Friedman Testini Psikolojik Araştırmalarda Anlamak

Friedman testi, araştırmacıların verilerin alt dağılımı hakkında varsayımlar yapmadan mükemmel bir araç olarak hizmet eder. Friedman testi, ANOVA'nın tekrarlanan önlemleri tekrarlayan bir alternatiftir.

Friedman'ın psikolojide özellikle değerli olan şey onun esnekliği ve sağlamlığıdır. Test, çeşitli deneysel koşullar altında herhangi bir dağıtım olduğunu varsaymıyor (normal dağıtım gibi). Bu özellik önemlidir, çünkü psikolojik veriler sıklıkla parametrik testler ile gerekli normalliği ihlal eder.Farklı tedavi müdahaleler, bilişsel performansları birden fazla kez takip etmek veya çeşitli deneysel koşullar altında karşılaştırmak, Friedman testi güvenilir bir analitik yaklaşım sağlar.

Friedman testi, belirli örneklerle ilgili veya maçlanmış örnekler için tekrarlanan bir ölçüm için kullanılır ve Kruskal-Wallis'in Kruskal-Wallis'in yer aldığı değişken analizine benzerdir.Temel fark, Friedman testinin özellikle ilgili veya eşleştirilmiş örnekler için tasarlanmıştır, Kruskal-Wallis testi bağımsız gruplar için kullanılır.

Friedman Testini Psikolojik Araştırmalarda Ne Zaman Kullanılır

Uygun istatistiksel testin doğru araştırma sonuçları için kritik olduğunu seçin. Friedman testi özellikle aynı katılımcılardan veya maçlanmış gruplardan ölçümler tekrarladığınız durumlar için tasarlanmıştır.Bu testin uygulanmasında analizinizin hem uygun hem de anlamlı olmasını sağlayacaktır.

İdeal Araştırma Senaryoları

Uygulamada, Friedman testi genellikle sürekli değişkenin tek yönlü ANOVA için gerekli varsayımları ihlal ettiğinde veya ilginin değişkeni ordinal olduğunda kullanılır. Bu, özellikle birkaç ortak psikolojik araştırma tasarımı için uygun hale getirir:

  • Uzun çalışma: Aynı bireyleri birden fazla zaman içinde takip ederken, davranış, ruh, biliş veya diğer psikolojik değişkenlerde değerlendirme noktalarına göre
  • In-subjects deneysel tasarımları: Her katılımcının tüm deneysel koşulları deneyimlediği zaman, farklı tedavi protokolleri veya stimulus sunumları gibi
  • Eşleştirilmiş gruplar tasarımları: Katılımcılar ilgili özelliklere dikkatle maçlandığında ve sonra farklı koşullara maruz kaldıklarında
  • Ordinal veri analizi: Likert ölçekleri ile çalışırken, veri sıralaması veya psikolojik değerlendirmelerde yaygın diğer veyanal ölçümler.

Kontrol edilen gruplar arasındaki farkları test etmek için kullanılır ve aynı zamanda normallikten gelen sapmaları ihlal eden sürekli veriler için de kullanılabilir.

Alternatif Testlerle Karşılaştırma

Friedman testinin diğer istatistiksel prosedürlerle nasıl ilişkili olduğunu anlamak, en uygun seçim olduğunda netleştirmeye yardımcı olur.Eğer sadece iki ilgili grubun varsa Wilcoxon imzalanmış test daha uygun olacaktır.Eğer bağımsız örnekler varsa (farklı gruplardan ölçümler) o zaman Kruskal-Wallis One-Way ANOVA'yı kullanmanız gerekir.

Verileriniz normallik ve homojenliği ile karşılaştırıldığında, tekrarlanan bir önlemler ANOVA genellikle daha güçlü olacaktır. Parametrik olmayan bir test seçerek, özellikle de Gaussian dağıtımlarından alınan verileri varsayarsanız, ancak parametrik olmayan bir test kullanmak için dezavantajlar vardır - eğer popülasyonlar gerçekten Gaussian ise, parametrik olmayan testler size daha az güç verir (daha az olasılıkla küçük bir P değeri vermek için), özellikle küçük örnek boyutlarda.

Friedman Testlerinin Temelleri

Friedman testi parametrik alternatiflerden daha esnek olsa da, bu varsayımları analizinizi yapmadan önce hala belli koşullar gerektirir.

Core Asvolts

Üç veya daha farklı durumlarda ölçülebilen bir grup ilk temel gerekliliktir. Çalışma tasarımınız tekrarlanan ölçümler veya eşleştirilmiş gözlemler içermeli.Bağımlı veya sürekli düzeyde ölçülmelidir.Bu, sonuç değişkeninizin saf nominal kategorilerden ziyade sipariş edilen kategoriler veya sayısal ölçümler temsil etmesi gerektiği anlamına gelir.

‘blocks’ örneği (genellikle konular) nüfusun basit bir rastgele örneğidir - bu, bloklar bir diğerinden bağımsızdır. Bu bağımsızlık varsayımı kritiktir ve istatistiksel olarak test edilemez.Bir Friedman testinin sonuçları sadece konularda anlamlıdır (rows) - rastgele bir faktör bir satırdan daha fazla etkilenmiştir - deneysel tasarım hakkında düşünmeniz gerekir.

