X.3.

Univarijaciona analiza varijanse u jednofaktorijalnim i dvofaktorijalnim

nacrtima sa jednim ponovljenim faktorom


U prikazu jednofaktorijalne univarijacione analize varijanse u odeljku X.1.
pretpostavili smo da je na svakom nivou faktora nezavisna grupa jedinica posmatranja, tj. da
je faktor neponovljen. Isto tako, u prikazu dvofaktorijalne univarijacione analize varijanse u
odeljku X.2. pretpostavili smo da su oba faktora neponovljena, tj. da je u svakoj eliji koja se
dobija ukrtanjem nivoa dva faktora nezavisna grupa jedinica posmatranja. U ovom odeljku
teksta prikazaemo jednofaktorijalnu univarijacionu analizu varijanse sa ponovljenim
faktorom, kao i dvofaktorijalnu univarijacionu analizu varijanse u kojoj je jedan faktor
ponovljen, a drugi neponovljen.
1


Univarijaciona analiza varijanse sa jednim ponovljenim faktorom

Ova analiza podrazumeva da su podaci na zavisnoj kvantitativnoj varijabli dobijeni
korienjem nacrta sa ponovljenim merenjima ili nacrta sa randomizovanim blokovima.
U nacrtu sa ponovljenim merenjima (eng. repeated measures design) ista grupa
ispitanika ispituje se u pogledu jedne kvantitativne varijable dva ili vie puta, bilo u razliitim
vremenskim trenucima ili u istom ogranienom vremenskom periodu ali u razliitim
eksperimentalnim situacijama. Na primer, u ispitivanjima procesa zaboravljanja broj tano
reprodukovanih besmislenih slogova registruje se za svakog od n ispitanika nakon 5 sati od
zavretka uenja, posle 10 sati, posle 15 sati...Ili, u ispitivanjima efekta kategorije stimulusa
(lica, smisaone scene, besmislene are) na prepoznavanje registruje se uspenost
prepoznavanja prethodno izloenih stimulusa i to tako to se svakom ispitaniku izlau sve tri
kategorije stimulusa (u tom sluaju kategorija stimulusa predstavlja ponovljeni faktor ).
2

Svaki od n blokova u nacrtu sa randomizovanim blokovima (eng. randomized blocks
design) predstavlja skup od g jedinica posmatranja koje su meusobno ujednaene po svim
bitnim obelejima koja su u vezi sa zavisnom kvantitativnom varijablom. Jedinice
posmatranja iz istog bloka tokom izvoenja istraivanja sluajno se rasporeuju postupcima
randomizacije u g nivoa faktora. Na primer, u ispitivanju efekta g razliitih terapija na
smanjenje depresivnosti formira se n homogenih blokova od po g pacijenata, a zatim se
svakom od g pacijenata unutar istog bloka sluajno dodeljuje jedna od g vrsta terapija. Pri
tome pacijenti unutar istog bloka ujednaeni su meusobno po poetnoj depresivnosti i svim
varijablama koje mogu biti u vezi sa efektom terapije na smanjenje depresivnosti (uzrast, pol,
brano stanje, imovno stanje, ostali zdravstveni pokazatelji...)
Nacrt sa ponovljenim merenjima moe se posmatrati kao poseban sluaj nacrta sa
randomizovanim blokovima u kojem svaka jedinica posmatranja predstavlja blok. Budui da
se prikazi analize varijanse u ova dva nacrta razlikuju samo u notaciji ovde emo prikazati
analizu varijanse u nacrtu sa ponovljenim merenjima.

Struktura podataka:
Sluajni uzorak E iz populacije P ( n} , 1, = ;
e
{ = P c i
i
E ) ispitivan je u g vremenskih
trenutaka ili g eksperimentalnih situacija (g > 2) u pogledu jedne kvantitativne zavisne

1
Podrobniji prikazi analize varijanse za ponovljena merenja u sloenijim nacrtima, kao i analize u kojima za
pojedine faktore vai model sluajnih efekata mogu se proitati u Winer, 1970 i Howell, 2010.
2
Pojedinosti o samoj organizaciji istraivanja u ovakvim nacrtima, kao i o prednostima, nedostacima i
problemima nacrta sa ponovljenim merenjima moe se proitati u Todorovi, 2008.


2
varijable v. Oznakom v
k
, k =1, 2,..., g oznaiemo injenicu da su rezultati na istoj
kvantitativnoj varijabli v dobijeni u g situacija.
Rezultati za n jedinica posmatranja u g merenja varijable v bie tada u matrici X reda nxg,
tj. u matrici sa n redova i g kolona:
X =E v
k
=(x
ik
), i =1, 2, ... , n; k =1, 2, ... , g
Svaki red matrice X sadri rezultate jedne jedinice posmatranja u g vremenskih taaka ili
za g eksperimentalnih situacija. Kolone matrice X predstavljaju, dakle, nivoe ponovljenog
faktora. Prema tome, u sluaju ponovljenog faktora u matrici podataka ne postoji, kao u
sluaju neponovljenog faktora, posebna kategorika varijabla koja definie pripadnost
jednom od nivoa faktora, ve su nivoi faktora definisani pripadnou rezultata odreenoj
koloni matrice podataka.
Polazna struktura podataka koja slui za jednofaktorijalnu analizu varijanse sa
ponovljenim merenjima moe se predstaviti na sledei nain (prvi indeks u oznakama
elemenata ove matrice odnosi se na jedinicu posmatranja, tj. red matrice u kojoj je element,
a drugi indeks govori o nivou faktora, tj. koloni matrice u kojoj se element nalazi):

Nivoi ponovljenog faktora
Jedinica
posmatranja
1 2 ... k ... g
e
1
x
11
x
12
... x
1k
... x
1g

e
2
x
21
x
22
... x
2k
... X
2g

...
e
i
x
i1
x
i2
... x
ik
... x
ig

...
e
n
x
n1
x
n2
... x
nk
... x
ng



Dakle, rezultati u kolonama matrice, budui da potiu od istih jedinica posmatranja,
nisu meusobno nezavisni ve su u korelaciji. Treba uoiti i to da matrica podataka sa
ovakvom strukturom koja sadri samo dve kolone predstavlja osnovu za korienje t-testa
za zavisne uzorke. Prema tome, jednofaktorijalna analiza varijanse sa ponovljenim
faktorom predstavlja uoptenje t-testa za zavisne uzorke: t-test se moe koristiti samo kada
postoje dva nivoa ponovljenog faktora dok se analiza varijanse moe koristiti i u
situacijama kada ponovljeni faktor ima vie od dva nivoa.
Ka to smo to u odeljku X.1. ve objasnili, u jednofaktorijalnoj analizi varijanse sa
neponovljenim faktorom ukupni varijabilitet na zavisnoj kvantitativnoj varijabli deli se na
dva dela: unutargrupni i meugrupni varijabilitet. Pri tome, unutargrupni varijabilitet
posmatra se kao sluajni varijabilitet, tj. kao posledica delovanja nesistematskih, sluajnih
inilaca. Meutim, veliki deo unutargrupnog varijabiliteta posledica je individualnih
razlika meu ispitanicima koje su postojale i pre istraivanja, a ijim bi se statistikim
uklanjanjem u znatnoj meri mogla poveati osetljivost istraivanja u otkrivanju efekta
faktora, tj. statistika snaga testa za testiranje nulte hipoteze. To se upravo postie
korienjem nacrta sa ponovljenim faktorom. U jednofaktorijalnoj analizi varijanse sa
ponovljenim faktorom iz ukupnog varijabiliteta na zavisnoj kvantitativnoj varijabli prvo se
izdvaja varijabilnost koja je posledica individualnih razlika meu jedinicama posmatranja,
a zatim se preostali varijabilitet deli na varijabilitet koji je (po pretpostavci) posledica
delovanja ispitivanog faktora i rezidualni varijabilitet koji se smatra posledicom delovanja
nekontrolisanih faktora (npr. greaka merenja, eksperimentalnih greaka i slino).


3
U skladu sa teorijskim strukturnim modelom ove analize, rezultat i-tog ispitanika na
varijabli v na k-tom nivou ponovljenog faktora moemo posmatrati kao da je sastavljen od
aritmetike sredine svih rezultata (M), odstupanja aritmetike sredine svih rezultata za i-tog
ispitanika od aritmetike sredine svih rezultata (M) i odstupanja rezultata i-tog ispitanika na
k-tom nivou faktora od aritmetike sredine svih rezultata za tog ispitanika:
3

x
ik
=M +(M
i
- M) +(x
ik
- M
i
).

U ovom izrazu M je aritmetika sredina svih rezultata iz matrice podataka, a M
i
je aritmetika
sredina svih rezultata i-tog ispitanika, tj. aritmetika sredina rezultata u i-tom redu matrice
podataka.

Odavde se, budui da je x
ik
- M =(M
i
- M) +(x
ik
- M
i
), ukupni varijabilitet kvantitativne
(zavisne) varijable moe razbiti na dve komponente:


= = = = =
+ =
g
1
n
1
2 2
n
1
g
1
n
1
2
) M x ( ) M M ( g ) M x (
k i
i ik i
i k i
ik

ili
SS
t
= SS
s
+ SS
ws


pri emu je:

SS
t
ukupni zbir kvadriranih odstupanja;

SS
s
zbir kvadriranih odstupanja izmeu ispitanika ili subjekata (eng. between subjects);

SS
ws
zbir kvadriranih odstupanja unutar ispitanika ili subjekata (eng. within subjects);

n veliina uzorka, a

g broj nivoa ponovljenog faktora.

