Bayesçi MANOVA
Bayesian Multivariate Analysis of Variance · Ayrıca şöyle bilinir: Bayesian MANOVA, Bayesian multivariate ANOVA, BF-MANOVA, Bayesian multivariate group comparison
Bayesçi Çok Değişkenli Varyans Analizi (Bayesçi MANOVA), klasik MANOVA çerçevesini, sıfır hipotezi anlamlılık testini Bayesçi çıkarım ile değiştirerek genişletir. Çok değişkenli grup ortalamaları ve kovaryans yapıları üzerinde önsel dağılımlar kullanır, bunları verilerle güncelleyerek sonsal dağılımlar elde eder ve kanıtı p-değerleri yerine Bayes faktörleri aracılığıyla nicelleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayesçi MANOVA'yı, kavramsal olarak ilişkili ve birlikte analiz edilmesi gereken iki veya daha fazla grubunuz ve iki veya daha fazla sürekli bağımlı değişkeniniz olduğunda kullanın. Özellikle sıfır hipotezi lehine kanıtı nicelleştirmek istediğinizde (örneğin, gruplar arası denklik), örneklem büyüklükleri küçük olduğunda ve önsel bilgi mevcut olduğunda veya çalışmalar arasında kümülatif Bayesçi kanıt sentezlendiğinde değerlidir. Bağımlı değişkenler sıralı veya kategorik olduğunda kullanmayın; dikkatli varsayım kontrolünün yerine kullanmayın — çok değişkenli normallik ve makul bir kovaryans yapısı hala gereklidir. Tek bir bağımlı değişken için, Bayesçi tek yönlü ANOVA daha basittir ve eşit derecede uygundur.
Güçlü yönler & sınırlılıklar
- Klasik MANOVA'nın yapamadığı, grup farkı olmaması şeklindeki sıfır hipotezi lehine kanıtı nicelleştirebilir.
- Grup merkez noktaları ve kovaryans için tam sonsal dağılımlar sağlayarak, nokta tahminlerinin ötesinde zengin belirsizlik nicelleştirmesi sağlar.
- Önceki çalışmalardan veya alan uzmanlığından gelen önsel bilgiyi doğal olarak dahil ederek, küçük örneklemlerde verimliliği artırır.
- Bayes faktörleri, bağımsız tekrarlamalar arasında çarpımsal olarak güncellenir ve kümülatif bilimsel kanıtı destekler.
- p < 0.05 eşiğinin ya hep ya hiç yaklaşımından kaçınarak, sürekli bir kanıt gücü ölçeği üretir.
- Bayes faktörü sonuçları, etki büyüklüğü üzerindeki önsel seçimine duyarlı olabilir; farklı varsayılan önsel dağılımlar (JZS'ye karşı birim-bilgi) özellikle küçük örneklemlerde belirgin şekilde farklı Bayes faktörleri verebilir.
- Hesaplama maliyeti, özellikle çok sayıda sonuç değişkeni veya MCMC gerektiren eşlenik olmayan önsel dağılımlar ile klasik MANOVA'dan önemli ölçüde daha yüksektir.
- Bayes faktörlerinin yorumlanması, birçok hakem ve editör için klasik p-değerlerinden daha az tanıdıktır, bu da bazı dergilerde yayınlanmayı zorlaştırabilir.
- Çok değişkenli normallik varsayımı hala gereklidir; aykırı değerler ve ağır kuyruklu dağılımlar, sağlam uzantılar olmadan sonsal dağılımı bozar.
- Yazılım uygulamaları klasik MANOVA'dan daha az standartlaştırılmıştır; parametrizasyon ve önsel seçimleri paketler arasında (JASP, BayesFactor R paketi, Stan) değişir.
SSS
Bayesçi MANOVA, klasik MANOVA'dan nasıl farklıdır?
Klasik MANOVA, sabit bir eşikte sıfırı reddedip reddetmeyeceğinizi söyleyen bir p-değeri (Wilks' Lambda, Pillai's trace vb.) üretir. Bayesçi MANOVA bunu, sıfır lehine veya aleyhine sürekli kanıtı nicelleştiren bir Bayes faktörü ve tüm parametreler için sonsal dağılımlarla değiştirir. En önemlisi, Bayesçi MANOVA sıfır hipotezini destekleyebilirken, anlamsız bir p-değeri yalnızca onu reddedemez.
Hangi yazılım Bayesçi MANOVA'yı çalıştırır?
JASP, JZS önsel dağılımlarını kullanarak tıkla ve çalıştır Bayesçi MANOVA sağlar. BayesFactor R paketi tek değişkenli durumları iyi kapsar; özel önsel dağılımlarla tam çok değişkenli Bayesçi MANOVA, en esnek şekilde Stan veya brms'de uygulanır. JASP, uygulamalı araştırmacılar için en erişilebilir başlangıç noktasıdır.
Hangi Bayes faktörü eşiği anlamlı bir grup etkisini gösterir?
Jeffreys'in (1961) yönergeleri yaygın olarak kullanılmaktadır: BF10 1 ile 3 arasında anekdotsal kanıt, 3-10 orta düzeyde, 10-30 güçlü ve 30'un üzeri alternatif için çok güçlü kanıt olarak yorumlanır. BF10 < 1/3 sıfır için orta düzeyde kanıttır. Bunlar katı kesme noktaları değil, sezgisel kurallardır — okuyucuların kendi eşiklerini uygulayabilmeleri için her zaman tam Bayes faktörünü rapor edin.
Varsayımları kontrol etmem hala gerekiyor mu?
Evet. Bayesçi MANOVA hala gruplar içinde kalıntıların çok değişkenli normalliğini ve iyi belirtilmiş bir kovaryans yapısını varsayar. İhlaller sonsal dağılımı bozar. Mardia'nın çok değişkenli normallik testi ile kontrol edin ve kalıntı grafiklerini inceleyin. Ağır kuyruklu veriler için, Stan'de bulunan çok değişkenli t-dağılımı olabilirliklerini göz önünde bulundurun.
Bayesçi MANOVA'yı tekrarlı ölçümler veya karma tasarımlarla kullanabilir miyim?
Evet, ancak uygulama daha karmaşık hale gelir. Bayesçi çok değişkenli karma modeller (örneğin, R'deki brms aracılığıyla) tekrarlı ölçümleri, çapraz rastgele etkileri ve ilişkili sonuçları eş zamanlı olarak ele alır. Daha basit denek içi Bayesçi tasarımlar, JASP'de Bayesçi tekrarlı ölçümler ANOVA altında da mevcuttur, ancak bu, her sonuç için uygulanan tek değişkenli bir çerçevedir.
Kaynaklar
- Olkin, I., & Rubin, H. (1964). Multivariate beta distributions and independence properties of the Wishart distribution. The Annals of Mathematical Statistics, 35(1), 261–269. DOI: 10.1214/aoms/1177703748 ↗
- 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 3). Bayesian Multivariate Analysis of Variance. ScholarGate. https://scholargate.app/tr/statistics/bayesian-manova
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian ANCOVA (Bayes ANCOVA)İstatistik↔ karşılaştır
- Bayes Bağımsız Örneklem t-testiİstatistik↔ karşılaştır
- Bayes Tek Yönlü Varyans Analiziİstatistik↔ karşılaştır
- Çok Değişkenli Varyans Analizi (MANOVA)İstatistik↔ karşılaştır
- Çok Değişkenli Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır