Monimuuttuja-analyysi: tyypit, esimerkit, analyysimenetelmät, tarkoitus ja tulokset

2024 Kirjoittaja: Howard Calhoun | [email protected]. Viimeksi muokattu: 2023-12-17 10:26

Varianssimonimuuttujaanalyysi on yhdistelmä erilaisia tilastollisia menetelmiä, jotka on suunniteltu testaamaan hypoteeseja ja tutkittavien tekijöiden ja tiettyjen ominaisuuksien välistä suhdetta, joilla ei ole kvantitatiivista kuvausta. Tämän tekniikan avulla voit myös määrittää tekijöiden vuorovaikutuksen asteen ja niiden vaikutuksen tiettyihin prosesseihin. Kaikki nämä määritelmät kuulostavat melko hämmentävältä, joten ymmärretään niitä tarkemmin artikkelissamme.

Varianssianalyysin kriteerit ja tyypit

Varianssimonimuuttujaanalyysimenetelmää käytetään useimmiten jatkuvan kvantitatiivisen muuttujan ja nimellisten kvalitatiivisten ominaisuuksien välisen suhteen löytämiseen. Itse asiassa tämä tekniikka on testi erilaisille hypoteeseille eri aritmeettisten näytteiden yhtäläisyydestä. Näin ollen se voija useiden näytteiden vertailun kriteerinä. Tulokset ovat kuitenkin identtisiä, jos vertailussa käytetään vain kahta elementtiä. T-testin tutkimus osoittaa, että tällä tekniikalla voit tutkia hypoteesien ongelmaa yksityiskohtaisemmin kuin mikään muu tunnettu menetelmä.

On myös mahdotonta olla huomioimatta sitä tosiasiaa, että tietyntyyppiset varianssianalyysit perustuvat tiettyyn lakiin: ryhmien välisten poikkeamien neliösumma ja ryhmän sisäisten poikkeamien neliösumma ovat täysin yhtä suuret. Tutkimuksena käytetään Fisherin testiä, jota käytetään ryhmän sisäisten varianssien yksityiskohtaiseen analyysiin. Vaikka tämä edellyttää edellytykset jakauman normaalille sekä näytteiden homoskedastisuudelle - varianssien yhtäläisyydelle. Mitä tulee varianssianalyysin tyyppiin, erotetaan seuraavat:

• monimuuttuja- tai monimuuttujaanalyysi;
• yksimuuttuja- tai yksimuuttujaanalyysi.

Ei ole vaikea arvata, että toinen ottaa huomioon yhden ominaisuuden ja tutkittavan arvon riippuvuuden, ja ensimmäinen perustuu usean ominaisuuden analyysiin kerralla. Lisäksi monimuuttujavarianssi ei salli sinun tunnistaa vahvempaa suhdetta useiden elementtien välillä, koska useiden arvojen riippuvuutta tutkitaan kerralla (vaikka menetelmä on paljon helpompi suorittaa).

Tekijät

Mietitkö monimuuttujakorrelaatioanalyysin menetelmiä? Sitten sinun pitäisi tietää, että yksityiskohtaista tutkimusta varten sinun tulee tutkia niitä tekijöitä, jotka hallitsevat kokeen olosuhteita ja vaikuttavat lopputulokseen. Myös allatekijät voivat tarkoittaa menetelmiä ja prosessointiarvojen tasoja, jotka kuvaavat tietyn tilan tiettyä ilmentymää. Tässä tapauksessa luvut on annettu järjestys- tai nimellismittausjärjestelmässä. Jos tietojen ryhmittelyssä on ongelmia, sinun on turvauduttava samojen numeeristen arvojen käyttöön, mikä muuttaa hieman lopputulosta.

On myös ymmärrettävä, että havaintojen ja ryhmien määrä ei voi olla liian suuri, koska tämä johtaa ylimääräiseen dataan ja kyvyttömyyteen suorittaa laskentaa. Samanaikaisesti ryhmittelytapa ei riipu pelkästään tilavuudesta, vaan myös tiettyjen arvojen vaihtelun luonteesta. Analyysin intervallien koko ja lukumäärä voidaan määrittää yhtäläisten taajuuksien periaatteella sekä samoilla intervalleilla niiden välillä. Tämän seurauksena kaikki vastaanotetut tutkimukset listataan monimuuttujaanalyysitilastoihin, joiden tulee perustua erilaisiin esimerkkeihin. Palaamme tähän myöhemmissä osioissa.

ANOVA:n tarkoitus

Joten, joskus voi syntyä tilanteita, joissa on tarpeen verrata kahta tai useampaa erilaista näytettä. Tässä tapauksessa olisi loogisinta soveltaa monimuuttujakorrelaatio-regressioanalyysiä, joka perustuu hypoteesin ja eri tekijöiden välisen yhteyden tutkimukseen regressioasteessa. Myös tekniikan nimi kertoo, että tutkimusprosessissa käytetään erilaisia varianssin komponentteja.