Uoimo da je SS
s
pokazatelj varijabiliteta na zavisnoj varijabli koji je posledica individualnih
razlika meu jedinicama posmatranja (ispitanicima, subjektima), a da SS
ws
sadri varijabilitet

3
Iskazan u terminima populacionih parametara, tj. kao strukturalni model jednofaktorijalnog nacrta analize
varijanse sa ponovljenim faktorom, ovaj model ima sledei oblik:
X
ik
= +t
i
+t
k
+c
ik

pri emu je oekivana vrednost, tj. ukupna aritmetika sredina u pogledu zavisne varijable, t
i
parametar za
i-tu jedinicu posmatranja, t
k
parametar za efekat k-tog nivoa ponovljenog faktora, a c
ik
predstavlja rezidualne
efekte, tj. eksperimentalnu greku u vezi sa X
ik
.
Teorijski, je nepoznata konstanta, t
i
je sluajna varijabla koja po pretpostavci ima, na svakom nivou
ispitivanog faktora, normalnu raspodelu sa parametrima 0 i o
t
2
. Budui da se u analizi koju prikazujemo u
ovom odeljku teksta za ponovljeni faktor pretpostavlja model fiksnih efekata (engl. fixed effects model)
parametar t
k
je konstanta na k - tom nivou faktora, pri emu vai
0
g
1
= t

= k
k

Na kraju, c
ik
je sluajna varijabla (posledica nekontrolisanih izvora variranja) koja, na svakom nivou
ispitivanog faktora, ima normalnu funkciju gustine sa oekivanom vrednou 0 i varijansom o
2
c
. Detaljnija
objanjenja ovog strukturalnog modela i njegove veze sa samim postupkom analize koji je prikazan u tekstu
moe se proitati u Winer (1970), str. 116 - 124.


4
koji je posledica delovanja ponovljenog faktora i nekontrolisanih varijacija (eksperimentalne
greke). Dakle, za razliku od analize varijanse sa neponovljenim faktorom efekat ispitivanog
faktora je ovde unutar ispitanika jer se isti ispitanik pojavljuje na svim nivoima tog faktora.
Varijabilitet unutar ispitanika se moe dalje razloiti na dve komponente:



= = = = =
+ =
g
1
n
1
2 2
g
1
g
1
n
1
2
)] M M ( ) M M ( ) M x [( ) M M ( n ) M x (
k i
k i ik k
k k i
i ik

ili
SS
ws
= SS
B
+ SS
res

Pri tome je:

M aritmetika sredina svih rezultata iz matrice podataka;

M
i
aritmetika sredina svih rezultata i-tog ispitanika, tj. aritmetika sredina rezultata u i-
tom redu matrice podataka;

M
k
aritmetika sredina rezultata svih ispitanika za k-ti nivo faktora, tj. aritmetika sredina
rezultata u k-toj koloni matrice podataka;

SS
B
zbir kvadriranih odstupanja za efekat faktora, tj. zbir kvadriranih odstupanja unutar
ispitanika koja su posledica delovanja ponovljenog faktora B;

SS
res
zbir rezidualnih kvadriranih odstupanja, tj. zbir kvadriranih odstupanja unutar
ispitanika koja su posledica delovanja nesistematskih faktora, tj. eksperimentalnih greaka;


Stoga se ukupni varijabilitet na zavisnoj varijabli moe razloiti na sledei nain:

SS
t
= SS
s
+ (SS
B
+SS
res
)

Svakom od zbirova kvadriranih odstupanja odgovara odreeni broj stepeni slobode.
Deljenjem zbira kvadriranih odstupanja saodgovarajuim brojem stepeni slobode dobija se
proseni kvadrat (engl. Mean Square) ili ocena varijanse koja govori o efektu datog izvora
varijabiliteta na varijabilitet zavisne varijable.

Pregled zbirova kvadriranih odstupanja, stepeni slobode i prosenih kvadrata za
jednofaktorijalnu univarijacionu analize varijanse sa ponovljenim faktorom dat je u
sledeoj tabeli:

IZVORI
VARIRANJ A
ZBIROVI
KVADRATA
(SS)
STEPENI
SLOBODE
(df)
PROSENI KVADRAT-
OCENA VARIJANSE
Izmeu subjekata SS
s
n - 1 S
2
s
(MS
s
)
Unutar subjekata SS
ws
n (g - 1) S
2
ws
(MS
ws
)
Ponovljeni faktor B SS
B
(g - 1) S
2
B
(MS
B
)
Rezidual SS
res
(n-1) (g-1) S
2
res
(MS
res
)
UKUPNO SS
t
gn-1 S
2
t
(MS
t
)


5
Testiranje statistikih hipoteza

Odgovor na pitanje da li je u populaciji efekat ponovljenog faktora razliit od nule, tj. da li
postoji uticaj ovog faktora na zavisnu varijablu dobijamo testiranjem nulte hipoteze:

H
0
: t
k
=0, k, tj.
1
=
1
=
2
==
g
("U populaciji ne postoji efekat faktora")

U formalnom definisanju nulte hipoteze, t
k
predstavlja efekat k-tog nivoa faktora na
zavisnu varijablu (t
k
=
k
- ),
k
je aritmetika sredina zavisne varijable u populaciji za k-
ti nivo faktora, a je globalna aritmetika sredina zavisne varijable u populaciji.

Statistik za testiranje efekta ponovljenog faktora B, u oznaci F, dobija se na sledei nain:

2
res
2
B
S
S
F =
Statistik F, ako je H
0
tano i ako su ispunjeni odreeni dodatni uslovi, ima kao svoju
distribuciju uzorkovanja Snidikorovu funkciju gustine sa (g - 1) i (n - 1) (g -1) stepeni
slobode. Na osnovu Snidikorove raspodele moemo izraunati verovatnou da statistik F
na sluaj uzme vrednost koja je jednaka vrednosti statistika koju smo dobili na uzorku ili
vea od te vrednosti. Ako je ova verovatnoa manja od odabranog nivoa znaajnosti
(uobiajeno 0.05) moemo odbaciti H
0
i tvrditi da postoji efekat faktora B.
4


Naknadna poreenja

Ako se globalna nulta hipoteza o nepostojanju efekta ponovljenog faktora na zavisnu
varijablu odbaci esto je neophodno primeniti naknadne statistike testove kojima se
utvruje koji nivoi faktora se statistiki znaajno razlikuju. Najpoznatiji postupci za
naknadna poreenja su: najmanja znaajna razlika (eng. least significant difference
LSD), Bonferonijev i idakov postupak. Svi ovi postupci zasnivaju se na poreenju nivoa
ponovljenog faktora po parovima t-testom za zavisne uzorke. Meutim, u postupku
najmanje znaajne razlike ne sprovodi se korekcija zbog viestrukih poreenja koja se
izvode na istim podacima. U Bonferonijevom postupku korekcija za viestruka poreenja
sprovodi se tako to se poetni nivo znaajnosti, tj. doputena verovatnoa greke pri
odbacivanju tane nulte hipoteze deli brojem poreenja i dobijena vrednost koristi kao
kriterijum za odbacivanje nulte hipoteze. Ako ponovljeni faktor ima g nivoa tada je
mogue napraviti
2
) 1 g ( g
r

= poreenja po parovima, pa je razlika znaajna ako je
verovatnoa greke I tipa za tu razliku manja ili jednaka
r ) 1 g ( g
2
u u
o
=

o
pri emu je o
u

poetna verovatnoa greke I tipa za sva poreenj, r broj poreenja, a g broj nivoa faktora.
Prema tome, primena Bonferonijevog postupka u sluaju kada ponovljeni faktor ima 3
nivoa i kada je kao nivo znaajnosti odabran nivo 0.05 znai da se svaka testirana razlika
proglaava znaajnom tek kada je verovatnoa greke I tipa za tu razliku manja ili jednaka

4
U programu PASW (ranije SPSS) ova verovatnoa moe se izraunati pomou komande Compute,
korienjem funkcije Sig.F(quant,df1, df2) tako to se kao vrednost argumenta quant ubaci vrednost F
statistika koju smo dobili na uzorku, a kao vrednosti argumenata df1 i df2 stepeni slobode za brojilac i za
imenilac, tim redom. Isto to, moe se postii i raunanjem vrednosti izraza 1-CDF.F(quant,df1, df2).


6
3
05 . 0
, tj. 0.017. Na taj nain obezbeuje se da poetna verovatnoa greke, tj. verovatnoa
greke I tipa u statistikom zakljuivanju za sva 3 poreenja bude na unapred odreenom
nivou 0.05. Prema modifikaciji Bonferonijevog postupka koju je predloio idak
doputena verovatnoa greke I tipa za svaku razliku koja se testira rauna se na sledei
nain:
) 1 g ( g
2
u
r
1
u
) 1 ( 1 ) 1 ( 1

o = o . Primena idakovog postupka u sluaju kada ponovljeni
faktor ima 3 nivoa i kada je kao nivo znaajnosti odabran nivo 0.05 znai da se svaka
testirana razlika proglaava znaajnom tek kada je verovatnoa greke I tipa za tu razliku
manja ili jednaka
3
1
) 05 . 0 1 ( 1 , tj. 0.017.