Örnek Boyut Tahminleri

Örnek boyut (veya veri set büyüklüğü) her grupta 5'ten daha büyük olmalıdır - bazı insanlar daha fazla tartışır, ancak 5'ten fazla muhtemelen yeterli. Ancak, örnek boyut gereksinimleri de beklenen etki büyüklüğüne bağlıdır.Eğer gruplar arasında büyük bir fark beklerseniz, o zaman gruplar arasında küçük bir fark yaratabilirsiniz - muhtemelen daha büyük bir örnekle ilgili bir farka ihtiyacınız var.

Çok küçük örnekler için, Friedman testi gerçek farklılıkları tespit etmek için sınırlı bir güce sahip olabilir. Tersine, blok sayısı N büyükse, yaklaşık olarak k ile chi-squared dağılımı - 1 derece özgürlük, istatistiksel önemini belirlemek için doğru bir yaklaşım sağlar.

Bir Friedman Testini Yapmak için Adım-Adım Guide

Bir Friedman testi yapmak, veri organizasyonunun sistematik bir sürecini, sıralamayı ve yorumlamayı içerir. Bu bölüm analizin her aşaması aracılığıyla ayrıntılı bir rehberlik sağlar.

Adım 1: Verilerinizi Organize Etmek

Her satırın aynı katılımcı grubu üzerinde üç farklı bilişsel eğitim programına ilişkin verileri ayarlayarak başlayın ve her sütun bir tedavi koşulu veya zaman noktası temsil eder. Örneğin, aşağıdaki sıralama prosedürü için gereklidir.Örneğin, aynı gruptaki üç farklı bilişsel eğitim programına etkileri incelerseniz, her bir satırda bir satır işgal eder ve üç eğitim koşulu üç sütun oluşturur.

Verilerinizin tüm koşullar boyunca her konu için tamamlandığını sağlayın. Eksik veriler analizleri zorlayabilir, ancak Friedman testinin özel biçimleri eksik blok tasarımları işlemek için mevcuttur. Skillings-Mack testi, neredeyse herhangi bir blok tasarımında keyfi eksik olan genel bir Friedman tipidir.

2. Adım: Veriyi Her Konuyla Sıralayın

Prosedür her satır (veya blok) bir araya sırayı içerir ve sonra sütunlar tarafından rütbe değerleri göz önünde bulundurun. Her konu için, tüm koşullardaki gözlemlenen değerlere yer verin. en küçük değer 1 sırayı alır ve böylece en küçük rütbe 2'yi alır.

Bağımlı değerlerin özel dikkat edilmesi gerekir. Eğer bağlı değerler varsa, her bir bağlı değere bağlar, örneğin, iki değer ilk ve ikinci pozisyonlar için bağlanırsa, her ikisi de 1.5 sırayı alır (örneğin, ortalama 1 ve 2).

Adım 3: Sıralama Sums

Her konudaki verileri sıralarken, her sütunda tüm rütbeleri ekleyerek her tedavi koşulu için sıralama miktarını hesaplayın.Bu rütbeler test istatistiki hesaplamanın temelini oluşturur.Eğer koşullar arasında sistematik bir fark yoksa, tüm koşullara eşit olmasını beklersiniz.

Adım 4: Test Statistic

Kızartma testi aşağıdaki test istatistikine dayanmaktadır: Q = 12/(N × k(k + 1) × N (k + 1), N'nin sayısı (genellikle konular), k gruptaki sıralamalar sayısıdır.

Bu formül, gözlemlenen sıralamalar arasındaki anlaşmazlığın derecesini ölçen bir chi-square statistic üretir ve koşullar arasında farkların olmadığı nübünler arasında ne beklenecek.Eğer bağlar mevcutsa, Q için formül otomatik olarak bağlı rütbeler için uygun düzeltmeyi uygular.

Adım 5: İstatistiksel İşareti Belirlenmeyi Belirleyebilir

Hesaplanan test istatistikinizi chi-square dağılımına karşı eşit derecede eşit bir şekilde karşılaştırın - 1 (küküme koşulları sayısı). Bu karşılaştırma sonuçlarınızı gözlemleme olasılığını gösteren bir değer verir (veya daha aşırı sonuçlar) eğer null hipotezi doğruysa.

Friedman testinin önemi, değerlerin değer seviyesinden daha az olduğunu gösteriyorsa, değerlendirme grupları arasında istatistiksel olarak önemli farklılıklar olduğunu kabul edersiniz.

Friedman Test Sonuçları

Friedman test sonuçlarınızın araştırmanızdan uygun sonuçları çizim için gerekli olduğunu anlamak.The Interpret process, hem istatistiksel önemini ve pratik sonuçları incelemekte.

Null ve Alternatif Hipotezleri Anlayın

Friedman testi için null hipotezi, ilgili grupların dağıtımlarında sistematik bir fark olmadığını belirtir - başka bir deyişle, saflarda görülen farklılıklar gerçek tedavi etkilerinden ziyade rastgele farklılıklardır. Alternatif hipotez, nüfus puanlarının bir kısmı diğer gruplardaki nüfus puanlarından daha sistematik olarak daha yüksek veya daha düşük olduğunu belirtir.

