Kiedy możesz potrzebować użyć tego testu? (cd…)
Drugim projektem badania jest rekrutacja grupy osób, a następnie podzielenie ich na grupy w oparciu o jakąś zmienną niezależną. Ponownie, każda osoba będzie przypisana tylko do jednej grupy. Ta zmienna niezależna jest czasami nazywana atrybutową zmienną niezależną, ponieważ dzielimy grupę na podstawie jakiegoś atrybutu, który posiadają (np. ich poziom wykształcenia; każda osoba ma jakiś poziom wykształcenia, nawet jeśli jest to „brak”). Każda grupa jest następnie mierzona na tej samej zmiennej zależnej po przejściu tego samego zadania lub warunku (lub żadnego). Na przykład, badacz jest zainteresowany ustaleniem, czy istnieją różnice w sile nóg pomiędzy amatorskimi, półprofesjonalnymi i profesjonalnymi graczami rugby. Zmienną zależną jest siła/wytrzymałość mierzona na maszynie izokinetycznej. Ten typ projektu badania został schematycznie przedstawiony na poniższym rysunku:
Dlaczego nie porównywać grup za pomocą wielokrotnych testów t?
Za każdym razem, gdy przeprowadzasz test t, istnieje szansa, że popełnisz błąd typu I. Błąd ten wynosi zazwyczaj 5%. Błąd ten wynosi zazwyczaj 5%. Przeprowadzając dwa testy t na tych samych danych zwiększysz swoje szanse na popełnienie błędu do 10%. Wzór na określenie nowego poziomu błędu dla wielokrotnych testów t nie jest tak prosty, jak pomnożenie 5% przez liczbę testów. Jednakże, jeśli wykonujesz tylko kilka wielokrotnych porównań, wyniki są bardzo podobne, jeśli to zrobisz. W związku z tym, trzy testy t wyniosłyby 15% (w rzeczywistości 14,3%) i tak dalej. Są to błędy nie do zaakceptowania. ANOVA kontroluje te błędy, dzięki czemu błąd typu I pozostaje na poziomie 5%, a Ty możesz być bardziej pewny, że każdy statystycznie istotny wynik, który znajdziesz, nie jest tylko wynikiem przeprowadzenia wielu testów. Zobacz nasz przewodnik po testowaniu hipotez, aby uzyskać więcej informacji na temat błędów typu I.