Teste U de Mann-Whitney usando estatísticas SPSS Introdução O teste U de Mann-Whitney é usado para comparar diferenças entre dois grupos independentes quando a variável dependente é ordinária ou contínua, mas não é normalmente distribuída. Por exemplo, você poderia usar o teste U de Mann-Whitney para entender se as atitudes em relação à discriminação salarial, onde as atitudes são medidas em uma escala ordinal, diferem em função do gênero (ou seja, sua variável dependente seria atitudes em relação à discriminação salarial e sua variável independente seria Gênero, que tem dois grupos: masculino e feminino). Alternativamente, você poderia usar o teste U de Mann-Whitney para entender se os salários, medidos em uma escala contínua, diferiam com base no nível educacional (ou seja, sua variável dependente seria salário e sua variável independente seria o nível educacional, que tem dois grupos: alto Escola e universidade). O teste U de Mann-Whitney é freqüentemente considerado a alternativa não paramétrica ao teste t independente, embora nem sempre seja esse o caso. Ao contrário do teste t de amostras independentes, o teste U de Mann-Whitney permite tirar conclusões diferentes sobre seus dados, de acordo com os pressupostos que você faz sobre a distribuição de dados. Essas conclusões podem variar de simplesmente indicar se as duas populações diferem para determinar se existem diferenças nas medianas entre os grupos. Essas conclusões diferentes dependem da forma das distribuições de seus dados, que explicamos mais sobre isso. Em nosso guia de teste de Mann-Whitney U aprimorado, nós o acompanhamos através de todas as etapas necessárias para entender quando e como usar o teste de Mann-Whitney U, mostrando os procedimentos necessários em SPSS Statistics, e como interpretar e relatar o seu resultado. Você pode acessar este guia de teste de Mann-Whitney U aprimorado, subscrevendo o site aqui. Neste guia de início rápido, mostramos os conceitos básicos do teste U de Mann-Whitney usando um dos procedimentos da SPSS Statisticss quando a suposição crítica deste teste é violada. Antes de mostrarmos como fazer isso, explicamos os diferentes pressupostos que seus dados devem atender para que um teste U de Mann-Whitney lhe dê um resultado válido. Nós discutimos estes pressupostos a seguir. Suposições de estatísticas SPSS Quando você escolhe analisar seus dados usando um teste U de Mann-Whitney, parte do processo envolve verificar para garantir que os dados que deseja analisar possam ser analisados usando o teste U de Mann-Whitney. Você precisa fazer isso porque é apropriado usar um teste U de Mann-Whitney se seus dados passarem quatro premissas necessárias para um teste U de Mann-Whitney para lhe dar um resultado válido. Na prática, verificar essas quatro premissas apenas adiciona um pouco mais de tempo à sua análise, exigindo que você clique alguns mais botões nas estatísticas SPSS ao realizar sua análise, além de pensar um pouco mais sobre seus dados, mas é Não é uma tarefa difícil. Antes de apresentá-lo a estes quatro pressupostos, não se surpreenda se, ao analisar seus próprios dados usando as Estatísticas SPSS, uma ou mais dessas premissas são violadas (ou seja, não é cumprida). Isso não é incomum quando se trabalha com dados do mundo real em vez de exemplos de livros didáticos, que muitas vezes mostram apenas como realizar um teste de Mann-Whitney U quando tudo correr bem. No entanto, não se preocupe. Mesmo quando seus dados falham em certos pressupostos, muitas vezes há uma solução para superar isso. Primeiro, dê uma olhada nestes quatro pressupostos: Assunção 1: Sua variável dependente deve ser medida no nível normal ou contínuo. Exemplos de variáveis ordinais incluem itens de Likert (por exemplo, uma escala de 7 pontos de concordância forte para discordar fortemente), entre outras formas de classificar categorias (por exemplo, uma escala de 5 pontos que explica o quanto um cliente gostou de um produto, variando de Não muito Para sim, muito). Exemplos de variáveis contínuas incluem o tempo de revisão (medido em horas), a inteligência (medida com o escore de QI), o desempenho do exame (medido