ANOVA är statistikens sätt att jämföra flera grupper samtidigt. Istället för att göra massa par-jämförelser (som ökar risken för fel), delar ANOVA upp den totala variationen i 'mellan grupper' och 'inom grupper'. Om variationen mellan grupper är mycket större än inom grupperna, så skiljer sig grupperna åt. Det är som att jämföra om skillnaderna mellan fotbollslag är större än skillnaderna inom lagen.

Fördjupning

Variansanalys (ANOVA) är en metod för att testa om medelvärden från flera grupper är lika. Grundidén är att dela upp total variation i komponenter: variation mellan grupper och variation inom grupper. Om grupperna verkligen skiljer sig åt bör variationen mellan grupper vara stor relativt variationen inom grupper. F-statistikan är kvoten mellan dessa varianser, och under nollhypotesen följer den en F-fördelning.

Envägs ANOVA

Jämför medelvärden från k grupper. H₀: μ₁ = μ₂ = ... = μₖ mot H₁: minst ett medelvärde skiljer sig. Använder F-test baserat på variansuppdelning.

ANOVA-tabell

Standardiserat sätt att presentera ANOVA-resultat med källor till variation, frihetsgrader, kvadratsummor, medelkvadrat och F-värde.

ANOVA-tabell struktur

Källa | df | SS | MS | F

Mellan grupper | k-1 | SSB | MSB | F = MSB/MSW

Inom grupper | n-k | SSW | MSW |

Totalt | n-1 | SST |

Antaganden och kontroller

ANOVA kräver normalfördelning, lika varianser (homoskedasticitet) och oberoende observationer. Kontrollera med residualplotter och formella tester.

Post-hoc tester

När ANOVA visar signifikant skillnad behövs post-hoc tester för att identifiera vilka grupper som skiljer sig. Tukey HSD, Bonferroni, Scheffé kontrollerar för multipla jämförelser.

Multipelt testningsproblem

Med 5 grupper finns 10 parvisa jämförelser. Risk för typ I-fel utan korrektion: 1-(0.95)¹⁰ ≈ 40%

Tvåvägs ANOVA

Undersöker effekter av två faktorer samtidigt och deras interaktion. Modell: Y = μ + α_i + β_j + (αβ)_ij + ε

Vanliga misstag

❌ Göra multipla t-tester istället för ANOVA

Multipla t-tester ökar typ I-fel dramatiskt

Exempel: 3 grupper → 3 t-tester → α = 1-(0.95)³ ≈ 14.3% istället för 5%

❌ Ignorera antaganden

ANOVA kräver normalfördelning och lika varianser

Exempel: Skeva fördelningar eller mycket olika spridningar gör ANOVA opålitlig

❌ Glömma post-hoc tester

Signifikant ANOVA säger bara att någon skillnad finns, inte vilken

Exempel: ANOVA: p<0.001, men vilka grupper skiljer sig? Behöver Tukey HSD

Tillämpningar

Medicinsk forskning

Jämföra effekt av olika behandlingar

Exempel: Testa 4 smärtmediciner: placebo, A, B, C

A/B-testning

Jämföra flera versioner av webbsida eller app

Exempel: Konvertering för 5 olika landningssidor

Kvalitetskontroll

Jämföra produkter från olika maskiner eller leverantörer

Exempel: Styrka hos betong från 6 olika tillverkare

Pedagogik

Jämföra undervisningsmetoder eller läromedel

Exempel: Elevprestationer med 3 olika matematikböcker

Övningar

1 Medel

3 grupper med data: A=[2,4,6], B=[3,5,7], C=[8,10,12]. Utför ANOVA på α=0.05.

Tips

Beräkna SST, SSB, SSW och F-statistika

Visa facit

1. Medelvärden: x̄ₐ=4, x̄ᵦ=5, x̄ᶜ=10, x̄=6.33
2. SSB = 3×[(4-6.33)² + (5-6.33)² + (10-6.33)²] = 54
3. SSW = SST - SSB = 56 - 54 = 2
4. F = (54/2)/(2/6) = 27/0.33 = 81

Svar: F = 27, p < 0.05, förkasta H₀

2 Lätt

Varför är ANOVA bättre än att göra alla parvisa t-tester?

Tips

Tänk på multipelt testningsproblem

Visa facit

1. k grupper ger k(k-1)/2 parvisa jämförelser
2. Varje test har α risk för typ I-fel
3. ANOVA håller global α på vald nivå

Svar: Kontrollerar typ I-fel globalt

Sammanfattning

ANOVA jämför medelvärden från flera grupper genom att dela upp variation i komponenter. F-testet jämför variation mellan och inom grupper. Kräver normalfördelning och lika varianser. Post-hoc tester identifierar specifika skillnader efter signifikant ANOVA.