ANOVA क्या है? प्रकार, मान्यताएँ और सत्यापित विश्लेषण-प्रक्रिया

विश्लेषण से पहले यह जानकारी दें

शोध-प्रश्न, परिणाम चर और उसकी इकाई, कारक और स्तर, स्वतंत्र/पुनरावृत्त/मिश्रित/समूहित रचना, पूर्वनिर्धारित तुलनाएँ और लागू रिपोर्टिंग नियम।

सरल प्रक्रिया: प्रश्न तय करें → चर और रचना पहचानें → सही ANOVA मॉडल चुनें → आँकड़े साफ कर चित्रित करें → रचना और अवशेषों से मान्यताएँ जाँचें → मॉडल चलाएँ → F, p, प्रभाव-आकार, अनिश्चितता और पश्चात तुलना समझें → कोड, परिणाम और रिपोर्ट सत्यापित करें।

शिक्षण उदाहरण: तीन शिक्षण पद्धतियों के औसत अंक की तुलना में महत्वपूर्ण one-way ANOVA बताता है कि कम-से-कम एक जनसंख्या माध्य अलग है। अंतर कहाँ है, इसके लिए उचित तुलना; परिमाण के लिए प्रभाव-आकार और विश्वास-अंतराल; तथा कारण के लिए उपयुक्त शोध-रचना चाहिए।

Acade के साथ Data Analysis पूरा करें

Acade शोध-रचना, डेटा-विश्लेषण योजना, व्याख्या-ढाँचा, रिपोर्ट लेखन और भाषा-सुधार में सहायता कर सकता है। यह केवल spreadsheet देखकर मॉडल की वैधता सुनिश्चित नहीं कर सकता, गलत नमूना या मापन सुधार नहीं सकता और सांख्यिकीविद् का स्थान नहीं लेता। शोधकर्ता को डेटा सुरक्षित रखना, विश्लेषण दोहराकर जाँचना, प्रसंगानुसार व्याख्या करना और अंतिम निष्कर्ष की जिम्मेदारी लेना आवश्यक है।

ANOVA क्या जाँचता है?

एक-कारक स्थिर-प्रभाव ANOVA में:

(H_0:\mu_1=\mu_2=\cdots=\mu_k); विकल्प: सभी माध्य समान नहीं हैं।

(F=मॉडल/समूहों के बीच माध्य-वर्ग ÷ त्रुटि/समूहों के भीतर माध्य-वर्ग)

NIST के अनुसार one-way ANOVA स्तरों के बीच और स्तरों के भीतर प्रसरण की तुलना करता है; देखें NIST मार्गदर्शिका।

ANOVA कब उपयुक्त है?

परिणाम प्रायः सतत, कारक श्रेणीबद्ध, प्रश्न माध्य/मुख्य प्रभाव/अंतःक्रिया से संबंधित और रचना मॉडल के अनुकूल होनी चाहिए। केवल तीन समूह होने से ANOVA स्वतः उचित नहीं होता।

t, chi-square और regression के विस्तृत कार्य अलग पृष्ठों के विषय हैं।

ANOVA के मुख्य प्रकार

One-way: एक श्रेणीबद्ध कारक और सतत परिणाम।
Two-way: दो कारकों के मुख्य प्रभाव तथा A×B अंतःक्रिया; अंतःक्रिया का अर्थ है कि एक कारक का संबंध दूसरे के स्तर पर निर्भर है। देखें NIST।
Repeated-measures: एक ही इकाइयों के अनेक समय/स्थितियाँ; भीतर-व्यक्ति निर्भरता और आवश्यक होने पर sphericity को संभालना पड़ता है। जटिल missingness या असमान समय में मिश्रित मॉडल बेहतर हो सकता है।

चर और मान्यताएँ

परिणाम चर = मापा गया परिमाण; कारक = श्रेणीबद्ध भविष्यवक्ता; स्तर = कारक की श्रेणी; सहचर = अतिरिक्त भविष्यवक्ता; अवशेष = वास्तविक minus अनुमानित मान।