Veliina efekta

Kada odbacimo nultu hipotezu o efektu ponovljenog faktora na zavisnu varijablu ima
smisla izraunati i neku od mera veliine tog efekta. Postoje razliite mere veliine efekta a
mi emo ovde prikazati dve: kvadrirani parcijalni eta koeficijent i kvadrirani omega
koeficijent.

Kvadrirani parcijalni eta koeficijent za efekat ponovljenog faktora, u oznaci q
2
B
, rauna se na
sledei nain:
ws
B
res b
B 2
B
SS
SS
SS SS
SS
=
+
= q

pri emu je SS
B
zbir kvadriranih odstupanja za efekat ponovljenog faktora, SS
res
zbir
rezidualnih kvadriranih odstupanja, a SS
ws
zbir kvadriranih odstupanja unutar ispitanika.

Kvadrirani omega koeficijent za efekat ponovljenog faktora, u oznaci e
2
B
, rauna se na
sledei nain:

) MS MS (
g * n
1 g
g
MS MS
MS
) MS MS (
g * n
1 g
res B
res s
res
res B
2
B

= e

Kvadrirani eta koeficijent je pristrasni, a kvadrirani omega koeficijent je nepristrasni
ocenitelj veliine efekta u populaciji.

Za obe mere veliine efekta primenjuje se sledea kategorizacija:
do 0.05: mali efekat;
od 0.06 do 0.13: srednji efekat;
preko 0.13: veliki efekat.





7
Uslovi za primenu jednofaktorijalne univarijacione analize varijanse sa jednim
ponovljenim faktorom

1. Nezavisnost opservacija unutar svakog nivoa ponovljenog faktora. To praktino znai da
na jednom odreenom nivou faktora ne smebiti vie rezultata koji potiu od iste jedinice
posmatranja.Ovaj uslov obezbeuje se uzimanjem sluajnog uzorka. Treba uoiti da ovaj
uslov znai da su rezultatai unutar nivoa, tj. na odreenom nivou ponovljenog faktora
meusobno nezavisni. Budui da je faktor ponovljen, rezultati na razliitim nivoima nisu
nezavisni, tj. meusobno su korelisani;
2. Normalnost distribucije zavisne varijable u populaciji na svakom nivou faktora;
3. Jedan od najvanijih uslova od kojega pre svega zavisi da li e nulta distribucija
uzorkovanja statistika F odgovarati Snidikorovoj funkciji gustine sa (g - 1) i (n - 1) (g -1)
stepeni slobode jeste uslov sferinosti (eng. sphericity). Da bismo opisali ovaj uslov
posmatraemo kolone matrice podataka koja slui za analizu varijanse kao posebne
varijable i, zatim, na osnovu g ovih varijabli napraviti g-1 razlika izmeu parova ovih
varijabli. Na primer, ako ponovljeni faktor ima tri nivoa (g = 3), tada emo na osnovu
razlika rezultata na zavisnoj varijabli za prvi i drugi nivo faktora i razlika rezultata za prvi i
trei nivo faktora dobiti dve nove varijable razlika. Uslov sferinosti zahteva da matrica
kovarijansi u populaciji za ove varijable razlika, koje su transformisane na odreeni nain,
bude matrica sa jednakim dijagonalnim elementima i sa svim vandijagonalnim elementima
jednakim nuli.
5
Najpoznatiji statistiki test za proveru ispunjenosti uslova sferinosti jeste
Molijev test. Meutim, simulacione studije pokazale su da korienje ovog testa za
proveru uslova sferinosti ne daje dobre rezultate.
Budui da je uslov "sferinosti" veoma restriktivan i, po svoj prilici, vrlo retko
ispunjen u realnim uslovima analize podataka u psihologiji do sada su predloena dva
tipa alternativnih reenja za primenu analize varijanse kada ovaj uslov nije ispunjen:
1. mutivarijacioni pristup i
2. korekcija stepeni slobode koji slue kao parametri nulte distribucije uzorkovanja
statistika F.
Multivarijacioni pristup se sastoji u tome da se razlike izmeu rezultata na zavisnoj
varijabli za odreeni broj parova nivoa ponovljenog faktora posmatraju kao zasebne
zavisne varijable i da se na tako dobijenim varijablama razlika primeni multivarijaciona
analiza varijanse. Na taj nain, na osnovu rezultata na zavisnoj varijabli za g nivoa dobija
se g-1 zavisnih varijabli za multivarijacionu analizu varijanse. Ovaj pristup nece biti
podrobnije prikazan u ovom tekstu.
6

Postupci za korigovanje stepeni slobode zasnivaju se na oceniteljima parametra
neispunjenosti uslova sferinosti. Najpoznatiji ocenitelji parametra neispunjenosti uslova
sferinosti su Grinhaus-Gajserov (Greenhouse-Geisser) i Hajn-Feldtov (Huynh-Feldt)
ocenitelj. Postupak korekcije stepeni slobode svodi se jednostavno na mnoenje stepeni

5
Ako je matrica kovarijansi netransformisanih varijabli koje predstavljaju rezultate na zavisnoj varijabli po
pojedinim nivoima ponovljenog faktora, a C neka transformaciona matrica, uslov sferinosti zahteva da
populaciona matrica kovarijansi ortonormalnog skupa od g - 1 transformisanih varijabli (koje su od g
netransformisanih varijabli dobijene tako da budu meusobno nekorelisane ortogonalne i da zbir
kvadriranih koeficijenata za svaku od g-1 transformisanih varijabli bude jednak jedinici ) bude skalarna
matrica, tj. matrica iji su svi dijagonalni elementi meusobno jednaki, a svi vandijagonalni elementi jednaki
nuli. Jednostavnije reeno, matrica kovarijansi transformisanih varijabli u populaciji bie matrica C
t
C, reda
(g-1)x(g-1), pri emu je C
t
C = o
2
I, o
2
varijansa svake od transformisanih varijabli u populaciji, a I matrica
identiteta.
6
Zainteresovani italac pojedinosti o ovakvom pristupu primeni jednofaktorijalne analize varijanse sa
ponovljenim faktorom moe nai u Stevens, 2002 (pp. 497500) ili O'Brien & Kaiser, 1985.


8
slobode koji odgovaraju brojiocu i imeniocu F kolinika dobijenom ocenom parametra
neispunjenosti uslova sferinosti. Verovatnoa da statistik F uzme vrednost jednaku onoj
koja je dobijena na uzorku ili veu od te vrednosti odreuje se potom na osnovu
Snidikorove raspodeleiji su parametri korigovani stepeni slobode. Budui da Grinhaus-
Gajserov ocenitelj tei da potcenjuje, a Hajn-Feldtov ocenitelj da precenjuje parametar, za
korigovanje stepeni slobode za brojilac i imenilac statistika F smisaono je upotrebiti
prosenu vrednost ocena parametra neispunjenosti uslova sferinosti koje su dobijene ovim
oceniteljima.


**************************************************************************
Za definisanje jednofaktorijalne analize varijanse sa ponovljenim faktorom u verziji 11.5
programa SPSS treba odabrati Analyze/General Linear Model/Repeated Measures. U
prozoru za dijalog koji se prvi pojavi a iji naslov je Repeated Measures Define Factor(s)
(slika 1) treba kliknuti u polje Within-Subjects factor name i umesto ponuenog imena
factor1 treba upisati ime ponovljenog faktora. Budui da ponovljeni faktor nije u
podacima definisan jednom posebnom varijablom (kao to je to sluaj kod neponovljenog
faktora) ve svaki nivo ponovljenog faktora predstavlja posebnu kolonu (varijablu u
editoru za podatke) ime tog faktora pri definisanju procedure odreuje sam korisnik. Kada
se ime ponovljenog faktora upie u polje Within-Subjects factor name treba kliknuti u
polje Number of levels i u to polje upisati broj nivoa ponovljenog faktora i potom kliknuti
da dugme Add. Klikom na dugme Define prelazi se u prozor za dijalog Repeated
measures. U ovom prozoru treba imena varijabli u kojima se nalaze nivoi ponovljenog
faktora prebaciti iz levog spiska u okvir Within-Subjects Variables vodei rauna o
redosledu nivoa (v. prozor Repeated measures na slici 1). Klikom na dugme Options u
poddijalogu Repeated Measures: Options mogue je, izmeu ostalog:
- zatraiti aritmetike sredine i standardne devijacije po nivoima ponovljenog
faktora ukljuivanjem opcije Descriptive statistics;

- zatraiti testiranje znaajnosti razlika izmeu svih nivoa ponovljenog faktora
prebacivanjem imena ponovljenog faktora iz okvira Factor(s) and Factor
Interactions u okvir Display Means for, ukljuivanjem opcije Compare main
effects i odabirom opcije LSD(none), Bonferoni ili idak u polju Confidence
interval adjustment;

- promeniti poetni nivo znaajnosti za viestruka poreenja, tj. dopustivu
verovatnou greke I tipa za sva naknadna poreenja upisivanjem, umesto
0.05, odgovarajue verovatnoe manje od 0.05 u polje Significance level.