P-değer önceden belirlenmiş öneminin altında düşerken (tipik olarak 0.05), çıplak hipotezi reddeder ve en azından bir koşulun diğerlerinden önemli ölçüde farklı olduğunu sonucuna varır. Ancak Friedman testi yalnızca size her şeyden farklı olduğunu söylemiyor - bu post-hoc analizi gerektirir, ki daha sonra ayrıntılı olarak tartışacağız.

Önemli bir sonuç ne anlama geliyor?

İstatistiksel olarak önemli bir Friedman testi, koşulların veya zaman puanlarının sistematik olarak farklı sonuçlar üretmelerini gösterir. Psikolojik araştırmalarda, farklı tedavi müdahalelerinin farklı semptom iyileştirme düzeylerinin farklı düzeyde üretilmesi anlamına gelebilir, bu bilişsel performans farklı test seanslarında değişiklikler veya katılımcıların tutumları deneyimledikleri deneysel manipülasyona bağlı olarak değişir.

Ancak, istatistiksel önem otomatik olarak pratik veya klinik önemini ima etmez. Küçük ama istatistiksel olarak önemli bir fark gerçek dünya uygulamalarında anlamlı olmayabilir. Bu, etki boyutunun bulgularınızı bağlamsallaştırması için önemli hale geldiği yerdir.

Ne bir Non-Significant Sonuç,

P-değer sizin öneminiz eşiğinizi aştığında, null hipotezini reddetmeye karar verirsiniz. Bu, verilerin koşullar arasında sistematik farklılıkların yeterli kanıt sunamayacağını gösterir. Ancak, bu durum koşulların eşdeğer olduğunu kanıtlamıyor - sadece rastgele varyasyonlara atfedilebilir.

Çeşitli nedenlerle önemsiz sonuçlar ortaya çıkabilir: koşullar gerçekten benzer sonuçlar üretebilir, örnek boyut mevcut farklılıkları tespit etmek için çok küçük olabilir veya gerçek etkileri koruyan verilerde aşırı değişkenlik olabilir.Testinizin istatistiksel gücünü düşünün ve tahmini boyutunuz tahmin ettiğiniz etkiyi tespit etmek için yeterli olabilir.

Friedman Test Etleri için Etkisi Boyut Ölçümleri

P-değer size farklılıkların istatistiksel olarak önemli olup olmadığını söylerken, etki büyüklüğü bu farklılıkların boyutunu ölçür. p-değerlerin yanı sıra raporlama etkisi boyutları, bulgularınızın daha tam bir resmini sunar ve okuyucuların sonuçlarınızın pratik önemini değerlendirmelerine yardımcı olur.

Kendall's W (Cotiliment'ın verimli)

Kendall's W, Friedman testi için en yaygın kullanılan etki büyüklüğü ölçüdür. Bu, konuyla ilgili sıralamalar arasında anlaşma veya konkordance seviyesini temsil eder. Kendall's W ranges from 0 to 1, where 0 shows no agreement (complete randomness in Rank) and 1 aynı şekilde ifade eder.

Kendall'ın W formülü Friedman istatistiki ile elde edilir ve belirli araştırma alanınızın bağlamında yorumlanmalıdır. W'nin yaklaşık 0.1 değeri küçük etkiler olarak kabul edilir, yaklaşık 0.3'ü orta etkilerdir, ancak bu kıyaslamalar belirli araştırma alanınızın bağlamında yorumlanmalıdır.

Raporlama Etkisi Boyutları

Friedman test sonuçlarını rapor ettiğinizde, hem test istatistiki, özgürlük derecesi, p-değer ve etki boyutunun ölçülmesi. Örneğin: "A Friedman testi, üç tedavi koşulunda iki endişe puanının istatistiksel olarak önemli bir fark olduğunu ortaya koydu, ⁇ 2(2) = 18.45, p < .001, Kendall' W = 0.42, büyük bir etki ifade." Bu kapsamlı raporlama, okuyucuların her iki yönde de anlamlı olup olmadığını anlamalarını sağlar.

Post-Hoc Analysis After a major Friedman Test

Friedman testi, koşullarınız arasında önemli farklılıklar gösterirken, bir sonraki mantıksal soru şu: hangi özel koşullar birbirlerinden farklı? Friedman testi istatistiksel olarak önemli bir fark gösterirse, hangi grupların farklı olduğunu söylemiyor - bu, Nemenyi veya Conover testleri gibi post-hoc testleri çiftyüz karşılaştırmaları gerçekleştirmek için uygulanmalıdır.

