Bayesci ANOVA
Bayesian Analysis of Variance with Bayes Factors · Ayrıca şöyle bilinir: bayesian analysis of variance, bayes factor ANOVA, JZS ANOVA, Bayesçi ANOVA — Bayes Faktörü ile Grup Karşılaştırması
Rouder, Morey, Speckman ve Province (2012) tarafından biçimlendirilen Bayesci ANOVA, grup ortalamalarının farklı olup olmadığını, alternatif hipotez lehine olan kanıtı Bayes Faktörü (BF₁₀) kullanarak sıfır hipotezine kıyasla ölçerek test eder. Klasik ANOVA'nın aksine, sıfır hipotezi lehine olan kanıtı da ölçebilir, bu da gruplar farklı olmadığında eşit derecede bilgilendirici olmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli sonuçları iki veya daha fazla bağımsız grup arasında karşılaştırdığınızda ve hem alternatif hem de sıfır hipotezi için kanıtı nicelleştirmeniz gerektiğinde Bayesci ANOVA'yı kullanın. Özellikle grup farklılıklarının yok olabileceğini beklediğinizde ve 'p > 0.05'ten fazlasını söylemek istediğinizde, etki büyüklükleri üzerinde ilkeli bir varsayılan önseli dahil etmek istediğinizde veya örneklem büyüklüğünün orta düzeyde olduğu ve tam bir belirsizlik resminin gerekli olduğu durumlarda değerlidir. Toplamda en az yaklaşık 10 gözlem önerilir; daha az gözlemle, Bayes Faktörü Cauchy önseli tarafından domine edilir ve yorumlama güvenilmezdir. Normallik ihlalleri, Cauchy önseli varsayımının BF'yi etkileyebileceği için bir önsel-duyarlılık analizi gerektirmelidir.
Güçlü yönler & sınırlılıklar
- Bir p-değerinin aksine, hem alternatif hem de sıfır hipotezi için kanıtı nicelleştirir.
- Sürekli, yorumlanabilir bir kanıt ölçeği sağlar (BF₁₀ > 3 orta, > 10 güçlü, > 30 çok güçlü).
- Öznel bir belirleme gerektirmeyen ilkeli, literatür standardı bir Cauchy önseli (r = 0.707) kullanır.
- Sonuçlar, tam parametre belirsizliğini ileten güven aralıklarıyla birlikte sonsal dağılımlar olarak raporlanır.
- n < 10 olduğunda, Bayes Faktörü önsele aşırı duyarlıdır ve güvenilmez kanıtlar üretir.
- Cauchy önseli (r = 0.707) her alandaki gerçek önsel beklentileri yansıtmayabilecek bir varsayılandır; önsel-duyarlılık analizi zorunludur.
- Ek post-hoc Bayesci karşılaştırmalar olmadan gruplar arasındaki belirli karşıtlıkları test etmez.
- Sonsal örnekleme MCMC ve yakınsama kontrolleri gerektirir, bu da klasik ANOVA'ya kıyasla hesaplama ve yorumlama yükünü artırır.
SSS
BF₁₀ bir p-değerinden nasıl farklıdır?
Bir p-değeri, verilerin yalnızca sıfır hipotezi altında ne kadar şaşırtıcı olduğunu ölçer; sıfır hipotezi için kanıtı nicelleştiremez. BF₁₀, verilerin alternatif hipotez altındaki olasılığının sıfır hipotezi altındaki olasılığına oranıdır, bu nedenle her iki hipotez için de kanıtı eş zamanlı olarak ölçer. 0.1 BF₁₀ değeri sıfır hipotezi için açık bir kanıttır; 0.5 p-değeri ise değildir.
r = 0.707 ile Cauchy önseli ne anlama gelir?
Cauchy önseli, verileri görmeden önce grup farklılıklarının standartlaştırılmış etki büyüklükleri üzerinde bir olasılık dağılımı yerleştirir. Ölçek parametresi r = 0.707 (yaklaşık √2/2), Rouder vd. varsayılanıdır: orta büyüklükteki etki büyüklüklerini bekler ve yön konusunda kasıtlı olarak tarafsızdır. 'Varsayılan' olarak adlandırılır çünkü onu kullanmak için alana özgü önsel bilgi gerekmez ve Bayesci ANOVA için topluluk standardı haline gelmiştir.
Ne zaman klasik tek yönlü ANOVA yerine Bayesci ANOVA kullanmalıyım?
Bayesci ANOVA, (a) grupların farklı olmadığı sonucuna varmak istediğinizde, sadece sıfır hipotezini reddetmekle kalmayıp; (b) nokta tahminleri ve güven aralıkları yerine tam sonsal dağılımlar ve güven aralıkları istediğinizde; veya (c) kanıtın gücünü sürekli, yorumlanabilir bir ölçekte iletmek istediğinizde daha iyi bir seçenektir. Klasik ANOVA, örneklem büyüklüklerinin büyük olduğu, önsel belirlemenin ilgi çekici olmadığı ve ikili bir reddet/reddetmeme kararının yeterli olduğu durumlarda pratik kalır.
MCMC örneklemesinden sonra hangi yakınsama kontrolleri gereklidir?
En azından: (1) tüm parametreler için 1.01'in altında R-hat değerleri, zincirlerin karıştığını gösterir; (2) kararlı sonsal özetler için yeterince büyük bir etkin örneklem büyüklüğü (genellikle parametre başına birkaç yüz veya daha fazla); ve (3) zincirlerin takılı kalmadığını doğrulamak için iz grafiklerinin görsel incelemesi. Bu tanılayıcılardan herhangi biri başarısız olursa, MCMC çıktısı sonuç çıkarmak için kullanılmamalıdır – yineleme sayısını artırın veya modeli yeniden inceleyin.
Kaynaklar
- Rouder, J. N., Morey, R. D., Speckman, P. L. & Province, J. M. (2012). Default Bayes Factors for ANOVA Designs. Journal of Mathematical Psychology, 56(5), 356–374. DOI: 10.1016/j.jmp.2012.08.001 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Bayesian Analysis of Variance with Bayes Factors. ScholarGate. https://scholargate.app/tr/bayesian/bayesian-anova
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Faktörü TestiBayesçi↔ karşılaştır
- Bayes RegresyonuBayesçi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır
- Tek yönlü Varyans Analiziİstatistik↔ karşılaştır