9
Slika 1. Prozori za dijalog General Linear Model/Repeated Measures programa
SPSS 11.5



10
Primer: Postoji li uticaj liavanja spavanja na motoriku uspenost?
Na istom sluajnom uzorku 10 ispitanika ispitivana je uspenost u izvoenju
odreene motorne vetine posle 24, 48 i 64 sati nespavanja. Uspenost u izvoenju merena
je brojem greaka pri izvoenju ove vetine. Podaci su organizovani u tri varijable:
varijabla mot24hns sadrala je za svakog ispitanika broj greaka pri izvoenju ove vetine
posle 24 sata nespavanja, varijabla mot48hns broj greaka posle 48 sati nespavanja, a
varijabla mot64hns broj greaka posle 64 sata nespavanja. Da bi se ustanovilo postoji li
efekat liavanja spavanja na uspenost u izvoenju motorne vetine primenjena je
jednofaktorijalna univarijaciona analiza varijanse sa duzinom nespavanja kao ponovljenim
faktorom, a ukupnim brojem greaka pri izvoenju kao zavisnom varijablom. Prozori za
dijalog u kojima je definisana statistika procedura prikazani su na slici 1.
Ispis iz ove procedure izgleda ovako:

General Linear Model
Within-Subjects Factors
Measure: MEASURE_1
MOT24HNS
MOT36HNS
MOT48HNS
DUZNSP
1
2
3
Dependent Variable




U tabeli Within-Subjects Factors prikazano je ime ponovljenog faktora koje je definisano
u prozoru za dijalog Repeated Measures Define Factor(s) (DUZNSP) i
imena varijabli u kojima su rezultati sa testa motorike vetine na tri nivoa faktora duine
nespavanja.
Descriptive Statistics
1,40 1,350 10
2,50 1,780 10
5,00 2,055 10
MOT24HNS
Broj_gresaka_u_zadat
ku_motorne_vestine
posle 24 h nespavanja
MOT36HNS
Broj_gresaka_u_zadat
ku_motorne_vestine
posle 36 h nespavanja
MOT48HNS
Broj_gresaka_u_zadat
ku_motorne_vestine
posle 48 h nespavanja
Mean Std. Deviation N


U tabeli Descriptive statistics prikazane su aritmetike sredine (Mean), standardne
devijacije (Std.Deviation) i veliina uzorka, tj. broj rezultata (N) za pojedine nivoe
faktora.
Tabele iji naslov je Multivariate Tests prikazuju rezultate multivarijacionog pristupa
analizi varijanse sa ponovljenim faktorom. Ove tabele neemo ovde komentarisati budui


11
da razumevanje multivarijacionog pristupa podrazumeva korienje pojmova matrine
algebre. Multivarijacioni pristup u ovom primeru ne bi, inae, ni bio najadekvatniji budui
da je uzorak veoma mali.
Multivariate Tests
b
,866 25,960
a
2,000 8,000 ,000
,134 25,960
a
2,000 8,000 ,000
6,490 25,960
a
2,000 8,000 ,000
6,490 25,960
a
2,000 8,000 ,000
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
Effect
DUZNSP
Value F Hypothesis df Error df Sig.
Exact statistic
a.
Design: Intercept
Within Subjects Design: DUZNSP
b.

Mauchly's Test of Sphericity
b
Measure: MEASURE_1
,496 5,609 2 ,061 ,665 ,736 ,500
Within Subjects Effect
DUZNSP
Mauchly's W
Approx.
Chi-Square df Sig.
Greenhouse-
Geisser Huynh-Feldt Lower-bound
Epsilon
a
Tests the null hypothesis that the error covariance matrix of the orthonormalized transformed dependent variables is proportional to
an identity matrix.
May be used to adjust the degrees of freedomfor the averaged tests of significance. Corrected tests are displayed in the Tests of Within-Subjects
Effects table.
a.
Design: Intercept
Within Subjects Design: DUZNSP
b.

U tabeli Mauchlys Test of sphericity prikazani su rezultati provere opravdanosti
pretpostavke o sferinosti kao veoma vanom uslovu za korienje Snidikorove funkcije
gustine sa g - 1 i (n - 1) (g - 1) stepeni slobode kao nulte distribucije uzorkovanja statistika
F. Meutim, na ishode ovog testa se ne treba mnogo oslanjati. Bolje je, umesto toga,
uporediti ishode testiranja globalne nulte hipoteze u tabeli Tests of Within-Subjects
Effects koji se dobijaju pod pretpostavkom sferinosti (red Sphericity Assumed) sa
ishodima Grinhaus-Gajserove (red Greenhouse-Geisser) ili Hajn-Feldtove (red Huynh-
Feldt) korekcije za nesferinost. Pregledom tabele Tests of Within-Subjects Effects vidi
se da se ovi postupci razlikuju prema broju stepeni slobode kojima se definie nulta
distribucija uzorkovanja statistika F. Ukoliko se verovatnoe dobijanja statistika F veeg ili
jednakog onom koji je dobijen na konkretnom uzorku (kolona Sig) iz ova tri postupka ne
razlikuju bitno tada se ne treba brinuti za pretpostavku sferinosti. Ukoliko su, pak, ishodi
ovih postupaka (verovatnoe u koloni Sig) bitno razliiti, tj. ukoliko od izbora postupka
zavisi da li e nulta hipoteza biti odbaena ili nee biti odbaena tada je najbolje primeniti
sledei postupak:
1. Nai prosek ocena parametra nesferinosti dobijenih primenom Grinhaus-Gajserovovog
i Hajn-Feldtovog ocenitelja (kolone Greenhouse-Geisser i Huynh-Feldt) u odeljku pod
naslovom Epsilon u tabeli Mauchly test of sphericity. (U primeru iz ispisa prosena
ocena parametra nesferinosti jednaka je 0.7005);


12
2. Korigovati stepene slobode za brojilac i imenilac statistika F pod pretpostavkom
sferinosti njihovim mnoenjem dobijenom prosenom ocenom parametra nesferinosti.
Stepeni slobode za brojilac i imenilac statistika F pod pretpostavkom sferinosti dati su u
koloni df tabele Tests of Within-Subjects Effects: u redu Sphericity assumed u delu
tabele koji je oznaen imenom ponovljenog faktora nalaze se stepeni slobode za brojilac, a
u redu Sphericity assumed u delu tabele koji je oznaen imenom Error (ime ponovljenog
faktora) nalaze se stepeni slobode za imenilac.
7
(U primeru iz ispisa odgovarajui brojevi
stepeni slobode za brojilac i imenilac statistika F iznose 2 i 18, tim redom. Korigovani
stepeni slobode bili bi u ovom sluaju jednaki 1.40 i 12.61).
3. Korienjem komande Transform/Compute i funkcije CDF.F(q, df1, df2) izraunati
verovatnou da, ako je nulta hipoteza o efektu ponovljenog faktora tana, statistik F kao
sluajna varijabla uzme neku vrednost jednaku ili veu od dobijene vrednosti statistika F.
Pri tome argument q u funkciji CDF.F predstavlja dobijenu vrednost statistika F, a
argumenti df1 i df2 predstavljaju korigovane stepene slobode za brojilac i imenilac
statistika F, tim redom. Isto tako, budui da funkcija CDF.F daje verovatnou da statistik F
kao sluajna varijabla uzme neku vrednost manju ili jednaku od dobijene vrednosti
statistika F, verovatnou koja se dobija ovom funkcijom treba oduzeti od 1.
(Sintaksa komande Transform/Compute za primer iz ispisa izgledala bi ovako:
COMPUTE Sig =1-CDF.F(23.622,1.40,12.61) .
EXECUTE.
Traena verovatnoa u ovom sluaju jednaka je 0.00014.
8

Postupak koji smo prikazali nije bilo nuno primeniti na primeru iz ispisa. Naime, kao to
se pregledom tabele Tests of Within-Subjects Effects moe videti, ishodi testiranja nulte
hipoteze prema kojoj u populaciji iz koje je uzorak nema efekta duzine nespavanja na
uspenost u izvoenju ove motorne vetine praktino su isti za sve postupke (verovatnoe u
koloni Sig su u svim sluajevima veoma male).
Tests of Within-Subjects Effects
Measure: MEASURE_1
68,067 2 34,033 23,622 ,000
68,067 1,330 51,185 23,622 ,000
68,067 1,473 46,210 23,622 ,000
68,067 1,000 68,067 23,622 ,001
25,933 18 1,441
25,933 11,968 2,167
25,933 13,257 1,956
25,933 9,000 2,881
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Source
DUZNSP
Error(DUZNSP)
Type III Sum
of Squares df Mean Square F Sig.

Prema tome, nultu hipotezu u ovom sluaju treba odbaciti. To znai da moemo zakljuiti
da duzina nespavanja utie na uspenost u izvoenju ove motorne vetine.

7
Pod pretpostavkom sferinosti broj stepeni slobode za brojilac statistika F jednak je g - 1, a broj stepeni
slobode za imenilac statistika F jednak je (n - 1) (g - 1), pri emu je g broj nivoa ponovljenog faktora a n
veliina uzorka.
8
U verziji 18 programa PASW ova verovatnoa moe se dobiti i funkcijom Sig.F(quant, df1, df2).