Nemenyi Test Edildi

Nemenyi testi (ayrıca Wilcoxon-Nemenyi-McDonald-Thompson testi) Tukey HSD testinin adaptasyonu ve özellikle Friedman testinin ardından karşılaştırmalar için tasarlanmıştır. Nemenyi testi, küresel bir istatistik testinden sonra farklı olan verileri bulmak için tasarlanmış bir post-hoc testidir (örneğin Friedman testi gibi)

Nemenyi aileel hata için kontroller test eder, yani birden fazla karşılaştırma yaptığınız ve Tip I hatalarına karşı korumanıza yardımcı olduğunuz anlamına gelir (daha iyi pozitifler). Bu muhafazakar yaklaşım, tüm karşılaştırmalar boyunca genel hata oranı üzerinde sıkı kontrolü korumak istediğinizde uygundur.

Conover Test

Conover testi, önemli bir Friedman testi sonrasında kullanılan başka bir post-hoc testidir. Bu test, ifadelerine göre çiftleri karşılaştırmak için bir t- dağıtım yaklaşımı kullanır. Conover'in testi aileye göre doğru değildir ve bu yüzden bir tür hata düzeltme faktörü kullanmanız gerekir.

Conover testi, gerçek farklılıkları tespit etmek için Nemenyi testinden daha güçlü olabilir, ancak bu, ek düzeltmeleri ( Bonferroni veya Holm düzenlemeleri gibi) gerektiren maliyetle gelir.

Pairwise Wilcoxon İmzalandı-

Post-hoc testlerine bir başka yaklaşım, çift yönlü imzalanmış testleri kullanmaktır. Bu yöntem, her iki koşul için ayrı Wilcoxon imzalanmış testlerini yürütmektir.Bu yaklaşım Friedman testinden rütbeleri kullanmıyor olsa da, belirli çift değişken farklılıkları tanımlamak için basit bir yol sunar.

Eğer null hipotezi Friedman testinde reddedilirse, post hoc analizi, hangi özel çiftlerin deneysel koşulların farklı olduğunu tanımlamaya yardımcı olur - Wilcoxon imzalanmış veya Conover'un testini kullanarak test edilebilir - Wilcoxon imzalanmış test için, tüm çiftlerin sonuçları elde edilebilir, ancak bir Bonferroni düzeltmesi gerekli - bu düzeltme seviyesi (Kategori seviye / toplam çift sayısı) Tip I hataları için kontrol etmek için.

Doğru Post-Hoc Testini Seçin

Ne yazık ki bir Friedman testi için bir post-hoc analizi için birkaç farklı yaklaşım var. Bu yöntemler arasındaki seçim araştırma önceliklerinize bağlıdır.Eğer aile hatasının kontrol edilmesi ve muhafazakar bir yaklaşım istiyorsanız, Nemenyi testi uygun olur.Eğer farkları tespit etmek için potansiyel olarak daha büyük bir güç istiyorsanız, Conover testi veya çift Wilwise testi sizin için en uygun olabilir.

Bazı tür ailece hata düzeltmesi gereklidir - Birden çok testte, Bonferroni, Dunn-Sidàk, Holm, Hochberg, Benjamini-Hochberg ve Benjamin-Yekutieli testleri ile Bonferroni'nin en muhafazakar ve yöntemleri, aile hatasını kontrol ederken daha fazla güç veriyor.

Friedman Testini İstatistiksel Yazılımda Yapmak

Friedman testinin teorik temelini anlamak önemlidir, çoğu araştırmacı gerçek hesaplamaları gerçekleştirmek için istatistiksel yazılım kullanır. Friedman testi birçok istatistik yazılım paketi tarafından yaygın olarak desteklenmiştir. Bu bölüm, testin yaygın olarak kullanılan programlarda uygulanması için rehberlik sağlar.

SPSS'ı kullanarak

SPSS'de, Friedman testi, parametrik olmayan test menüsü altında bulunur: Analyze > Parametrik Testler > İlgili Örnekler. Verileriniz ayrı bir sütunda tekrarlanan her bir satır ile organize edilmelidir.

Ayarlar sekmesinde, mevcut seçeneklerden rütbe ile "Müşteri testlerini" kullanmanız gerekir ve sonra burada farklı seçenekler bir grup vardır: testin adını almaya çalıştığınızı hatırlamanız gerekir.Sovun iki yönlü ANOVA'yı mevcut seçeneklerden sıralamak için. SPSS otomatik olarak test statistic ve p değerliliğini hesaplar ve görselleştirmeleri talep edebilirsiniz.

R R kullanarak R R

R, Friedman testi için yerleşik fonksiyonlar sağlar ve post-hoc analizi için kapsamlı paketler sunar. temel kızartıcı.test() işlevi, matrix formatında veya bir formül arayüzü ile kullanılabilir.For post-hoc test, paketler için PMCMR, PMCMRplus, and scikit-posthocs (For Python kullanıcıları için) kapsamlı seçenekler sunar.

R'yi kullanmanın avantajı, analizinizi ve farklı post-hoc prosedürleri için özel işlevlerin kullanılabilirliğidir. Nemenyi testlerini, Conover testlerini veya çiftbil Wilcoxon testlerini çeşitli düzeltme yöntemleriyle, aynı analitik ortamda yapabilirsiniz.