de 0 a 100), o peso (medido em kg) e assim por diante. Você pode aprender mais sobre variáveis ordinais e contínuas em nosso artigo: Tipos de Variável. Assunção 2: sua variável independente deve consistir em duas categóricas. Grupos independentes. Exemplo de variáveis independentes que atendem a este critério incluem gênero (2 grupos: masculino ou feminino), status de emprego (2 grupos: empregado ou desempregado), fumante (2 grupos: sim ou não) e assim por diante. Assunção 3: você deve ter independência de observações. O que significa que não há relação entre as observações em cada grupo ou entre os próprios grupos. Por exemplo, deve haver diferentes participantes em cada grupo, sem participantes em mais de um grupo. Este é mais um problema de design de estudo do que algo que você pode testar, mas é uma suposição importante do teste U de Mann-Whitney. Se o seu estudo falhar nesta suposição, você precisará usar outro teste estatístico em vez do teste U de Mann-Whitney (por exemplo, um teste Wilcoxon assinado). Se você não tem certeza se seu estudo atende a essa suposição, você pode usar o nosso Seletor de Teste Estatístico. Que faz parte do nosso conteúdo aprimorado. Assunção 4: Um teste U de Mann-Whitney pode ser usado quando suas duas variáveis não são normalmente distribuídas. No entanto, para saber como interpretar os resultados de um teste U de Mann-Whitney, você deve determinar se suas duas distribuições (ou seja, a distribuição de pontuação para ambos os grupos da variável independente, por exemplo, masculino e feminino para a variável independente , Gênero) têm a mesma forma. Para entender o que isso significa, dê uma olhada no diagrama abaixo: Copyright 2017. Estatísticas de Laerd Nos dois diagramas acima, a distribuição de pontuação para homens e mulheres tem a mesma forma. No diagrama à esquerda, você não pode ver a distribuição de pontuação para os machos (ilustrado em azul no diagrama à direita) porque as duas distribuições são idênticas (ou seja, ambas as distribuições são idênticas, de modo que elas estão em cima uma da outra no Diagrama, com a distribuição masculina de cor azul abaixo da distribuição feminina de cor vermelha). No entanto, no diagrama à direita, mesmo que ambas as distribuições tenham a mesma forma. Eles têm uma localização diferente (ou seja, a distribuição de um dos grupos da variável independente tem valores mais altos ou mais baixos em relação ao segundo ndash de distribuição em nosso exemplo, as fêmeas têm valores mais elevados do que os machos, em geral). Quando você analisa seus próprios dados, é extremamente improvável que suas duas distribuições sejam idênticas, mas podem ter a mesma forma (ou similar). Se eles tiverem a mesma forma, você pode usar SPSS Statistics para realizar um teste U de Mann-Whitney para comparar as medianas de sua variável dependente (por exemplo, pontuação de engajamento) para os dois grupos (por exemplo, machos e fêmeas) da variável independente ( Por exemplo, gênero), você está interessado. No entanto, se sua distribuição dois tiver uma forma diferente. Você só pode usar o teste U de Mann-Whitney para comparar as classificações médias. Portanto, ao realizar um teste U de Mann-Whitney, você também deve usar SPSS Statistics para determinar se suas duas distribuições têm a mesma forma ou uma forma diferente. Isso requer mais alguns procedimentos nas estatísticas do SPSS, mas é um processo fácil passo a passo que mostramos como fazer no nosso guia de teste Mann-Whitney U aprimorado. Neste guia de início rápido, mostramos como realizar um teste U de Mann-Whitney, supondo que suas duas distribuições não tenham forma semelhante, de modo que você só possa comparar as classificações médias e não as medianas. Você pode verificar a suposição 4 usando as estatísticas SPSS. Antes de fazer isso, você deve certificar-se de que seus dados atendam às premissas 1, 2 e 3, embora você não precise do SPSS Statistics para fazer isso. Basta lembrar que, se você não verificar a suposição 4, não saberá se você está comparando corretamente as classificações médias ou as medianas, e os resultados obtidos ao executar o teste U de Mann-Whitney