13
Tests of Within-Subjects Contrasts
Measure: MEASURE_1
64,800 1 64,800 41,070 ,000
3,267 1 3,267 2,506 ,148
14,200 9 1,578
11,733 9 1,304
DUZNSP
Linear
Quadratic
Linear
Quadratic
Source
DUZNSP
Error(DUZNSP)
Type III Sum
of Squares df Mean Square F Sig.


Tests of Between-Subjects Effects
Measure: MEASURE_1
Transformed Variable: Average
264,033 1 264,033 41,714 ,000
56,967 9 6,330
Source
Intercept
Error
Type III Sum
of Squares df Mean Square F Sig.


Tabela Tests of Between-Subjects Effects u sluaju kada postoji samo jedan ponovljen
faktor uobiajeno nema interpretativni znaaj.

Pairwise Comparisons
Measure: MEASURE_1
-1,100* ,314 ,020 -2,019 -,181
-3,600* ,562 ,000 -5,242 -1,958
1,100* ,314 ,020 ,181 2,019
-2,500* ,671 ,014 -4,461 -,539
3,600* ,562 ,000 1,958 5,242
2,500* ,671 ,014 ,539 4,461
(J ) DUZNSP
2
3
1
3
1
2
(I) DUZNSP
1
2
3
Mean
Difference (I-J ) Std. Error Sig.
a
Lower Bound Upper Bound
95% Confidence Interval for
Difference
a
Based on estimated marginal means
Themean differenceis significant at the,05 level.
*.
Adjustment for multiplecomparisons: Sidak.
a.

U tabeli Pairwise Comparisons prikazani su rezultati testova viestrukih poreenja, tj.
testova za proveru znaajnosti razlika aritmetikih sredina na zavisnoj varijabli izmeu
svih parova nivoa faktora. Budui da je pri definisanju procedure tako definisano (videti
prozor Repeated Measures: Options na slici 1) viestruka poreenja izvedena su
korienjem idakovog postupka sa poetnim nivoom znaajnosti na nivou 0.05. Oznake I
i J u toj tabeli slue kao opte oznake dva razliita nivoa ponovljenog faktora, a pojedini
odreeni nivoi faktora oznaeni su ciframa 1, 2 i 3. Znaajne razlike su u koloni Mean
Difference obeleene zvezdicom. Kao to se iz ove tabele moe videti, statistiki znaajna


14
razlika postoji izmeu 1. i 2. nivoa, 1. i 3. nivoa, kao i izmeu 2. i 3. nivoa. Budui da ova
tri poreenja iscrpljuju mogua poreenja kod faktora sa tri nivoa zakljuak je u ovom
sluaju veoma jednostavan: svaki nivo faktora se znaajno razlikuje od svakog drugog. (U
tumaenju rezultata potrebno je uz ovu tabelu pogledati i tabelu Descriptive statistics).

Na osnovu rezultata dobijenih analizom koja je prikazana u ovom ispisu moemo doneti
sledei zakljuak: Postoji nepovoljan uticaj liavanja spavanja na izvoenje ispitivane
motorne vetine: kako se vreme liavanja spavanja poveava uspenost u izvoenju
motorne vetine se progresivno pogorava.




15

Dvofaktorijalna univarijaciona analiza varijanse sa jednim neponovljenim i jednim
ponovljenim faktorom

U analizi koju smo prikazali u prethodnom odeljku teksta pretpostavili smo da se
jedna ista grupa ispitanika izlae svim nivoima ponovljenog faktora. Analiza varijanse koju
emo prikazati u ovom odeljku podrazumeva da je nekoliko istih grupa (dve ili vie)
ispitanika prisutno na svim nivoima ponovljenog faktora. Faktor koji definie pripadnost
grupi u tom sluaju predstavlja neponovljen faktor. Na primer, na poetku procesa uenja
odreenog gradiva mogue je ispitanike sluajno podeliti u dve grupe, pri emu svaka od
grupa ui gradivo razliitom metodom. Zatim se ispitanici obeju grupa proveravaju u pogledu
koliine zapamenog gradiva neposredno po isteku vremena predvienog za uenje, nakon
jednog dana i nakon jednog meseca. U ovom primeru zavisna varijabla je koliina
zapamenog gradiva, metoda uenja predstavlja neponovljen faktor sa dva nivoa, a vreme
proteklo od zavretka uenja predstavlja ponovljen faktor sa tri nivoa (nivoi su "neposredno
po zavretku procesa uenja", "posle jednog dana" i "nakon jednog meseca"). Analiza
varijanse koju emo prikazati u ovom odeljku podrazumeva model fiksnih efekata za oba
faktora.
9


Struktura podataka:

U formalnim prikazima analize varijanse sa jednim neponovljenim i jednim ponovljenim
faktorom neponovljeni faktor oznaiemo slovom A, a ponovljen faktor slovom B. U prikazu
strukture podataka za ovu analizu pretpostaviemo da je sluajni uzorak E iz populacije P
( n} , 1, = i ;
e
{ =
i
P c E ) podeljen u dve ili vie grupa po prirodi strukture populacije ili
postupkom randomizacije i da je svaka od grupa kojeine uzorak ispitivana u pogledu jedne
kvantitativne zavisne varijable v u g vremenskih trenutaka ili g eksperimentalnih situacija (g >
2). Pripadnost jednoj od subpopulacija heterogene populacije ili jednoj od eksperimentalnih
grupa definisana je kategorikom varijablom Q koja se sastoji od p kategorija i predstavlja
neponovljen faktor. Kategorika varijabla Q kodirana je kao faktor.
10
Dakle, pripadnost
ispitanika odreenom nivou neponovljenog faktora oznaena je jednom cifarskom oznakom.
Oznakom v
k
, k =1, 2,..., goznaiemo injenicu da su rezultati na istoj kvantitativnoj varijabli
v dobijeni u g situacija.
Rezultati za n jedinica posmatranja koje su podeljene u p grupa u g merenja varijable v
bie tada u matrici X, reda nx(g+1) koja predstavlja konkatenaciju matrice B, reda nxg:
B =E v
k
=(x
ik
), i =1, 2, ... ,n; k =1, 2, ... ,g

i vektora a, reda nx1, iji elementi su definisani na sledei nain:
e
i
=a
j
| e
i
e q
j
, i =i =1, 2, ... ,n
Dakle, u vektoru a, ispitanik e
i
dobija oznaku a
j
, tj. cifarsku oznaku nivoa neponovljenog
faktora kojem pripada
11
. Svaki red matrice X sadri rezultate na zavisnoj varijabli jedne
jedinice posmatranja u g vremenskih taaka ili za g eksperimentalnih situacija i u

9
Kao to smo to ve objasnili u odeljku IX. 1. fiksni faktor je onaj ije su sve mogue kategorije, tj. nivoi
ukljueni u istraivanje ili je, pak, od veeg broja nivoa namerno odabran samo manji broj nivoa, dok je kod
sluajnih faktora u istraivanje ukljuen sluajno izabrani podskup kategorija ili nivoa faktora iz mnogo
veeg skupa moguih kategorija, tj. nivoa datog faktora.
10
O nainima kodiranja kategorike varijable moe se videti u glavi V, odeljak V.1.
11
Terminom konkatenacija oznaili smo injenicu da je kolonski vektor a pridruen kao poslednja kolona
matrici B.


16
posebnoj koloni oznaku grupe ili nivoa neponovljenog faktora kojem ta jedinica
posmatranja pripada.
Polazna struktura podataka koja slui za dvofaktorijalnu analizu varijanse sa jednim
neponovljenim i jednim ponovljenim faktorom moe se predstaviti na sledei nain (prvi
indeks u oznakama elemenata matrice odnosi se na jedinicu posmatranja, tj. red matrice u
kojoj je element, drugi indeks oznaava kojem nivou neponovljenog faktora pripada
odreena jedinica posmatranja, a trei indeks govori o nivou ponovljenog faktora):

Nivoi ponovljenog faktora B Jedinica
posmatranja
("Subjekt")
Grupna pripadnost ili
pripadnost jednom od
nivoa neponovljenog
faktora A
1 2 ... k ... g
e
1
a
1
x
111
x
112
... x
11k
... x
11g

e
2
... x
211
x
212
... x
21k
... x
21g

... ... ... ... ... ... ... ...
e
i
a
2
x
i21
x
i22
... x
i2k
... x
i2g

... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ...
e
i
a
j
x
ij1
x
ij2
... x
ijk
... x
ijg

... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ...
e
n
a
p
x
np1
x
np2
... x
npk
... x
npg


(Pune horizontalne linije u matrici razdvajaju jedinice posmatranja koje pripadaju
razliitim nivoima neponovljenog faktora. Redovi za razliite jedinice posmatranja unutar
istog nivoa neponovljenog faktora razdvojeni su isprekidanim linijama).
U skladu sa teorijskim strukturnim modelom ove analize, rezultat x
ijk
, tj. rezultat na
varijabli v za i-tu jedinicu posmatranja, koji pripada j-tom nivou neponovljenog faktora i k-
tom nivou ponovljenog faktora moemo posmatrati kao da je sastavljen od aritmetike
sredine svih rezultata (M), efekta j-tog nivoa neponovljenog faktora, efekta individualnih
razlika unutar istog nivoa neponovljenog faktora, efekta k-tog nivoa ponovljenog faktora,
efekta interakcije neponovljenog i ponovljenog faktora i efekta interakcije ponovljenog
faktora i individualnih razlika unutar istog nivoa neponovljenog faktora.
12