Python kullanımı

Python kullanıcıları, Friedman testine, Nemenyi test ve diğer çiftbil karşılaştırma prosedürleri de dahil olmak üzere çeşitli post-hoc testlerine erişebilirler.In post-hoc analysis, scikit-posthocs paketi özellikle Nemenyi test etmek ve diğer çiftbil karşılaştırma prosedürleri de dahil olmak üzere tasarlanmış çeşitli post-hoc testleri ile uygulamaktadır.

Python'un avantajı, tek bir programlama ortamında görselleştirmek için analiz yoluyla veri hazırlamalarından doğruya doğru hareket etmenize izin vermek için pandalar ve görselleştirme araçları gibi entegrasyon alanlarındaki bilgi işleme kütüphaneleri ile entegrasyonunda yatıyor.

Psikolojik Araştırmalarda Pratik Örnekler

Beton örneklerini incelemek, Friedman testinin gerçek psikolojik araştırma senaryolarına nasıl uygulandığını göstermek yardımcı olur. Bu örnekler testin farklı araştırma alanları arasında nasıl erişilebilirliğini göstermektedir.

Örnek 1: Tedavi Müdahaleleri

Klinik psikolog, her modülün her bir modülün ardından, katılımcılar 0 ila 100 puan değerinde bir sosyal kaygı testi tamamlamak için üç farklı bilişsel-behavioral tedaviyi değerlendirmek istiyor.

Aynı katılımcılar üç koşulu deneyimliyor ve kaygı puanları önemli derecede olumlu bir skew (violating normality varsayımları), Friedman testi uygun. Araştırmacılar her katılımcının üç puanını alıyor, her terapi türü için sıralamayı hesaplar ve Friedman statistic. önemli bir sonuç (p < .05) üç CBT tekniğinin farklı kaygı azaltma seviyelerinin ürettiğini gösteriyor.

Örnek 2: Zaman Üzerinde Bilişsel Performansı Evaluating Cognitive Performance Over Time

Bir gelişimsel psikolog, dört kez bellek kapasite değişikliklerini nasıl araştırır: temel, 3 ay, 6 ay ve bilişsel bir eğitim programı uygulamaktan 12 ay sonra, aynı çalışma hafıza değerlendirmesini her zaman bir noktada tamamladı.

Friedman testi bu uzun süredir tasarım için idealdir, çünkü tekrarlanan önlemler yapısı için hesaplar ve normal olarak dağıtılmamış verileri gerektirmez. Test, çalışma hafıza performansının dört kez farklı olup olmadığını değerlendirmektedir.Eğer önemli olursa, post-hoc testleri yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş ortaya çıkabilir veya belirli hızlanan gelişim dönemlerini gösterebilir.

Örnek 3: Farklı Koşullar altında Perceived Effort

Bir araştırmacı, müzikin bir egzersiz seansı yapmak için gerekli olan algılı psikolojik çabanın bir etkisi olup olmadığını incelemek istiyor - bağımlı değişken bir egzersiz seansı yapmak için gerekli olan "perceived çaba" ve üç gruptan oluşan "müzik tip", "klasik müzik" ve "dance müzik" - test etmek için gereken bir egzersiz seansı yapmak için gerekli olan 12 koşucuyu işe almak için gerekli olan, araştırmacı 30 dakika boyunca her üç kez koştu.

Her bir koşu sonunda, konular, Friedman testinin veya örnekleme ölçeğinde 10'a kadar ne kadar zor hissettiğini kaydetmeleri istendi, 1'in kolay ve 10 son derece zor olması - daha sonra Friedman testi, müzik türüne göre algılanan bir çabada farklar olup olmadığını görmek için yapıldı. Bu örnek, Friedman testinin bir altta veya örnekleme düzeyindeki verileri nasıl işlediğini gösteriyor.

Ortak Pitfalls ve Them'dan Nasıl Kaçırmak

Deneyimli araştırmacılar bile Friedman testlerini yaparken zorluklarla karşılaşabiliyorlar. Ortak hataların farkında olmak analizinizin geçerli olmasını ve sonuçlarınızın seslendiğini garanti ediyor.

Bağımsızlık Asimini ihlal et

Hatalar, üç hayvandan elde edilen altı satıra sahipseniz bağımsız değildir – bu durumda, bazı rastgele faktör, bir hayvanın yüksek veya düşük olması için tüm değerlerin sebebi olabilir – bu faktör iki satırları etkileyecektir (ama diğer dört değil), satırlar bağımsız değildir.

Bu ihlal özellikle sorunludur çünkü istatistiksel test yoluyla tespit edilemez - araştırma tasarımınızı dikkatlice dikkate almanız gerekir.Eğer veri yapısınız nested veya hiyerarşik ilişkiler içeriyorsa (aynı aileden, sınıf veya tedavi grubuyla ilgili birden fazla gözlem gibi), bu bağımlılıklar için daha sofistike analitik yaklaşımlara ihtiyacınız olabilir.

Int Örnek Boyut

Çok az sayıda konu Friedman testinin istatistiksel gücünü azaltırken, güç analizi yazılımı veya yasal olarak danışmanlık yapmak zorlaşır.

