ការវិភាគភាពខុសប្លែកគ្នា គឺជាវិធីសាស្រ្តស្ថិតិដែលត្រូវបានរចនាឡើងដើម្បីវាយតម្លៃឥទ្ធិពលនៃកត្តាផ្សេងៗលើលទ្ធផលនៃការពិសោធន៍ ក៏ដូចជាសម្រាប់ការធ្វើផែនការជាបន្តបន្ទាប់នៃការពិសោធន៍ស្រដៀងគ្នា។
ដំបូង (1918) ការវិភាគនៃការប្រែប្រួលត្រូវបានបង្កើតឡើងដោយគណិតវិទូអង់គ្លេស និងជាអ្នកស្ថិតិ R.A. អ្នកនេសាទដើម្បីដំណើរការលទ្ធផលនៃការពិសោធន៍ agronomic ដើម្បីកំណត់លក្ខខណ្ឌសម្រាប់ការទទួលបានទិន្នផលអតិបរមានៃពូជផ្សេងៗនៃដំណាំ។
នៅពេលបង្កើតការពិសោធន៍ លក្ខខណ្ឌខាងក្រោមត្រូវតែបំពេញ៖
បំរែបំរួលនីមួយៗនៃការពិសោធន៍ត្រូវតែធ្វើឡើងលើអង្គភាពសង្កេតជាច្រើន (ក្រុមសត្វ ផ្នែកវាល។ល។)
ការចែកចាយឯកតានៃការសង្កេតរវាងការប្រែប្រួលនៃបទពិសោធន៍គួរតែចៃដន្យ មិនមែនចេតនាទេ។
ការវិភាគនៃការប្រើប្រាស់វ៉ារ្យ៉ង់ ច- លក្ខណៈវិនិច្ឆ័យ(R.A. Fisher's criterion) តំណាងឱ្យសមាមាត្រនៃភាពខុសគ្នាពីរ៖
ដែល d គឺជាការពិត d គឺជាការបែកខ្ចាត់ខ្ចាយនៃហ្វាក់តូរីស (ក្រុមអន្តរក្រុម) និងសំណល់ (ក្រុមក្នុងក្រុម) ការបែកខ្ចាត់ខ្ចាយក្នុងមួយកម្រិតនៃសេរីភាព រៀងគ្នា។
វ៉ារ្យ៉ង់ហ្វាក់តូរីល និងសំណល់គឺជាការប៉ាន់ប្រមាណនៃការប្រែប្រួលចំនួនប្រជាជន ដែលគណនាពីទិន្នន័យគំរូ ដោយគិតគូរពីចំនួនដឺក្រេនៃសេរីភាពនៃការប្រែប្រួល។
ភាពខុសគ្នានៃកត្តា (ក្រុមអន្តរក្រុម) ពន្យល់ពីការប្រែប្រួលនៃលក្ខណៈលទ្ធផលក្រោមឥទ្ធិពលនៃកត្តាដែលបានសិក្សា។
បំរែបំរួលសំណល់ (ក្រុមក្នុងក្រុម) ពន្យល់ពីបំរែបំរួលនៃគុណលក្ខណៈមានប្រសិទ្ធភាព ដោយសារឥទ្ធិពលនៃកត្តាផ្សេងទៀត (លើកលែងតែឥទ្ធិពលនៃកត្តាដែលបានសិក្សា)។
សរុបមក កត្តា និងបំរែបំរួលសំណល់ផ្តល់ភាពប្រែប្រួលសរុប ដែលបង្ហាញពីឥទ្ធិពលនៃលក្ខណៈកត្តាទាំងអស់លើប្រសិទ្ធភាព។
នីតិវិធីសម្រាប់ការវិភាគនៃភាពខុសគ្នា៖
1. ទិន្នន័យពិសោធន៍ត្រូវបានបញ្ចូលទៅក្នុងតារាងគណនា ហើយផលបូក និងតម្លៃមធ្យមក្នុងក្រុមនីមួយៗនៃចំនួនប្រជាជនដែលបានសិក្សា ក៏ដូចជាចំនួនសរុប និងតម្លៃមធ្យមសម្រាប់ប្រជាជនទាំងមូលត្រូវបានកំណត់ (តារាងទី 1)។
តារាងទី 1
តម្លៃនៃគុណលក្ខណៈលទ្ធផលសម្រាប់ឯកតា i-th នៅក្នុងក្រុម j-th, x ij |