Ukupni varijabilitet kvantitativne (zavisne) varijable razlae se u ovoj analizi na dve osnovne
komponente:

SS
t
= SS
b
+ SS
w


12
Iskazan u terminima populacionih parametara, tj. kao strukturalni model dvofaktorijalnog nacrta analize
varijanse sa jednim neponovljenim i jednim ponovljenim faktorom, ovaj model ima sledei oblik:
X
ijk
= +o
j
+t
i(j)
+t
k
+ot
jk
+tt
ki(j)
+c
i(jk)

pri emu je oekivana vrednost, tj. ukupna aritmetika sredina u pogledu zavisne varijable, o
j
parametar za
efekat j-tog nivoa neponovljenog faktora, t
i(j)
parametar za efekat individualnih razlika na j-tom nivou
neponovljenog faktora, t
k
parametar za efekat k-tog nivoa ponovljenog faktora, ot
jk
parametar za interakciju
neponovljenog i ponovljenog faktora, tt
ki(j)
parametar za interakciju ponovljenog faktora i individualnih
razlika na j-tom nivou neponovljenog faktora, a c
i(jk)
predstavlja rezidualne efekte, tj. eksperimentalnu greku
u vezi sa X
ijk
.



17

pri emu je:

SS
t
Ukupni zbir kvadriranih odstupanja na zavisnoj varijabli v;

SS
b
Zbir kvadriranih odstupanja izmeu ispitanika ili subjekata (eng. between subjects);

SS
w
Zbir kvadriranih odstupanja unutar ispitanika ili subjekata (eng. within subjects);

Svaka od ove dve osnovne komponente varijabilnosti u zavisnoj varijabli razlae se dalje na
sledei nain:

a) Zbir kvadriranih odstupanja izmeu subjekata razlae se na zbir kvadriranih odstupanja za
efekat neponovljenog faktora A (SS
A
), i zbir kvadriranih odstupanja za subjekte unutar grupa
(SS
swg
):

SS
b
= SS
A
+ SS
swg


b) Zbir kvadriranih odstupanja unutar subjekata razlae se na zbir kvadriranih odstupanja za
efekat ponovljenog faktora B (SS
B
), zbir kvadriranih odstupanja za interakciju neponovljenog
i ponovljenog faktora (SS
AB
) i zbir kvadriranih odstupanja za interakciju ponovljenog faktora
i subjekata unutar grupa (SS
Bxswg
):

SS
w
= SS
B
+ SS
AB
+ SS
Bxswg


Svakom od zbirova kvadriranih odstupanja odgovara odreeni broj stepeni slobode.
Deljenjem zbira kvadriranih odstupanja sa odgovarajuim brojem stepeni slobode dobija se
proseni kvadrat (engl. Mean Square) ili ocena varijanse koja govori o efektu datog izvora
varijabiliteta na varijabilitet zavisne varijable.

Pregled zbirova kvadriranih odstupanja, stepeni slobode i prosenih kvadrata za
dvofaktorijalnu univarijacionu analize varijanse sa jednim ponovljenim i jednim
neponovljenim faktorom dat je u sledeoj tabeli:

IZVORI VARIRANJA ZBIROVI
KVADRATA
(SS)
STEPENI
SLOBODE
(df)
PROSENI
KVADRAT- OCENA
VARIJ ANSE
Izmeu subjekata
Neponovljeni faktor A
Subjekti unutar grupa
SS
b
SS
A
SS
swg


np 1
p-1
p(n-1)
S
2
b
(MS
b
)
S
2
A
(MS
A
)

S
2
swg
(MS
swg
)
Unutar subjekata
Ponovljeni faktor (B)
Interakcija faktora (A x B)
B x subjekti unutar grupa

SS
w
SS
B
SS
AB
SS
Bxswg

np(g - 1)
g-1
(p-1) (g-1)
p(n-1)(g-1)
S
2
w
(MS
w
)

S
2
B
(MS
B
)

S
2
AB
(MS
AB
)

S
2
Bxswg
(MS
Bxswg
)






18

Testiranje statistikih hipoteza

Testiranje hipoteze o interakciji neponovljenog i ponovljenog faktora

Statistik za testiranje nulte hipoteze o interakciji neponovljenog faktora A i ponovljneog
faktora B

H
0
: ot
jk
=0, jk, ("U populaciji ne postoji interakcija faktora A i B")

dobija se na sledei nain:

2
Bxswg
2
AB
S
S
F =
Statistik F, ako je H
0
tano i ako su ispunjeni odreeni dodatni uslovi, ima kao distribuciju
uzorkovanja Snidikorovu funkciju gustine sa (p - 1) (g-1) i p(n - 1) (g-1) stepeni slobode.
Na osnovu Snidikorove raspodele moemo izraunati verovatnou da statistik F na sluaj
uzme vrednost koja je jednaka vrednosti statistika koju smo dobili na uzorku ili vea od te
vrednosti. Ako je ova verovatnoa manja od odabranog nivoa znaajnosti (uobiajeno
0.05) moemo odbaciti H
0
i tvrditi da postoji interakcija faktora A i B.

Testiranje hipoteza o glavnim efektima faktora

a) Testiranje hipoteze o efektu ponovljenog faktora:

Odgovor na pitanje da li je u populaciji efekat ponovljenog faktora B razliit od nule, tj. da li
postoji uticaj ovog faktora na zavisnu varijablu dobijamo testiranjem nulte hipoteze:

H
0
: t
k
=0, k, tj.
1
=
1
=
2
==
g
("U populaciji ne postoji efekat faktora B")

U formalnom definisanju nulte hipoteze, t
k
predstavlja efekat k-tog nivoa faktora na
zavisnu varijablu (t
k
=
k
- ),
k
je aritmetika sredina zavisne varijable u populaciji za k-
ti nivo faktora, a je globalna aritmetika sredina zavisne varijable u populaciji.

Statistik za testiranje efekta ponovljenog faktora B, u oznaci F, dobija se na sledei nain:

2
Bxswg
2
B
S
S
F =
Statistik F, ako je H
0
tano i ako su ispunjeni odreeni dodatni uslovi, ima kao distribuciju
uzorkovanja Snidikorovu funkciju gustine sa (g - 1) i p(n - 1) (g -1) stepeni slobode. Na
osnovu Snidikorove raspodele moemo izraunati verovatnou da statistik F na sluaj
uzme vrednost koja je jednaka vrednosti statistika koju smo dobili na uzorku ili vea od te
vrednosti. Ako je ova verovatnoa manja od odabranog nivoa znaajnosti (uobiajeno
0.05) moemo odbaciti H
0
i tvrditi da postoji efekat faktora B na zavisnu varijablu.

b) Testiranje nulte hipoteze o efektu neponovljenog faktora A:



19
H
0
: o
j
=0, j, tj.
1
=
2
==
p
("U populaciji ne postoji efekat faktora A na zavisnu
varijablu") izvodi se F-testom.
Statistik za testiranje postojanja efekta neponovljenog faktora A, u oznaci F, dobija se na
sledei nain:

2
swg
2
A
S
S
F =
Statistik F, ako je H
0
tano i ako su ispunjeni odreeni dodatni uslovi, ima kao distribuciju
uzorkovanja Snidikorovu funkciju gustine sa (p - 1) i p(n - 1) stepeni slobode. Na osnovu
Snidikorove raspodele moemo izraunati verovatnou da statistik F na sluaj uzme
vrednost koja je jednaka vrednosti statistika koju smo dobili na uzorku ili vea od te
vrednosti. Ako je ova verovatnoa manja od odabranog nivoa znaajnosti (uobiajeno
0.05) moemo odbaciti H
0
i tvrditi da postoji efekat faktora A na zavisnu varijablu.

Naknadni testovi

Po odbacivanju odreene nulte hipoteze mogue je primeniti naknadna poreenja.
Mogue je, na primer, ako postoji interakcija izmeu faktora ispitivati proste efekte
ponovljenog faktora na svakom nivou neponovljenog faktora ili proste efekte
neponovljenog faktora za svaki nivo ponovljenog faktora. Ukoliko za neki od faktora
postoji glavni efekat, a faktor ima vie od dva nivoa, mogue je vriti naknadna poreenja
kojima bi se ustanovilo meu kojim nivoima datog faktora postoji statistiki znaajna
razlika. Isto tako, mogue je izvoditi planirane, tj. apriorne kontraste. Podrobnija
objanjenja ovih postupaka mogu se nai u udbenicima koji su specifino namenjeni samo
prikazu analize varijanse.

