Пример. Данните са събрани за бегачи от Чикагския маратон за няколко години. Времето през което всеки бегач финишира е зависима променлива. Другите фактори включват времето (студено, приятно или горещо), броя на месеците тренировка, броя на предишни маратони и пол. Годините са обозначени като ковариант. Може би ще откриете, че полът има значителен ефект и че взаимодействието между пол и времето също е важно. Методи.Тип І, Тип ІІ, Тип ІІІ и Тип ІV сумите от квадратите могат да бъдат използвани за оценка на различни хипотези. Тип III е по подразбиране. Статистики. Post hoc размах тестът и множестввените сравнения: най-малко значима разлика, Bonferroni, Sidak, Scheffé, Ryan-Einot-Gabriel-Welsch множествено F, Ryan-Einot- Gabriel-Welsch множествен размах, Student-Newman-Keuls, Tukey’s honestly significant difference, Tukey’s b, Duncan, Hochberg’s GT2, Gabriel, Waller-Duncan t test, Dunnett (едностранни и двустранни), Tamhane’sT2, Dunnett’s T3, Games-Howell, и Dunnett’s C. Описателна статистика: наблюдавани средни, стандартни отклонения, и броя на всички зависимите променливи във всички клетки. Тестът на Levene за хомогенност на дисперсията. Plots.Ниво сравнително разпространение, остатък и взаимодействие с профила. Данни. Зависимата променлива е количествена. Факторите са категорични. Те могат да имат цифрови стойности или стрингови стойности до осем символа. Ковариантите са количествени променливи, които са свързани с зависимата променлива. Предположения.Данните са от случайна извадка от нормална популация; а в популацията, всички отделни дисперсии са едни и същи. Дисперсионият анализ е устойчив към отклонения от нормалността, въпреки че данните трябва да бъдат симетрични. За да проверите предположенията, можете да използвате тестовете за хомогенност на
145 дисперсиите, тестове и фигурите за ниво на разпространие. Можем също така да разгледаме остатъците и остатъчните плотс.
