Quali sono i limiti dell'ANOVA in SPSS?
L'ANalisi VArianza a una via (ANOVA) è un metodo statistico per confrontare le medie di più di due gruppi di dati, per vedere se sono statisticamente diverse. SPSS, pacchetto per analisi statistiche, permette l'uso di ANOVA a una via nella sua vasta suite. Tuttavia, l'ANOVA non è un test perfetto e in certe circostanze fornisce risultati fuorvianti.
Limiti del campione
L'ANOVA presuppone che i campioni usati siano "campioni casuali semplici". Ciò significa che un campione di individui (punti dati) è tratto da una popolazione più ampia (bacino dati maggiore). I campioni devono anche essere indipendenti — non si influenzano a vicenda. L'ANOVA è generalmente adatta per confrontare medie in studi controllati, ma quando i campioni non sono indipendenti si deve usare un test a misure ripetute.
Distribuzione normale
L'ANOVA assume che i dati nei gruppi siano distribuiti normalmente. Il test può essere eseguito anche se non è così — e se la violazione è solo moderata, il test resta adatto. Tuttavia, se i dati sono molto lontani dalla distribuzione normale, il test non darà risultati accurati. Per ovviare, trasforma i dati con la funzione "Calcola" di SPSS prima di eseguire l'analisi, oppure usa un test alternativo come Kruskal-Wallis.
Deviazioni standard uguali
Un altro limite: l'ANOVA assume che i gruppi abbiano la stessa, o molto simile, deviazione standard. Maggiore la differenza tra deviazioni standard, maggiore la probabilità che la conclusione sia inaccurata. Come per la normalità, non è un problema finché le deviazioni non sono molto diverse e le dimensioni dei campioni sono pressoché uguali. Se non è così, il test di Welch è un'opzione migliore.
Confronti multipli
Quando esegui un'ANOVA in SPSS, il valore F e il livello di significatività risultanti dicono solo se almeno un gruppo è diverso da almeno un altro. Non dicono quanti gruppi o quali gruppi differiscono. Per determinarlo, servono confronti di follow-up. Raramente un problema in analisi piccole, ma più gruppi includi nel follow-up, maggiore la probabilità di errore di Tipo I (assumere un effetto dove non c'è).