Inappropriate Bağımsız Gruplarla Kullanımı

Friedman testi özellikle ilgili örnekler için tasarlanmıştır - bağımsız gruplarla bunu temel bir varsayımı ihlal eder ve sonuçları geçersiz kılar.Eğer gruplar maça veya tekrarlanandan bağımsızsa, Kruskal-Wallis testini yerine kullanın. İlgili ve bağımsız örnekler arasındaki ayrım, kendi araştırma tasarımınızla belirlenmelidir.

Neglecting Post-Hoc Test

Önemli bir Friedman testi sonucu bulmak ve bunun ortak bir hata olduğunu durdurmak.Ingbus testi sadece size koşullarınız arasında bir yerde var olduğunu söyler - her zaman verinizi tam olarak anlamak için önemli Friedman testlerini takip eder. Raporlama sadece her zaman keşfettiğiniz etkiler hakkında eksik bilgilerle ilgili.

Etkisi Ignoring Etkisi Boyutları

Etki boyutları göz önünde bulundurmadan sadece değerlere odaklanmak, bulgularınızın tam bir resmini sağlamak için öneminin yanlış anlaşılmasına yol açabilir. Çok küçük bir etki büyüklüğü ile istatistiksel olarak önemli bir sonuç, orta büyüklükteki bir sonuç, çalışmanızın güçlü olduğunu önerebilir. Her zaman sonuçlarınızın tam bir resmini sağlamak için önemi olan etki boyutunu hesaplamak ve rapor etmek için.

Friedman Test Sonuçları Araştırma Bildirileri

İstatistiksel sonuçların açık ve tam raporlaması psikolojik araştırmada şeffaflık ve yenidenrodite edilebilirlik için gereklidir. Friedman test sonuçları raporlandığında, okuyucuların bulguları anlamaları ve değerlendirmeleri için gerekli tüm bilgileri içerir.

Temel Bileşenler

Sonuç bölüm test istatistiki (chi-square değeri), özgürlük, örnek boyut, değer ve etki büyüklüğü derecelerini içermelidir. Örneğin: "A Friedman testi dört saat boyunca depresyon puanlarını karşılaştırmak için yapıldı (tabi, 1 ay, 3 ay ve 6 ay, 3 ay, ve 6 ay sonrası).

Eğer post-hoc testleri yaptık, bu sonuçları da raporlayın ve hangi düzeltme yöntemi (eğer herhangi biri) uygulanmışsınız. Örneğin: "Post-hocwise karşılaştırmaları Nemenyi testi kullanarak, 6 ay (Mdn = 12) puanlardan önemli ölçüde daha düşüktü (Mdn = 28 p< .001) ve 1 ay (Mdn = 24, p = .003), ancak 3 ay içinde puanlardan farklı değildi (Mdn = 15, p = 15, p = . = .001).

Descriptive Statistics

Uygun tanımlayıcı istatistiklere sahip olduğunuza göre, Friedman testi için, medyan ve interquartile aralıkları genellikle, özellikle de veyadinal veriler veya skewed dağıtımlarla çalışırken, özellikle de bu tanımlayıcıları bir tabloda veya sonuçların şeklini anlamamıza yardımcı olmak için uygundur.

Görselleştirme Sonuçları

Grafiksel temsiller bulgularınızı anlamakta fayda sağlamaktadır. Box arsaları, tabloların aralık sonuçları için özellikle etkili olduğunu gösteriyor, medyanları, kurtiles ve outliers. Line grafikleri uzun süredir yararlı olabilir, uzun süredir görüntü puanlarınızı zamanla nasıl değiştirir.

Gelişmiş düşünceler ve Extensions

Temel Friedman testinin ötesinde, birkaç gelişmiş konu ve genişleme, belirli araştırma durumlarda analitik yeteneklerinizi artırabilir.

Eksik Data

Standart Friedman testi tüm koşullardaki tüm konular için tam veri gerektirir. Veriler eksik olduğunda, birkaç seçeneğiniz vardır. En basit yaklaşım, eksik verilerle herhangi bir konuyu dışlamanızdır. Ancak, bu, örnek büyüklüğünizi ve istatistiksel gücünü büyük ölçüde azaltabilir.

Becerilendirmeler –Mack testi, Friedman’ın eksik değerlerin olduğu genel bir istatistiktir, bu da neredeyse herhangi bir blok tasarımında, keyfi eksik bir yapı ile kullanılabilir - veriler eksik bir değer içermediğinde, aynı sonucu Friedman testi olarak verir - ancak veriler eksik değerleri içeriyorsa, hem de Skillings-Mack testi ile daha hassas ve hassastır.

Iman-Davenport Extension

Daha büyük örnek boyutlarda, Iman-Davenport testi standart chi-square dağıtımından daha doğru bir şekilde özetliyor. Bu uzantı, Friedman istatistiki'yi F- dağıtımını takip etmek için dönüştürür, özellikle de birçok koşula göre büyük ölçüde daha iyi bir hata kontrolü sağlayabilir.

Aligned Ranks Dönüşüm

Araştırma tasarımınız çok sayıda in-subjects faktör içerir ( faktörlü tekrarlanan önlemler tasarımı), standart Friedman testi yetersizdir çünkü sadece bir faktörle bir anda başa çıkmaktadır.