Mikä on tutkimuksen ydin? vartenEnsinnäkin kaksi tai useampi indikaattori on jaettu erillisiin osiin, joista jokainen vastaa tietyn tekijän toimintaa. Sen jälkeen suoritetaan useita tutkimustoimenpiteitä, joilla etsitään eri näytteiden suhdetta ja niiden välisiä suhteita. Ymmärtääksesi näin monimutkaisen mutta mielenkiintoisen tekniikan yksityiskohtaisemmin, suosittelemme, että tutkit useita esimerkkejä monimuuttujakorrelaatioanalyysistä, jotka on annettu artikkelimme seuraavissa osissa.

Esimerkki yksi

Tuotantopajassa on useita automaattisia koneita, joista jokainen on suunniteltu tuottamaan tietty osa. Valmistetun elementin koko on satunnaismuuttuja, joka ei riipu vain itse koneen asetuksista, vaan myös satunnaisista poikkeamista, joita väistämättä syntyy osien valmistuksen seurauksena. Mutta kuinka työntekijä voi määrittää koneen oikean toiminnan, jos hän tuottaa aluksi viallisia osia? Aivan oikein, sinun on ostettava sama osa markkinoilta ja verrattava sen mittoja tuotannon aikana saatuun. Sen jälkeen voit säätää laitteistoa niin, että se tuottaa halutun kokoisia osia. Eikä sillä ole mitään väliä, että kyseessä on valmistusvirhe, koska se on myös huomioitu laskelmissa.

Samaan aikaan, jos koneissa on tiettyjä osoittimia, joiden avulla voit määrittää säädön voimakkuuden (X- ja Y-akselit, syvyys ja niin edelleen), kaikkien koneiden indikaattorit ovat täysin erilaisia. Jos mittaukset osoittautuivat täsmälleen samoiksi, valmistusvirhe ei voi ollaottaa ollenkaan huomioon. Tämä tapahtuu kuitenkin erittäin harvoin, varsinkin jos virheet mitataan millimetreinä. Mutta jos vapautetulla osalla on samat mitat kuin markkinoilta ostetulla standardilla, avioliitosta ei voi olla kysymys, koska "ihanteellisen" valmistuksessa käytettiin myös konetta, joka antoi tiettyjä virheitä, jotka olivat todennäköisesti myös työntekijät huomioivat

Toinen esimerkki

Tietyn sähköllä toimivan laitteen valmistuksessa on käytettävä useita erilaisia eristyspapereita: sähkö-, kondensaattori- ja niin edelleen. Lisäksi laite voidaan kyllästää hartsilla, lakalla, epoksiyhdisteillä ja muilla kemiallisilla elementeillä, jotka pidentävät käyttöikää. No, erilaiset vuodot tyhjösylinterin alla korotetussa paineessa on helppo poistaa lämmittämällä tai pumppaamalla ilmaa pois. Jos päällikkö on kuitenkin aiemmin käyttänyt vain yhtä elementtiä kustakin listasta, uuden teknologian tuotantoprosessissa voi syntyä erilaisia vaikeuksia. Lisäksi lähes varmasti tällaisen tilanteen aiheuttaa yksi tekijä. On kuitenkin lähes mahdotonta laskea, mikä tekijä vaikuttaa laitteen huonoon suorituskykyyn. Siksi on suositeltavaa käyttää ei monitekijäanalyysimenetelmää, vaan yksitekijäistä, jotta toimintahäiriön syy voidaan korjata nopeasti.

Tietenkin, kun käytetään erilaisia työkaluja ja laitteita, jotka seuraavat tietyn tekijän vaikutustalopputuloksena tutkimus yksinkertaistuu ajoittain, mutta aloittelevalle insinöörille ei ole varaa hankkia tällaisia yksiköitä. Tästä syystä on suositeltavaa käyttää yksisuuntaista varianssianalyysiä, jonka avulla voit tunnistaa ongelmien syyn muutamassa minuutissa. Tätä varten riittää, että asetat eteensi yhden todennäköisimmistä hypoteeseista ja alat sitten todistaa se kokeilla ja analysoimalla laitteen suorituskykyindikaattoreita. Pian ohjattu toiminto voi löytää ongelmien syyn ja korjata sen korvaamalla yhden valinnoista vaihtoehdolla.

Kolmas esimerkki

Toinen esimerkki monimuuttuja-analyysistä. Oletetaan, että johdinautovarikko voi palvella useita reittejä päivän aikana. Samoilla reiteillä kulkee aivan eri merkkisiä johdinautoja ja 50 eri lennonjohtajaa kerää hintoja. Varikon johtoa kuitenkin kiinnostaa se, miten voidaan verrata useita erilaisia kokonaistuloon vaikuttavia tunnuslukuja: johdinauton merkkiä, reitin tehokkuutta ja työntekijän ammattitaitoa. Taloudellisen toteutettavuuden näkemiseksi on tarpeen analysoida yksityiskohtaisesti kunkin tekijän vaikutus lopputulokseen. Esimerkiksi jotkut esimiehet eivät ehkä tee työtään hyvin, joten vastuullisempia työntekijöitä on palkattava. Suurin osa matkustajista ei halua ajaa vanhoilla johdinautoilla, joten on parasta käyttää uutta merkkiä. Kuitenkin, jos nämä molemmat tekijät liittyvät siihen, että useimmat reitit ovat erittäin kysyttyjä, niin onko se minkään arvoinen?muuttaa?