ចំនួននៃការសង្កេត, f j |
មធ្យម (ក្រុម និងសរុប), x j |
|
x 11, x 12, ..., x 1 n x 21, x 22, ..., x 2 n x m 1 , x m 2 , … , x mn | |||
ចំនួនសរុបនៃការសង្កេត នគណនាជាផលបូកនៃចំនួនសង្កេត f jនៅក្នុងក្រុមនីមួយៗ៖
ប្រសិនបើចំនួនធាតុនៅក្នុងក្រុមទាំងអស់គឺដូចគ្នា នោះជាមធ្យមសរុប ត្រូវបានរកឃើញពីក្រុមមានន័យថាជា មធ្យមនព្វន្ធសាមញ្ញ៖
ប្រសិនបើចំនួនធាតុនៅក្នុងក្រុមខុសគ្នា នោះជាមធ្យមសរុប គណនាដោយរូបមន្តនៃទម្ងន់មធ្យមនព្វន្ធ៖
2. ភាពខុសគ្នាសរុបត្រូវបានកំណត់ ឃ ទូទៅជាផលបូកនៃគម្លាតការេនៃតម្លៃបុគ្គលនៃគុណលក្ខណៈលទ្ធផល ពីមធ្យមភាគសរុប :
3. ការបំរែបំរួលរបស់ហ្វាក់តូរីល (រវាងក្រុម) ត្រូវបានគណនា ឃ ការពិតជាផលបូកនៃគម្លាតការេនៃក្រុមមានន័យថា ពីមធ្យមភាគសរុប គុណនឹងចំនួននៃការសង្កេត៖
4. តម្លៃនៃការបែកខ្ចាត់ខ្ចាយសំណល់ (ក្នុងក្រុម) ត្រូវបានកំណត់ ឃ ostដូចជាភាពខុសគ្នារវាងចំនួនសរុប ឃ ទូទៅនិង Factorial ឃ ការពិតការបែកខ្ញែក៖
5. ចំនួនដឺក្រេនៃសេរីភាពនៃហ្វាក់តូរីស
ភាពខុសគ្នាជាភាពខុសគ្នារវាងចំនួនក្រុម មនិងឯកតា៖
6. ចំនួនដឺក្រេនៃសេរីភាពសម្រាប់ការបែកខ្ញែកសំណល់ត្រូវបានកំណត់
ជាភាពខុសគ្នារវាងចំនួននៃតម្លៃលក្ខណៈបុគ្គល ននិងចំនួនក្រុម ម:
7. តម្លៃនៃការបែកខ្ញែកនៃកត្តាក្នុងមួយដឺក្រេនៃសេរីភាពត្រូវបានគណនា ឃ ការពិតជាសមាមាត្រនៃភាពខុសគ្នានៃកត្តា ឃ ការពិតដល់ចំនួនដឺក្រេនៃសេរីភាពនៃការប្រែប្រួលកត្តា
:
8. តម្លៃនៃការបែកខ្ញែកសំណល់ក្នុងមួយកម្រិតនៃសេរីភាពត្រូវបានកំណត់ ឃ ostជាសមាមាត្រនៃភាពខុសគ្នាដែលនៅសល់ ឃ ostដល់ចំនួនដឺក្រេនៃសេរីភាពនៃការបែកខ្ញែកដែលនៅសេសសល់
:
9. តម្លៃគណនានៃលក្ខណៈវិនិច្ឆ័យ F ត្រូវបានកំណត់ ច- កាឡូរីជាសមាមាត្រនៃបំរែបំរួលជាកត្តាក្នុងមួយដឺក្រេនៃសេរីភាព ឃ ការពិតការបែកខ្ញែកដែលនៅសេសសល់ក្នុងមួយកម្រិតនៃសេរីភាព ឃ ost :
10. យោងតាមតារាងនៃ F-criterion របស់ Fisher ដោយគិតគូរពីកម្រិតនៃសារៈសំខាន់ដែលបានអនុម័តនៅក្នុងការសិក្សា ក៏ដូចជាការគិតគូរពីកម្រិតនៃសេរីភាពសម្រាប់បំរែបំរួលនៃកត្តាកត្តា និងសំណល់ នោះតម្លៃទ្រឹស្តីត្រូវបានរកឃើញ។ ច តុ .