Uslovi za primenu dvofaktorijalne univarijacione analize varijanse sa jednim
neponovljenim i jednim ponovljenim faktorom

U objanjenju postupka testiranja hipoteza naglaavali smo da statistik F ima, ako
je nulta hipoteza tana, i ako su ispunjeni odreeni dodatni uslovi kao svoju distribuciju
uzorkovanja Snidikorovu funkciju gustine sa odreenim brojevima stepeni slobode kao
parametrima. Ovi dodatni uslovi u dvofaktorijalnoj analizi varijanse sa jednim
neponovljenim i jednim ponovljenim faktorom jesu sledei:

1. Nezavisnost opservacija unutar svake kombinacije nivoa neponovljenog i ponovljenog
faktora. To praktino znai da u odreenoj kombinaciji nivoa dva faktora ne sme biti vie
rezultata koji potiu od iste jedinice posmatranja.Ovaj uslov obezbeuje se uzimanjem
sluajnog uzorka i randomizovanim rasporeivanjem jedinica posmatranja na nivoe
neponovljenog faktora.
2. Normalnost distribucije zavisne varijable u populaciji za svaku kombinaciju nivoa dva
faktora;
3. Viegrupna sferinost (eng. sphericity), tj. ispunjenost uslova sferinosti na svakom
nivou neponovljenog faktora.
Budui da je uslov "viegrupne sferinosti" verovatno veoma retko ispunjen u realnim
uslovima analize podataka u psihologiji pri testiranju nulte hipoteze o efektu ponovljenog
faktora i nulte hipoteze o interakciji neponovljenog i ponovljenog faktora potrebno je


20
primeniti postupke za korigovanje stepeni slobode koje smo objasnili pri izlaganju analize
varijanse sa jednim ponovljenim faktorom.

*************************************************************************
Za definisanje dvofaktorijalne analize varijanse sa ponovljenim i neponovljenim faktorom
u verziji 11.5 programa SPSS treba odabrati Analyse/General Linear Model/Repeated
Measures. U prozoru za dijalog koji se prvi pojavi a iji naslov je Repeated Measures
Define Factor(s) (slika 1) treba u polju Within-Subjects factor name upisati ime
ponovljenog faktora, a u polju Number of levels upisati broj nivoa ponovljenog faktora i
potom kliknuti da dugme Add. Klikom na dugme Define prelazi se u prozor za dijalog
Repeated measures. U ovom prozoru treba imena varijabli u kojima se nalaze nivoi
ponovljenog faktora prebaciti iz levog spiska u okvir Within-Subjects Variables vodei
rauna o redosledu nivoa (slika 2), a u okvir Between-Subject Factor(s) prebaciti ime
varijable u kojoj su podaci o pripadnosti jednom od nivoa neponovljenog faktora. Klikom
na dugme Plots u poddijalogu Repeated Measures: Profile Plots mogue je zatraiti
grafiki prikaz aritmetikih sredina bilo po nivoima jednog faktora, bilo za razliite nivoe
jednog faktora po nivoima drugog faktora. Klikom na dugme Post Hoc mogue je zatraiti
naknadna poreenja meu nivoima neponovljenog faktora prebacivanjem imena
neponovljenog faktora iz okvira Factor(s) u okvir Post Hoc Tests for i ukljuivanjem
eljenog testau listi ponuenih testova.

Slika 2. Poddijalog Repeated Measures procedure General Linear
Model/Repeated Measures programa SPSS 11.5 za ukljuivanje neponovljenog
faktora u analizu



21




Primer: Ispitivanje efikasnosti tri vrste antidepresiva u leenju depresije
Svakom od 30 pacijenata sa dijagnozom unipolarnog depresivnog poremeaja zadat
je u trenutku prvog pregleda Bekov inventar depresivnosti. Potom je svakom pacijentu
prepisan jedan od tri antidepresiva: 20 pacijenata koristilo je lek Ma, 20 lek An, a 20 lek
Mi (prava imena lekova su ovde namerno izostavljena). Na kontrolnim pregledima (mesec
dana i 6 meseci posle poetka terapije) pacijentima je opet zadavan Bekov inventar
depresivnosti. Da li ove tri vrste antidepresiva smanjuju depresivnost pacijenata tokom
vremena i da li, ako dovode do smanjenja depresivnosti, sva tri leka imaju isti uticaj u tom
pogledu? Zavisna varijabla u ovom sluaju je intenzitet depresivnosti pacijenata,
ponovljeni faktor je vreme sa tri nivoa (nivoi: poetak leenja, posle mesec dana leenja i
posle 6 meseci leenja), a neponovljen faktor je vrsta antidepresiva (nivoi: Ma, An i Mi) ili
grupa kojoj prema vrsti korienog antidepresiva pacijent pripada.
Podaci u ovom primeru organizovani su na sledei nain: u varijabli lek_grupa za
svakog pacijenta oznaeno je cifrom 1, 2 ili 3 koji lek je koristio tokom ispitivanog perioda
(1=Ma, 2=An i 3=Mi). U varijabli dep_poc su rezultati pacijenata na Bekovom inventaru
depresivnosti prilikom prvog pregleda, varijabla dep_po1m sadrala je rezultate na
Bekovom inventaru posle mesec dana od poetka uzimanja leka, a varijabla dep_po6m
rezultate na Bekovom inventaru po isteku 6 meseci od poetka uzimanja leka. Da bi se
ustanovilo da li korieni lekovi poboljavaju stanje pacijenata, i, ako poboljavaju da li to
ine u istoj meri primenjena je dvofaktorijalna univarijaciona analiza varijanse sa
vremenom ispitivanja kao ponovljenim faktorom, vrstom leka kao neponovljenim faktorom
i intenzitetom depresivnosti kao zavisnom varijablom. Budui da je definisanje
ponovljenog faktora isto kao u analizi varijanse sa jednim ponovljenim faktorom, na slici 2
prikazan je samo prozor za dijalog u kojem je pored ve prethodno definisanog
ponovljenog faktora vrem_isp u analizu ukljuen neponovljeni faktor (prebacivanjem
imena varijable lek_grupa u okvir Between-Subject Factor(s)).

Ispis iz procedure SPSS 11.5:




General Linear Model
Within-Subjects Factors
Measure: MEASURE_1
DEP_POC
DEP_PO1M
DEP_PO6M
VREM_ISP
1
2
3
Dependent
Variable



22
Between-Subjects Factors
Ma 20
An 20
Mi 20
1
2
3
LEK_GRUP
Value Label N


U tabeli Within-Subjects Factors prikazano je ime ponovljenog faktora VREM_ISP koje
je definisano u prozoru za dijalog Repeated Measures Define Factor(s) i imena varijabli
u kojima su rezultati sa Bekovog inventara depresivnosti u tri vremenska trenutka
(dep_poc, dep_po1m, dep_po6m). Tabela Between-Subjects Factors sadri ime
kategorike varijable koja predstavlja neponovljen faktor (lek_grup), oznake i nazive
kategorija, tj. nivoa faktora (1 =Ma, 2 =An, 3 =Mi) i broj jedinica posmatarnja na
svakom nivou neponovljenog faktora (kolona N).










Descriptive Statistics
48,50 6,074 20
49,40 5,557 20
52,00 7,175 20
49,97 6,375 60
45,60 6,908 20
46,30 6,974 20
48,35 6,434 20
46,75 6,764 60
30,10 10,528 20
18,85 4,945 20
37,00 6,657 20
28,65 10,712 60
LEK_GRUP
1 Ma
2 An
3 Mi
Total
1 Ma
2 An
3 Mi
Total
1 Ma
2 An
3 Mi
Total
DEP_POC
DEP_PO1M
DEP_PO6M
Mean Std. Deviation N







23


Multivariate Tests
c
,905 266,151
a
2,000 56,000 ,000
,095 266,151
a
2,000 56,000 ,000
9,505 266,151
a
2,000 56,000 ,000
9,505 266,151
a
2,000 56,000 ,000
,521 10,027 4,000 114,000 ,000
,483 12,272
a
4,000 112,000 ,000
1,061 14,582 4,000 110,000 ,000
1,053 30,005
b
2,000 57,000 ,000
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
Effect
VREM_ISP
VREM_ISP * LEK_GRUP
Value F Hypothesis df Error df Sig.
Exact statistic
a.
Thestatistic is an upper bound on F that yields a lower bound on thesignificancelevel.
b.
Design: Intercept+LEK_GRUP
Within Subjects Design: VREM_ISP
c.




Tabele u ispisu iji naslov je Multivariate Tests podrazumevaju razumevanje
alternativnog multivarijacionog pristupa analizi varijanse. Budui da ovakav pristup analizi
varijanse nije objanjen u ovom tekstu tabele pod tim naslovom neemo komentarisati.
Na tabelu Mauchly test of sphericity moe se primeniti komentar koji smo dali pri
objanjenju ispisa iz jednofaktorijalne analize varijanse sa jednim ponovljenim faktorom.

Mauchly's Test of Sphericity
b
Measure: MEASURE_1
,496 39,232 2 ,000 ,665 ,699 ,500
Within Subjects Effect
VREM_ISP
Mauchly's W
Approx.
Chi-Square df Sig.
Greenhouse-
Geisser Huynh-Feldt Lower-bound
Epsilon
a
Tests the null hypothesis that the error covariance matrix of the orthonormalized transformed dependent variables is proportional to
an identity matrix.
May beused to adjust thedegrees of freedomfor theaveraged tests of significance. Corrected tests aredisplayed in theTests of Within-Subjects
Effects table.
a.
Design: Intercept+LEK_GRUP
Within Subjects Design: VREM_ISP
b.