podem não ser válidos. É por isso que dedicamos uma série de seções do nosso guia de teste Mann-Whitney U aprimorado para ajudá-lo a obter esse direito. Você pode aprender mais sobre a suposição 4 e sobre o que você precisará interpretar na seção de Suposições do nosso guia de teste de Mann-Whitney U aprimorado, que você pode acessar ao se inscrever no site aqui. Na seção de Procedimento de Teste na seção de Estatísticas SPSS deste guia de início rápido, ilustramos o procedimento de Estatísticas SPSS para realizar um teste U de Mann-Whitney, supondo que suas duas distribuições não tenham a mesma forma e você tenha que interpretar as classificações médias em vez das medianas. Primeiro, apresentamos o exemplo que usamos para explicar o procedimento de teste U de Mann-Whitney em SPSS Statistics. Estatísticas de SPSS A concentração de colesterol (um tipo de gordura) no sangue está associada ao risco de desenvolver doenças cardíacas, de modo que maiores concentrações de colesterol indicam um maior nível de risco, e concentrações mais baixas indicam um menor nível de risco. Se você reduzir a concentração de colesterol no sangue, seu risco de desenvolver doenças cardíacas pode ser reduzido. Estar com excesso de peso e / ou fisicamente inativo aumenta a concentração de colesterol no sangue. Tanto o exercício quanto a perda de peso podem reduzir a concentração de colesterol. No entanto, não se sabe se o exercício ou perda de peso é melhor para diminuir a concentração de colesterol. Portanto, um pesquisador decidiu investigar se uma atividade de exercício ou perda de peso foi mais eficaz na redução dos níveis de colesterol. Para este fim, o pesquisador recrutou uma amostra aleatória de machos inativos que foram classificados como excesso de peso. Essa amostra foi então dividida aleatoriamente em dois grupos: o Grupo 1 foi submetido a uma dieta controlada por calorias (ou seja, o grupo de dieta) e o Grupo 2 realizou um programa de treinamento de exercícios (ou seja, o grupo de exercícios). Para determinar qual programa de tratamento foi mais eficaz, as concentrações de colesterol foram comparadas entre os dois grupos no final dos programas de tratamento. Configuração de estatísticas do SPSS nas estatísticas do SPSS Nas estatísticas do SPSS, inserimos os escores para a concentração de colesterol, nossa variável dependente, sob o nome da variável Colesterol. Em seguida, criamos uma variável de agrupamento, chamada Grupo. Que representou nossa variável independente. Uma vez que nossa variável independente tinha dois grupos - dieta e exercício - damos ao grupo de dieta um valor de 1 e o grupo de exercícios um valor de 2. Se você não rotular seus dois grupos, SPSS Statistics não poderá distinguir entre eles e O teste U de Mann-Whitney não será executado. Nota: Existem dois procedimentos diferentes em SPSS Statistics para executar um teste U de Mann-Whitney: um procedimento novo e legado. Como explicamos a configuração de dados acima, relaciona-se ao procedimento legado (e ao novo procedimento quando sua variável dependente é contínua), que é o que nós o levamos no Procedimento de teste na seção de Estatísticas SPSS a seguir. Nós mencionamos isso porque, se você estiver usando o novo procedimento, você deve fazer alterações na configuração de seus dados se sua variável dependente for ordinária (ou seja, ao contrário de ser contínua). Nós explicamos como fazer isso em nosso guia de teste de Mann-Whitney U aprimorado, que você pode acessar ao se inscrever no site aqui. Em nosso guia de teste de Mann-Whitney U aprimorado, mostramos todas as etapas necessárias para inserir dados corretamente em SPSS Statistics para executar um teste U de Mann-Whitney para os procedimentos novos e legados discutidos na nota acima. Procedimento de Teste de Estatísticas do SPSS nas Estatísticas SPSS Se você lê a suposição 4 mais cedo, você saberá que o procedimento de Estatísticas SPSS ao analisar seus dados usando o teste U de Mann-Whitney é diferente dependendo da forma das duas distribuições de sua variável independente. No nosso exemplo, onde nossa variável dependente é a concentração de colesterol, o