កម្រិតសារៈសំខាន់ 5% ត្រូវគ្នាទៅនឹងកម្រិតប្រូបាប៊ីលីតេ 95%, 1% - ដល់ 99% កម្រិតប្រូបាប៊ីលីតេ។ ក្នុងករណីភាគច្រើន កម្រិតសារៈសំខាន់ 5% ត្រូវបានប្រើប្រាស់។
តម្លៃទ្រឹស្តី ច តុនៅកម្រិតនៃសារៈសំខាន់មួយ ពួកវាត្រូវបានកំណត់ពីតារាងនៅចំនុចប្រសព្វនៃជួរដេកមួយ និងជួរឈរដែលត្រូវគ្នាទៅនឹងកម្រិតពីរនៃសេរីភាពនៃការប្រែប្រួល៖
នៅលើបន្ទាត់ - សំណល់;
ដោយជួរឈរ - រោងចក្រ។
11. លទ្ធផលនៃការគណនាត្រូវបានគូរក្នុងតារាងមួយ (តារាងទី 2) ។
ការវិភាគនៃភាពខុសគ្នា
វគ្គសិក្សានៅក្នុងមុខវិជ្ជា៖ "ការវិភាគប្រព័ន្ធ"
សិស្សសំដែង gr. 99 ISE-2 Zhbanov V.V.
សាកលវិទ្យាល័យ Orenburg State
មហាវិទ្យាល័យព័ត៌មានវិទ្យា
នាយកដ្ឋានព័ត៌មានអនុវត្ត
Orenburg-2003
សេចក្តីផ្តើម
គោលបំណងនៃការងារ៖ ដើម្បីស្គាល់វិធីសាស្រ្តស្ថិតិដូចជាការវិភាគនៃភាពខុសគ្នា។
ការវិភាគនៃការប្រែប្រួល (ពី Latin Dispersio - dispersion) គឺជាវិធីសាស្ត្រស្ថិតិដែលអនុញ្ញាតឱ្យអ្នកវិភាគឥទ្ធិពលនៃកត្តាផ្សេងៗលើអថេរដែលកំពុងសិក្សា។ វិធីសាស្រ្តនេះត្រូវបានបង្កើតឡើងដោយអ្នកជីវវិទូ R. Fisher ក្នុងឆ្នាំ 1925 ហើយត្រូវបានប្រើប្រាស់ដើមដំបូងដើម្បីវាយតម្លៃការពិសោធន៍ក្នុងការផលិតដំណាំ។ ក្រោយមក សារៈសំខាន់វិទ្យាសាស្ត្រទូទៅនៃការវិភាគការបែកខ្ញែកសម្រាប់ការពិសោធន៍ក្នុងចិត្តវិទ្យា គរុកោសល្យ វេជ្ជសាស្ត្រ ជាដើម បានក្លាយជាច្បាស់។
គោលបំណងនៃការវិភាគនៃវ៉ារ្យ៉ង់គឺដើម្បីសាកល្បងសារៈសំខាន់នៃភាពខុសគ្នារវាងមធ្យោបាយដោយប្រៀបធៀបភាពប្រែប្រួល។ ភាពខុសគ្នានៃគុណលក្ខណៈដែលបានវាស់វែងត្រូវបានបំបែកទៅជាលក្ខខណ្ឌឯករាជ្យ ដែលនីមួយៗកំណត់លក្ខណៈនៃឥទ្ធិពលនៃកត្តាជាក់លាក់មួយ ឬអន្តរកម្មរបស់ពួកគេ។ ការប្រៀបធៀបជាបន្តបន្ទាប់នៃលក្ខខណ្ឌបែបនេះអនុញ្ញាតឱ្យយើងវាយតម្លៃពីសារៈសំខាន់នៃកត្តានីមួយៗដែលកំពុងសិក្សា ក៏ដូចជាការរួមបញ្ចូលគ្នារបស់ពួកគេ /1/ ។