24
Tests of Within-Subjects Effects
Measure: MEASURE_1
15847,144 27923,572 439,599 ,000
15847,144 1,330 11914,7 439,599 ,000
15847,144 1,398 11339,0 439,599 ,000
15847,144 1,000 15847,1 439,599 ,000
1824,722 4 456,181 25,309 ,000
1824,722 2,660 685,958 25,309 ,000
1824,722 2,795 652,815 25,309 ,000
1824,722 2,000 912,361 25,309 ,000
2054,800 114 18,025
2054,800 75,813 27,104
2054,800 79,662 25,794
2054,800 57,000 36,049
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Source
VREM_ISP
VREM_ISP * LEK_GRUP
Error(VREM_ISP)
Type III Sum
of Squares df Mean Square F Sig.


U tabeli Tests of Within-Subjects Effects prikazani su ishodi testiranja hipoteza o efektu
ponovljenog faktora (red vrem_isp) i interakciji ponovljenog i neponovljenog faktora (red
vrem_isp*lek_grup). Kao to se iz ove tabele moe videti, ishodi testiranja nulte hipoteze
prema kojoj u populaciji iz koje je uzorak nema interakcije vremena ispitivanja i vrste
korienog antidepresiva praktino su isti bez obzira da li se koristi postupak koji
podrazumeva viegrupnu sferinost (red Sphericity assumed) ili neka od korekcija za
nesferinost (redovi Greenhouse-Geisser ili Huynh-Feldt). Budui da je verovatnoa u
koloni Sig za svaki od postupaka znatno ispod 0.05 nultu hipotezu o nepostojanju
interakcije ponovljenog i neponovljenog faktora u populaciji moemo odbaciti. Isto tako,
na osnovu verovatnoe u koloni Sig u redu vrem_isp nulta hipoteza o nepostojanju efekta
ponovljenog faktora moe se odbaciti.


Tests of Within-Subjects Contrasts
Measure: MEASURE_1
13632,008 1 13632,008 541,151 ,000
2215,136 1 2215,136 204,003 ,000
1336,617 2 668,308 26,530 ,000
488,106 2 244,053 22,476 ,000
1435,875 57 25,191
618,925 57 10,858
VREM_ISP
Linear
Quadratic
Linear
Quadratic
Linear
Quadratic
Source
VREM_ISP
VREM_ISP * LEK_GRUP
Error(VREM_ISP)
Type III Sum
of Squares df Mean Square F Sig.




25
Tests of Between-Subjects Effects
Measure: MEASURE_1
Transformed Variable: Average
314336,0 1 314336 2870,92 ,000
1746,411 2 873,206 7,975 ,001
6240,900 57 109,489
Source
Intercept
LEK_GRUP
Error
Type III Sum
of Squares df Mean Square F Sig.


U tabeli Tests of Between-Subjects Effects prikazan je (u redu lek_grup) ishod testiranja
nulte hipoteze o nepostojanju efekta neponovljenog faktora, tj. vrste leka na zavisnu
varijablu, tj. na proseni intenzitet depresivnosti u tri ispitivana vremenska trenutka.
Budui da je verovatnoa da se ako je nulta hipoteza o nepostojanju efekta vrste leka na
zavisnu varijablu tana dobije na sluaj F statistik vei od 7.975 jednaka 0.001, tj. znatno
manja od 0.05 i nultu hipotezu o efektu vrste leka na depresivnost moemo odbaciti.
Meutim, postojanje efekta neponovljenog faktora znai samo to da se grupe koje su
koristile razliite antidepresive statistiki znaajno razlikuju u pogledu zavisne varijable
koja predstavlja uproseenu depresivnost u tri vremenska trenutka. Naime, ukoliko bismo
za sve pacijente rezultate na zavisnoj varijabli izraunali kao prosek rezultata sa Bekovog
inventara depresivnosti u tri vremenska trenutka (dep_poc, dep_po1m, dep_po6m) i
potom napravili jednofaktorijalnu analizu varijanse sa tako dobijenom zavisnom
varijablom i vrstom antidepresiva (lek_grup) kao neponovljenim faktorom (procedura
One-Way ANOVA) dobili bismo F statistik identian onome koji je u ovoj tabeli prikazan
u redu (u redu lek_grup). Prema tome, postojanje efekta neponovljenog faktora nema u
ovom sluaju posebnu interpretativnu vrednost.
Postojanje efekta ponovljenog faktora, i, posebno, efekta interakcije ponovljenog i
neponovljenog faktora interpretativno su u ovom sluaju relevantniji. Da bi se u potpunosti
protumailo znaenje ovih efekata potrebno je sprovesti dodatne analize. Broj moguih
dodatnih, tj. naknadnih analiza je veliki, a koje e analize konkretno biti sprovedene
umnogome zavisi od toga koja je pitanja istraiva postavio pre sprovoenja samog
istraivanja.
13
Mi emo ovde, umesto prikaza svih moguih naknadnih analiza, samo
nagovestiti znaenje postojanja efekta ponovljenog faktora, i interakcije ponovljenog i
neponovljenog faktora. Pri tome emo se oslanjati na aritmetike sredine rezultata na skali
depresivnosti za pojedine kombinacije nivoa ponovljenog i neponovljenog faktora koje su
prikazane u poetnom delu ispisa u tabeli Descriptives.
14
Kao to se iz tabele Descriptives
moe uoiti proseni intenzitet depresivnosti opada sa vremenom o emu govori postojanje
efekta ponovljenog faktora (Na poetku leenja prosena depresivnost bila je 49.97, nakon
mesec dana leenja smanjila se na 46.75, da bi posle 6 meseci leenja "spala" na 28.65).
Postojanje interakcije ponovljenog i neponovljenog faktora sugerie nam da ovaj trend
smanjenja depresivnosti nije isti za sve koriene lekove. Pregledom tabele Descriptives
moemo uoiti da je smanjenje depresivnosti posle mesec dana od poetka leenja skoro
identino za sve tri vrste leka, ali je pad depresivnosti posle 6 meseci znatno leenja znatno

13
O moguim naknadnim analizama moe se proitati u Todorovi, 2008.
14
Da bi se ova tabela pojavila u ispisu potrebno je klikom na dugme Options dijaloga koji je prikazan na
slici 2 otii u poddijalog Repeated Measures: Options.i ukljuiti opciju Descriptives (v. Sliku 1).



26
izraeniji kod pacijenata koji su uzimali lek An, a najmanje izraen kod pacijenata koji su
koristili lek Mi. Dakle, ukoliko bismo efikasnost nekog antidepresiva procenjivali samo na
osnovu smanjenja rezultata na Bekovom inventaru depresivnosti, onda bismo mogli
zakljuiti da je lek Mi efikasniji lek od preostala dva antidepresiva.
Jo jednostavnije bismo do istog tumaenja dobijenih rezultata mogli doi posmatranjem
grafika na kojem su aritmetike sredine (ordinata) za sve nivoe ponovljenog faktora
(apscisa) prikazane posebno po nivoima neponovljenog faktora (linije razliitog stila).
15


Grafik 1. Aritmetike sredine rezultata na Bekovom inventaru depresivnosti za grupu
pacijenata sa unipolarnim depresivnim poremeajem na poetku leenja (vrem_isp = 1),
posle mesec dana leenja (vrem_isp = 2) i posle 6 meseci leenja (vrem_isp = 3) s obzirom
na vrstu antidepresiva (lek_grup: Ma, An, Mi) koja je koriena u leenju




















Iz Grafika 1 moemo uoiti da su na poetku ispitivanja i posle mesec dana leenja
aritmetike sredine grupa pacijenata koje su koristile tri razliita antidepresiva sline, dok
je pad u depresivnosti posle 6 meseci znatno izraeniji kod pacijenata koji su koristili lek
An (isprekidana linija) nego kod ostalih pacijenata.










15
Ovaj grafik se moe definisati u okviru procedure Analyze/General Linear Model/Repeated Measures
na sledei nain: u poddijalogu Repeated Measures (slika 2) kliknuti na dugme Plots, u poddijalogu
Repeated Measures: Plots ubaciti ime ponovljenog faktora (vrem_isp) u polje Horizontal Axis, a ime
neponovljenog faktora (lek_grup) u polje Separate Lines i potom kliknuti na dugme Add.
VREM_ISP
3 2 1
E
s
t
i
m
a
t
e
d

M
a
r
g
i
n
a
l

M
e
a
n
s
60
50
40
30
20
10
LEK_GRUP
Ma
An
Mi


27






Spisak literature na koju se italac upuuje u ovom tekstu:

1. Howell, D. (2010). Statistical Methods for Psychology, Seventh Edition. Belmont,
CA: Wadsworth, Cengage Learning.

2. OBrien, R.G. & Kaiser, M.K. (1995) MANOVA Method for Analyzing Repeated
Measures Designs: An Extensive Primer, Psychological Bulletin, 97, 316-333.


3. Stevens, J. (2002). Applied Multivarate Statistics for the Social Sciences (Fourth
Edition), Mahwah NJ : Lawrence Erlbaum Associates, Publishers.

4. Todorovi, D. (2008). Osnovi metodologije psiholokih istraivanja, Beograd:
Centar za primenjenu psihologiju.


5. Winer, B.J (1970). Statistical Pprinciples in Experimental Design, New-York:
McGraw-Hill.
















Copyright 2011, a.