Friedman Testini Parametrik Alternatiflerle Karşılaştırmak

Friedman testi tekrarlanan bir önlemlere karşı ne zaman anlamak ANOVA, veri özellikleri ve araştırma hedeflerinin dikkatli bir şekilde dikkate alınması gerekir.

Friedman Testinin Avantajları

Friedman testinin birincil avantajı normallik ve homojenitenin ihlal edilmesi için sağlamlığıdır. Verileriniz ordinal olduğunda, ağır skewed, aşırı varsayımlar içerir veya aksi takdirde parametrik varsayımlar ihlal eder, Friedman testi ANOVA'nın tekrarlanan önlemlerin aynı zamanda normalliği değerlendirdiği daha küçük örnek boyutları için de uygun olduğu sonucuna varır.

Ek olarak, Friedman testi, alt dağıtımların şekli hakkında varsayımlar yapmaz, ancak veriler en azından veyadinaldir. Bu esneklik, Likert ölçekleri, sıralama verileri ve diğer veyadinal değişkenlerin de dahil olmak üzere daha geniş bir psikolojik ölçümlere uygulanabilir hale getirir.

Tekrarlanan Önlemlerin Avantajları ANOVA

Parametrik varsayımlar karşılandığında, tekrarlanan önlemler ANOVA genellikle Friedman testinden daha güçlü - var oldukları zaman gerçek farklılıkları tespit etmek daha olasıdır. ANOVA ayrıca, basit yorumlar da dahil olmak üzere etkilerin doğası hakkında daha ayrıntılı bilgi sağlar.

Ayrıca, ANOVA, birden fazla faktör ve kovariatlar ile karmaşık tasarımlara daha doğal olarak uzanır. Araştırma tasarımınız hem de transjektör faktörler arasında veya sürekli kovariler için kontrol etmeniz gerekiyorsa, parametrik yaklaşım karışık model ANOVA veya tekrarlanan önlemler ANCOVA ile daha fazla esneklik sunar.

Seçim yapmak

Friedman testi ile tekrarlanan önlemler ANOVA, veri özelliklerine dayanarak olmalıdır, hangi testin size "daha iyi" değer veriyor. Görsel yöntemler kullanarak normalliğinizi test edin (Q-Q arsaları, histogramlar) ve resmi testlere (Shapiro-Wilk test) bağlıdır. Bağımlı değişkeninizin gerçekten sürekli veya yanlış olup olmadığını düşünün.

Verileriniz normalliği varsayımlarını ve dönüşümleri açıkça ihlal etmezse veya değişkeninizin doğal olarak veyadinal olup Friedman testini seçin.Eğer verileriniz sürekli ölçek üzerinde ölçülürse, tekrarlanan önlemler ANOVA muhtemelen daha uygun.

Başarılı Uygulama için Pratik İpuçları

Araştırmanızda Friedman testi başarılı bir şekilde sadece istatistiksel prosedürü yürütmekten daha fazlasını içerir - dikkatli planlama, yürütme ve yorumlama gerektirir.

Gelişmiş Kalkınmadaki Analizi Plan

Analiz planınızın ön değerlendirmesini belirlemeniz, veriye dayalı karar verme ve birden fazla testten hata riskini azaltmanıza yardımcı olur.

Tahmin ettiğiniz büyüklükteki etkilerini tespit etmek için bir güç analizi yapmayı düşünün. Parametrik olmayan testler için güç analizi, simülasyon tabanlı yaklaşımlar veya muhafazakar yaklaşımlar çalışma planlama için yararlı rehberlik sağlayabilir.

Verilerinizi dikkatlice kontrol edin

Friedman testi çalıştırmadan önce, hataların verilerini inceleyin, outliers ve desenler. Verilerinizin sütunlarda ve koşullardaki konularla düzgün bir şekilde formatlanmış olması sağlayın. Doğru sayıda gözleme sahip olduğunuzu ve eksik verilerin uygun şekilde kodlandığınız verileri arayın.

Her durumda tanımlayıcı istatistikler ve görselleştirmeler oluşturun, verinizdeki temel kalıpları anlamak için. Bu ön araştırma beklenmedik bulguları ortaya çıkarabilir, potansiyel sorunlarınızı önerebilir ve istatistiksel sonuçlarınızı daha anlamlı bir şekilde yorum yapmanıza yardımcı olabilir.

Kararınız Belgeniz

Friedman testini neden seçtiğiniz analitik kararlarınızın ayrıntılı kayıtlarını tut, eksik verileri veya outliers'i nasıl ele geçirdiniz ve hangi düzeltme yöntemlerine başvurduğunuzu ve bu belge, araştırmanızın yeniden tanımlanmasını sağlamak için önemlidir.

Bu, sizin verilerinizle birlikte sözkonomi veya kod dosyalarını kurtarın. Bu, analizinizi tam olarak yeniden üretebilmenize olanak sağlar ve bu da psikolojik araştırmada giderek beklenen bir şekilde ortaya çıkmaktadır. Well-commented code also serve as a record of your analitik process and can be shared to improve priority.