ប្រសិនបើសម្មតិកម្មគ្មានន័យគឺពិត (អំពីសមភាពនៃមធ្យោបាយក្នុងក្រុមជាច្រើននៃការសង្កេតដែលបានជ្រើសរើសពីប្រជាជនទូទៅ) ការប៉ាន់ប្រមាណនៃការប្រែប្រួលដែលទាក់ទងនឹងភាពប្រែប្រួលក្នុងក្រុមគួរតែជិតទៅនឹងការប៉ាន់ប្រមាណនៃភាពខុសគ្នារវាងក្រុម។
នៅពេលធ្វើការស្រាវជ្រាវទីផ្សារ សំណួរនៃការប្រៀបធៀបលទ្ធផលតែងតែកើតឡើង។ ឧទាហរណ៍ នៅពេលធ្វើការស្ទង់មតិលើការប្រើប្រាស់ផលិតផលជាក់លាក់មួយនៅក្នុងតំបន់ផ្សេងៗគ្នានៃប្រទេស ចាំបាច់ត្រូវធ្វើការសន្និដ្ឋានអំពីរបៀបដែលទិន្នន័យស្ទង់មតិខុសគ្នា ឬមិនខុសគ្នាពីគ្នាទៅវិញទៅមក។ វាមិនសមហេតុផលទេក្នុងការប្រៀបធៀបសូចនាករនីមួយៗ ដូច្នេះហើយនីតិវិធីសម្រាប់ការប្រៀបធៀប និងការវាយតម្លៃជាបន្តបន្ទាប់ត្រូវបានអនុវត្តទៅតាមតម្លៃមធ្យមមួយចំនួន និងគម្លាតពីការវាយតម្លៃជាមធ្យមនេះ។ ការប្រែប្រួលនៃលក្ខណៈកំពុងត្រូវបានសិក្សា។ ភាពខុសគ្នាអាចត្រូវបានយកជារង្វាស់នៃការប្រែប្រួល។ ការបែកខ្ចាត់ខ្ចាយ σ 2 គឺជារង្វាស់នៃបំរែបំរួល ដែលកំណត់ថាជាមធ្យមភាគនៃគម្លាតនៃលក្ខណៈការ៉េ។
នៅក្នុងការអនុវត្ត ភារកិច្ចដែលមានលក្ខណៈទូទៅជាងនេះច្រើនតែកើតឡើង - ភារកិច្ចនៃការត្រួតពិនិត្យសារៈសំខាន់នៃភាពខុសគ្នានៃមធ្យមភាគនៃគំរូគំរូជាច្រើន។ ជាឧទាហរណ៍ តម្រូវឱ្យវាយតម្លៃឥទ្ធិពលនៃវត្ថុធាតុដើមផ្សេងៗលើគុណភាពផលិតផល ដើម្បីដោះស្រាយបញ្ហាឥទ្ធិពលនៃបរិមាណជីលើទិន្នផលកសិផល។
ជួនកាលការវិភាគនៃវ៉ារ្យង់ត្រូវបានប្រើដើម្បីបង្កើតភាពដូចគ្នានៃចំនួនចំនួនប្រជាជនជាច្រើន (ភាពខុសគ្នានៃចំនួនប្រជាជនទាំងនេះគឺដូចគ្នាដោយការសន្មត់ ប្រសិនបើការវិភាគនៃការប្រែប្រួលបង្ហាញថាការរំពឹងទុកតាមគណិតវិទ្យាគឺដូចគ្នា នោះចំនួនប្រជាជនគឺដូចគ្នាក្នុងន័យនេះ)។ ចំនួនប្រជាជនដូចគ្នាអាចត្រូវបានរួមបញ្ចូលគ្នាទៅជាតែមួយ ហើយដូច្នេះទទួលបានព័ត៌មានពេញលេញអំពីវា ហើយដូច្នេះការសន្និដ្ឋានដែលអាចទុកចិត្តបានជាង /2/ ។
