขที่แข็งแกร่งซึ่งรวมสถิติฟุตฟุตกับหนึ่งในความนิยมที่แข็งแกร่ง
ขนาดประมาณ madn , TN , และ lmsn . การจำลองการศึกษาครั้งนี้ มีวัตถุประสงค์เพื่อเปรียบเทียบความแข็งแกร่ง ( ประเภทที่ 1 )
ของวิธีการเกี่ยวกับคู่ของจากพาราเมตริกและไม่ใช่ด้านตัวแปร การวิเคราะห์
kruskalwallis ตามลำดับนวัตกรรมนี้ช่วยเพิ่มความสามารถในการสถิติฟุตเพื่อให้การควบคุมที่ดีของอัตราความคลาดเคลื่อนประเภทที่ 1 . ผลการวิจัยพบว่าในความโปรดปรานของการใช้โดยเฉพาะอย่างยิ่งสำหรับฟุต
บิดเบือนข้อมูล ประสิทธิภาพของวิธีการแสดงข้อมูลการศึกษาที่แท้จริง