Context

İstatistiksel önem araştırma hipotezlerinizi değerlendirmede sadece bir kanıt parçasıdır. Önceki araştırma, teorik tahminlerin ışığında sonuçlarınızı düşünün ve pratik önem.Bir önceki araştırma garantilerinin büyük bir vücudu ile çelişen ve yenidenplikasyon. Benzer şekilde, teorik tahminlerle uyumlu olmayan bir sonuç, araştırma altında fenomen hakkında değerli bilgiler sağlayabilir.

Bulgularınız için alternatif açıklamalar hakkında eleştirel düşünün. değişkenler, sipariş etkileri veya uygulama etkileri sonuçlarınızı açıklayabilir mi?Sesimi etkileyen veya ölçümde bu düşüncelerin bilimsel rigor olduğunu kabul etmek ve okuyucuların bulgularınızı uygun şekilde bağlamize etmelerine yardımcı olabilir mi?

Daha Fazla Öğrenme Kaynakları

Friedman testi ve parametrik olmayan istatistikler ile uzmanlığı geliştirmek, daha geniş bir şekilde devam eden öğrenme ve uygulama gerektirir. Çeşitli mükemmel kaynaklar anlayışunuzu derinleştirebilir ve analitik becerilerinizi artırabilir.

Textbooks and Referans Malzemeleri

Parametrik olmayan istatistiklere ilişkin kapsamlı ders kitapları, Conover tarafından ayrıntılı bir kapsama sağlar. Psikologlar için "Nonparametrik İstatistik Yöntemleri", Hollander ve Wolfe tarafından, matematiksel temellerin titiz tedavilerini ve "Practical Nonparametrik İstatistikler", özellikle de vurgular.

Online mamüller ve Dersler

Birçok online kaynaklar, çeşitli yazılım paketlerinde Friedman testleri yürütmek için adım adım atarak öğreticiler sağlar. Laerd Statistics Web sitesi SPSS kullanıcıları için ayrıntılı rehberler sunar, oysa R-bloggers R uygulamaları gösteren birçok yazı vardır. YouTube, istatistiklere adanmıştır eğitim genellikle veri girişinden tam analizler yoluyla takip eden video öğreticileri içerir.

İstatistiksel Yazılım Dokümantasyon

İstatistiksel yazılım paketleri için resmi belgeler, işlevlerin nasıl uygulandığı ve hangi seçeneklerin mevcut olduğu hakkında bilgi sağlar. R belgeleri sistemi (yardım makinesi işlevi ve parametreleri aracılığıyla ulaşılamaz).

Profesyonel Geliştirme Fırsatları

Birçok üniversite ve profesyonel kuruluş, parametrik olmayan istatistikler üzerinde atölyeler ve kısa kurslar sunar. Bu yoğun öğrenme deneyimleri, soru sorma, örnekler aracılığıyla çalışma ve psikolojideki deneyimli eğitmenlerden gelen geri bildirimler almak için fırsatlar sunar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Friedman testi, tekrarlanan önlemleri analiz etmek veya psikolojik araştırmalarda eşleştirilmiş örnekleri karşılamak için güçlü ve esnek bir araç temsil eder. Parametrik olmayan doğası, istatistiksel olarak yanlışları korumakla çalışırken özellikle de verilerinden değerli hale getirir. - Sınavda sık sık ortaya çıkan yaklaşımlar, doğru şekilde nasıl davranılır ve sonuçları nasıl yorumlayabilir ve rapor edebilir.

Friedman testi ile başarı, önemli sonuçlar bulunduğunda, doğru bir analiz stratejisinin parçası olarak düşünülmelidir ve her iki istatistiksel ve pratik önemini göz önünde bulundurmak gerekir. Test, bir değer elde etmek için basit bir prosedür olarak görülmemelidir, ancak etki boyutunun tahmin edilmesi, görselleştirme ve bağlamsal yorumlamayı içeren kapsamlı bir analitik stratejinin bir parçası olarak düşünülmelidir.

Psikolojik araştırmalar daha büyük şeffaflığa ve yenidenroditeye doğru gelişmeye devam ettikçe, Friedman testi gibi sağlam analitik teknikler giderek daha önemli hale gelir. Tedavi müdahaleleri karşılaştırırsanız, gelişimsel değişiklikleri takip eder veya deneysel manipülasyonları değerlendirin, Friedman testi ilgili örneklerde anlamlı farklılıkları tespit etmek için güvenilir bir yöntem sunar.Bu kılavuzda belirtilen ilkeleri ve uygulamaları uygulayarak, bu testi psikolojik bilgileri ilerletebilir ve insan davranışını ve zihinsel süreçleri kanıt tabanlı anlayışa katkıda bulunabilirsiniz.

İstatistiksel analizin nihayetinde substantive araştırma soruları cevaplama hizmetinde olduğunu unutmayın. Friedman testi, bu sonuncunun bir aracıdır - uygun şekilde kullanıldığında ve yorumlanan bir şekilde, verinizde ışıklandırma modellerine yardımcı olur ve istatistiksel uzmanlığınızı geliştirmeye devam edin, yöntemsel gelişmeleri takip edin ve araştırma uygulamalarınızın bütünlüğüne ve şeffaflığına öncelik verin.