1 ការវិភាគនៃភាពខុសគ្នា
1.1 គំនិតជាមូលដ្ឋាននៃការវិភាគនៃការប្រែប្រួល
នៅក្នុងដំណើរការនៃការសង្កេតវត្ថុដែលកំពុងសិក្សា កត្តាគុណភាពផ្លាស់ប្តូរតាមអំពើចិត្ត ឬតាមរបៀបដែលបានកំណត់ទុកជាមុន។ ការអនុវត្តជាក់លាក់នៃកត្តាមួយ (ឧទាហរណ៍ របបសីតុណ្ហភាពជាក់លាក់ ឧបករណ៍ ឬសម្ភារៈដែលបានជ្រើសរើស) ត្រូវបានគេហៅថាកម្រិតកត្តា ឬវិធីសាស្ត្រដំណើរការ។ គំរូ ANOVA ដែលមានកត្តាកម្រិតថេរត្រូវបានគេហៅថា គំរូ I ម៉ូដែលដែលមានកត្តាចៃដន្យត្រូវបានគេហៅថា គំរូ II ។ ដោយការផ្លាស់ប្តូរកត្តា មនុស្សម្នាក់អាចស៊ើបអង្កេតឥទ្ធិពលរបស់វាទៅលើទំហំនៃការឆ្លើយតប។ នាពេលបច្ចុប្បន្ននេះ ទ្រឹស្តីទូទៅនៃការវិភាគនៃភាពប្រែប្រួលត្រូវបានបង្កើតឡើងសម្រាប់គំរូ I.
អាស្រ័យលើចំនួនកត្តាដែលកំណត់ការប្រែប្រួលនៃលក្ខណៈលទ្ធផល ការវិភាគនៃការប្រែប្រួលត្រូវបានបែងចែកទៅជាកត្តាតែមួយ និងកត្តាពហុ។
គ្រោងការណ៍ចម្បងសម្រាប់ការរៀបចំទិន្នន័យដំបូងដែលមានកត្តាពីរឬច្រើនគឺ៖
ការចាត់ថ្នាក់ឆ្លង, លក្ខណៈនៃគំរូ I, ដែលកម្រិតនីមួយៗនៃកត្តាមួយត្រូវបានផ្សំជាមួយការចាត់ថ្នាក់នីមួយៗនៃកត្តាផ្សេងទៀតនៅពេលរៀបចំផែនការពិសោធន៍មួយ។
ការចាត់ថ្នាក់តាមឋានានុក្រម (ជាប់គ្នា) លក្ខណៈនៃគំរូ II ដែលក្នុងនោះតម្លៃដែលបានជ្រើសរើសដោយចៃដន្យនីមួយៗនៃកត្តាមួយត្រូវគ្នាទៅនឹងសំណុំរងរបស់វាផ្ទាល់នៃតម្លៃនៃកត្តាទីពីរ។
ប្រសិនបើការពឹងផ្អែកនៃការឆ្លើយតបលើកត្តាគុណភាព និងបរិមាណត្រូវបានស៊ើបអង្កេតក្នុងពេលដំណាលគ្នានោះ i.e. កត្តានៃធម្មជាតិចម្រុះ បន្ទាប់មកការវិភាគភាពប្រែប្រួលត្រូវបានប្រើ /3/ ។