colesterol. Estamos nos referindo às duas distribuições da variável independente, Group (ou seja, a distribuição de pontuação para o grupo 1 ndash a ndash do grupo de dieta e o Grupo 2 ndash o grupo de exercícios). Nas 10 etapas abaixo, mostramos como analisar seus dados usando um teste U de Mann-Whitney em SPSS Statistics quando essas duas distribuições tiverem uma forma diferente. E, portanto, você deve comparar as classificações médias de sua variável dependente em vez de medianas. Para usar SPSS Statistics para determinar se suas duas distribuições têm formas iguais ou diferentes. Ou se você quiser saber como usar o SPSS Statistics para realizar um teste de Mann-Whitney U quando suas duas distribuições tiverem a mesma forma. De modo que você precisa comparar as medianas e não as fileiras médias. Você precisará acessar a seção Procedimentos do nosso guia de teste de Mann-Whitney U aprimorado (N. B. você pode fazer isso se inscrevendo no site aqui). Além disso, as 10 etapas abaixo também mostram como realizar um teste U de Mann-Whitney usando o procedimento legado em SPSS Statistics. Como explicamos anteriormente. Existem dois procedimentos diferentes em SPSS Statistics para executar um teste U de Mann-Whitney: um procedimento novo e legado. Recomendamos o novo procedimento se suas duas distribuições tiverem a mesma forma porque é um pouco mais fácil de realizar, mas o procedimento legado está bem se suas duas distribuições tiverem formas diferentes. Mostramos os procedimentos novos e legados em nosso guia de teste de Mann-Whitney U aprimorado. No final das 9 etapas abaixo, mostramos como interpretar os resultados desse teste usando as classificações médias. Clique em A nalyze gt N onparametric Tests gt L egacy Dialogs gt 2 I ndependent Samples. No menu superior, conforme mostrado abaixo: Publicado com permissão por escrito da SPSS Statistics, IBM Corporation. Você será apresentado com a caixa de diálogo Two-Independent-Samples Tests, conforme mostrado abaixo: Publicado com permissão por escrito da SPSS Statistics, IBM Corporation. Transfira a variável dependente, colesterol. Na lista de variáveis T est: caixa e a variável independente, grupo. Na caixa G rouping Variable: usando o botão ou arrastando e soltando as variáveis nas caixas. Publicado com permissão por escrito da SPSS Statistics, IBM Corporation. Nota: Certifique-se de que a caixa de seleção M ann-Whitney U esteja marcada na área ndashTest Typendash e a caixa G rouping Variable: é destacada em amarelo (como visto acima). Se não estiver destacado em amarelo, basta clicar no cursor na caixa G rouping Variable: para destacar. Junte-se aos 10 mil alunos, acadêmicos e profissionais que dependem da Laerd Statistics. TOMAR PLANOS DE AVISO amp PRICING Clique no botão. O botão não será clicável se você não tiver destacado a caixa G rouping Variable: conforme indicado na Etapa 4. Você receberá a seguinte tela: Publicado com permissão por escrito da SPSS Statistics, IBM Corporation. Clique na próxima página para obter o procedimento restante e como interpretar a saída. Ajuda de avaliação Realização de testes Mann-Whitney U (soma de classificação de Wilcoxon) em Stata Mann-Whitney U Os testes são uma opção para quando os testes típicos de T não podem ser usados. Antes de executar um, saiba mais sobre a teoria. Eles não exigem nada especial de seus dados, apenas que existem dois grupos (portanto, uma variável de agrupamento) e uma variável dependente. A sintaxe básica é o arquivo depvar, por meio de (agrupando var). Por exemplo, se eu quiser ver as notas de felicidades para meninas e meninos na graduação, o comando pareceria feliz, por (gênero) e produziria o seguinte resultado: The O resultado nos dá uma tabela útil mostrando os dois grupos, os Ns (número de observações), as somas classificadas observadas e a soma de classificação que seria esperada se a hipótese nula fosse mantida (se não houvesse diferença) .160 As classificações amarradas podem ser Um problema, então, abaixo da tabela, há um ajuste de variância para explicar esses laços. Então, lembramos a hipótese nula, e dada a estatística z e o valor p.
No comments:
Post a Comment