Tutkijan tehtävänä on käyttää yhtä analyyttistä menetelmää saadakseen mahdollisimman paljon hyödyllistä tietoa kunkin tekijän vaikutuksesta lopputulokseen. Tätä varten on esitettävä vähintään 3 erilaista hypoteesia, jotka on todistettava eri tavoin. Dispersioanalyysi mahdollistaa tällaisten ongelmien ratkaisemisen mahdollisimman lyhyessä ajassa ja maksimaalisen hyödyllisen tiedon saamisen, varsinkin jos käytetään monivaiheista menetelmää. Muista kuitenkin, että yksimuuttujaanalyysi antaa paljon enemmän luottamusta tietyn tekijän vaikutukseen, koska se tutkii näytettä yksityiskohtaisemmin. Esimerkiksi jos varikko suuntaa kaikki voimansa konduktöörien työn analysointiin, on mahdollista tunnistaa monia häikäilemättömiä työntekijöitä kaikilla reiteillä.

Yksisuuntainen analyysi

Yksitekijä-analyysi on joukko tutkimusmenetelmiä, joiden tarkoituksena on analysoida tietty tekijä lopputuloksen kann alta tietyssä tapauksessa. Myös melko usein samanlaista tekniikkaa käytetään vertaamaan kahden tekijän suurinta vaikutusta. Jos vedetään analogia samaan varikkoon, niin ensin pitäisi analysoida erikseen eri reittien ja johdinautomerkkien vaikutus kannattavuuteen ja sitten vertailla tuloksia keskenään ja selvittää, mihin suuntaan asemaa olisi parasta kehittää.

Lisäksi älä unohda sellaista asiaa kuin nollahypoteesi – eli hypoteesi, joka eivoidaan hylätä ja joka tapauksessa kaikki luetellut tekijät vaikuttavat siihen tavalla tai toisella. Vaikka vertailemme vain johdinautojen reittejä ja merkkejä, konduktöörien ammattitaidon vaikutusta ei silti voida välttää. Siksi, vaikka tätä tekijää ei voidakaan analysoida, nollahypoteesin vaikutusta ei pidä unohtaa. Jos esimerkiksi päätät tutkia voiton riippuvuutta reitistä, anna saman johdon olla lennolla, jotta lukemat ovat mahdollisimman tarkkoja.

Kaksisuuntainen analyysi

Useimmiten tätä tekniikkaa kutsutaan myös vertailumenetelmäksi, ja sitä käytetään kahden tekijän riippuvuuden tunnistamiseen toisistaan. Käytännössä joudut käyttämään erilaisia taulukoita tarkoilla indikaattoreilla, jotta et hämmentyisi omissa laskelmissasi ja tekijöiden vaikutuksessa niihin. Voit esimerkiksi ajaa kahta täysin erilaista johdinautoa kahdella identtisellä reitillä samanaikaisesti jättäen huomioimatta nollahypoteesitekijän (valitse kaksi vastuullista johdinta). Tässä tapauksessa näiden kahden tilanteen vertailu on laadukkainta, koska kokeilu tapahtuu samaan aikaan.

Monimuuttujaanalyysi toistuvin kokein

Tätä menetelmää käytetään käytännössä paljon useammin kuin muita, varsinkin kun on kyse aloittelevien tutkijoiden ryhmästä. Toistuva kokemus antaa paitsi olla vakuuttunut yhden tai toisen tekijän vaikutuksesta lopputulokseen, myös löytää tutkimuksen aikana tehdyt virheet. Esimerkiksi useimmat kokemattomat analyytikotunohda yhden tai useamman nollahypoteesin olemassaolo, mikä johtaa epätarkkoihin tuloksiin tutkimuksen aikana. Varikkoesimerkkiä jatkettaessa voidaan analysoida tiettyjen tekijöiden vaikutusta eri vuodenaikoina, koska matkustajamäärät talvella ovat hyvin erilaisia kuin kesällä. Lisäksi toistuva kokemus voi johtaa tutkijan uusiin ideoihin ja uusiin hypoteeseihin.

Video ja johtopäätös

Toivomme, että artikkelimme on auttanut sinua ymmärtämään, mihin monimuuttujakorrelaatioanalyysimenetelmä perustuu. Jos sinulla on vielä kysyttävää tästä aiheesta, suosittelemme katsomaan lyhyen videon. Siinä kuvataan yksityiskohtaisesti varianssianalyysimenetelmät tietyn esimerkin avulla.

Kuten näet, monimuuttuja-analyysi on melko monimutkainen, mutta erittäin mielenkiintoinen prosessi, jonka avulla voit tunnistaa tiettyjen tekijöiden riippuvuuden lopputuloksesta. Tätä tekniikkaa voidaan soveltaa ehdottomasti kaikilla elämänaloilla ja sitä voidaan käyttää tehokkaasti liiketoiminnassa. Monimuuttuja-analyysimallia voidaan käyttää myös läpimurtotavoitteiden saavuttamiseen yksinkertaisilla menetelmillä.