मुख्य जाँच:

1. स्वतंत्रता या निर्भरता का सही मॉडल; कक्षा, अस्पताल, परिवार और दोहराए मापन स्वतंत्र नहीं।

2. परिणाम, कारक, अंतःक्रिया, nesting, blocking और सहचर की सही विनिर्दिष्टता।

3. मॉडल-अवशेषों की लगभग सामान्यता; समूह मिलाकर कच्चे अंक जाँचना पर्याप्त नहीं।

4. समान या उचित ढंग से मॉडल किया गया प्रसरण; असमान नमूना और प्रसरण में Welch उपयोगी हो सकता है।

5. गलत प्रविष्टि, duplicate, missingness और प्रभावशाली बिंदु; significance बदलने के कारण बिंदु न हटाएँ।

6. पर्याप्त precision; छोटा p बड़ा व्यावहारिक प्रभाव सिद्ध नहीं करता।

आठ-चरण विश्लेषण प्रक्रिया

1. प्रश्न को परिणाम, कारक, स्तर, विश्लेषण इकाई और लक्ष्य जनसंख्या में बदलें।

2. शून्य परिकल्पना और पूर्वनिर्धारित contrasts लिखें; प्राथमिक, द्वितीयक और exploratory तुलना अलग रखें।

3. coding, range, missingness, duplicates, समूह संख्या और raw-data plots जाँचें।

4. रचना के अनुसार ordinary, Welch, factorial, repeated या mixed model चुनें; software, version, code और settings रखें।

5. residual/Q–Q plots, spread, influential points और sensitivity models जाँचें; केवल diagnostic p>.05 से “सब मान्य” न लिखें।

6. (F(df_1,df_2)), p, नामित effect size, confidence intervals और descriptive statistics रिपोर्ट करें।

7. planned contrast या उपयुक्त post-hoc प्रक्रिया के साथ multiplicity नियंत्रित करें; अनेक unadjusted t tests न चलाएँ।

8. raw-to-analysis पुनः चलाएँ, हर संख्या को output से मिलाएँ और जटिल/उच्च-जोखिम काम का विशेषज्ञ review कराएँ।

F, p और प्रभाव-आकार

F के साथ दोनों degrees of freedom दें। p शून्य परिकल्पना के सत्य होने की संभावना नहीं है। ASA सांख्यिकीय प्रमाण को संदर्भ, design और estimates के साथ समझने पर बल देता है; देखें ASA guidance। p=.000 न लिखें; उचित होने पर exact p या p<.001 लिखें।

(\eta^2), partial (\eta_p^2) और (\omega^2) अलग हैं। एक-कारक उदाहरण में (\eta^2=SS_{between}/SS_{total})। प्रयुक्त माप का नाम अवश्य दें और बिना विषयगत आधार के small/medium/large labels न लगाएँ।

पूर्ण काल्पनिक शिक्षण उदाहरण

सभी आँकड़े केवल शिक्षा के लिए गढ़े गए हैं; वे वास्तविक छात्र, अध्ययन या Acade test result नहीं हैं।

(\eta^2=.349)। सही कथन: इस काल्पनिक dataset में सभी माध्य समान नहीं थे, (F(2,27)=7.23,p=.003,\eta^2=.35)। इससे समूहों का स्थान या कारण सिद्ध नहीं होता।

काल्पनिक adjusted comparisons: निर्देशित−व्याख्यान=3.1, 95% CI [1.1,5.1], p=.002; निर्देशित−सहपाठी=2.2, [0.2,4.2], p=.027; सहपाठी−व्याख्यान=0.9, [−1.1,2.9], p=.49। अंतिम परिणाम “समानता का प्रमाण” नहीं है।

रिपोर्टिंग साँचा

[प्रकार] ANOVA ने [परिणाम] पर [कारक] का परीक्षण किया। इकाई, n और मॉडल [विवरण] थे। मान्यता/संवेदनशीलता [सारांश]। समग्र परिणाम (F([df_1],[df_2])=[F],p=[p]), [effect size]=[value/CI] था। [planned/post-hoc method] ने [adjusted contrasts] दिखाए। निष्कर्ष [सीमित कथन] है, जिसकी सीमाएँ [design, measurement, missingness, precision, generalizability] हैं।

कोई missing number AI से न बनवाएँ।

गुणवत्ता जाँच

• [ ] प्रश्न, outcome, factors, levels, unit और target स्पष्ट हैं।

• [ ] sampling, assignment, clustering, pairing और repeated structure दर्ज हैं।

• [ ] coding, ranges, missingness, duplicates और exclusions जाँचे हैं।

• [ ] descriptives और raw plots दिए हैं।

• [ ] model design तथा variance/dependence के अनुकूल है।

• [ ] residuals और influential points जाँचे हैं।

• [ ] software, code, settings और missing behavior दर्ज हैं।

• [ ] F, दोनों df, p, नामित effect size और interval रिपोर्ट हैं।

• [ ] omnibus significance को “हर समूह अलग” नहीं कहा।

• [ ] comparison family और adjustment स्पष्ट हैं।

• [ ] non-significance को equality नहीं कहा।

• [ ] statistical, practical और causal अर्थ अलग हैं।

• [ ] परिणाम verified data/code से पुनरुत्पाद्य हैं।

Acade कैसे सहायता करता है

शोध-प्रश्न, design, variables, unit और inference बताएँ; de-identified codebook, sampling, missing-data और पूर्व-योजना दें; Acade से variable map, method rationale, assumption checklist, reviewable code draft, sensitivity plan और reporting template माँगें। Validated software में code चलाकर warnings, diagnostics और हर संख्या जाँचें। अंतिम preprocessing, model, exclusion और wording शोधकर्ता व आवश्यक statistician/supervisor तय करें। Identifiable, clinical या restricted data बिना अनुमति न दें।

मेरा प्रश्न [प्रश्न], outcome [scale/range], factors [levels], unit [unit], design [independent/repeated/clustered/mixed], sampling [प्रक्रिया], missingness [विवरण] और intended inference [लक्ष्य] है। ANOVA की उपयुक्तता, alternatives, variable-design map, assumptions, diagnostics, sensitivity plan, output-reading table और reporting template दें। कोई data, p value, citation या conclusion न गढ़ें और expert decisions अलग चिन्हित करें।

Acade statistical validity, data authorization, clinical decision या authorship की गारंटी नहीं देता। Plans, Credits, analysis functions, Citation और Knowledge Base बदल सकते हैं।

निष्कर्ष

ANOVA क्या है? यह समझाए गए और शेष प्रसरण की तुलना से माध्य, factor effects और उपयुक्त factorial design में interactions जाँचने वाले models/tests का परिवार है। सही उपयोग में design-match, assumption checks, magnitude, uncertainty, justified comparisons और हर संख्या का सत्यापन आवश्यक है।

Acade के साथ Data Analysis पूरा करें — अपना प्रश्न, चर, रचना, डेटा-सीमाएँ, inference और reporting standard बताएँ और अगला विश्लेषण कार्य सत्यापित कराएँ।

सामान्य प्रश्न

ANOVA का पूरा नाम Analysis of Variance है। One-way ANOVA एक categorical factor और continuous outcome के समूह माध्य जाँचता है। Significant omnibus test समूहों का स्थान नहीं बताता। Paired t test जोड़ी-अंतर के लिए, chi-square categorical counts के लिए और regression व्यापक predictor models के लिए है। मान्यताएँ टूटने पर Welch, robust inference, transformation, mixed/generalized models, nonparametric methods या सीमित दावे विचार करें और महत्त्वपूर्ण काम में statistician लें।