ដូច្នេះ ម៉ូដែលទាំងនេះមានភាពខុសគ្នាពីគ្នាទៅវិញទៅមកក្នុងរបៀបនៃការជ្រើសរើសកម្រិតនៃកត្តា ដែលជាក់ស្តែង ប៉ះពាល់ជាចម្បងទៅលើលទ្ធភាពនៃការធ្វើឱ្យទូទៅលទ្ធផលពិសោធន៍ដែលទទួលបាន។ សម្រាប់ការវិភាគភាពខុសប្លែកគ្នានៃការពិសោធន៍កត្តាតែមួយ ភាពខុសគ្នារវាងគំរូទាំងពីរនេះគឺមិនសូវសំខាន់នោះទេ ប៉ុន្តែនៅក្នុងការវិភាគពហុវ៉ារ្យង់នៃការប្រែប្រួលវាអាចមានសារៈសំខាន់ខ្លាំងណាស់។
នៅពេលធ្វើការវិភាគលើភាពប្រែប្រួល ការសន្មត់ស្ថិតិខាងក្រោមត្រូវតែបំពេញ៖ ដោយមិនគិតពីកម្រិតនៃកត្តា តម្លៃឆ្លើយតបមានច្បាប់ចែកចាយធម្មតា (Gaussian) និងការប្រែប្រួលដូចគ្នា។ ភាពស្មើគ្នានៃការបែកខ្ញែកនេះត្រូវបានគេហៅថាភាពដូចគ្នា។ ដូច្នេះ ការផ្លាស់ប្តូរវិធីសាស្ត្រដំណើរការប៉ះពាល់តែទីតាំងនៃអថេរចៃដន្យឆ្លើយតប ដែលត្រូវបានកំណត់លក្ខណៈដោយតម្លៃមធ្យម ឬមធ្យម។ ដូច្នេះ ការសង្កេតការឆ្លើយតបទាំងអស់ជាកម្មសិទ្ធិរបស់ក្រុមគ្រួសារផ្លាស់ប្តូរនៃការចែកចាយធម្មតា។
បច្ចេកទេស ANOVA ត្រូវបានគេនិយាយថា "រឹងមាំ" ។ ពាក្យនេះប្រើដោយអ្នកស្ថិតិ មានន័យថាការសន្មត់ទាំងនេះអាចបំពានបានក្នុងកម្រិតខ្លះ ប៉ុន្តែទោះបីជាយ៉ាងនេះក៏ដោយ ក៏បច្ចេកទេសនេះអាចប្រើបានដែរ។
នៅពេលដែលច្បាប់នៃការបែងចែកតម្លៃឆ្លើយតបមិនត្រូវបានគេដឹងនោះ វិធីសាស្រ្តនៃការវិភាគ nonparametric (ភាគច្រើនជាញឹកញាប់) ត្រូវបានប្រើ។
ការវិភាគនៃភាពប្រែប្រួលគឺផ្អែកលើការបែងចែកភាពខុសប្លែកគ្នាទៅជាផ្នែក ឬសមាសធាតុ។ បំរែបំរួលដោយសារឥទ្ធិពលនៃកត្តាដែលស្ថិតនៅក្រោមការដាក់ជាក្រុមត្រូវបានកំណត់លក្ខណៈដោយការបែកខ្ញែករវាងក្រុម σ 2 ។ វាគឺជារង្វាស់នៃបំរែបំរួលនៃមធ្យោបាយផ្នែកសម្រាប់ក្រុមជុំវិញមធ្យោបាយទូទៅ ហើយត្រូវបានកំណត់ដោយរូបមន្ត៖
,
ដែល k ជាចំនួនក្រុម;
n j គឺជាចំនួនឯកតាក្នុងក្រុម j-th;
មធ្យមឯកជនសម្រាប់ក្រុម j-th;
មធ្យមភាគសរុបលើចំនួនប្រជាជននៃគ្រឿង។
បំរែបំរួលដោយសារឥទ្ធិពលនៃកត្តាផ្សេងៗត្រូវបានកំណត់លក្ខណៈនៅក្នុងក្រុមនីមួយៗដោយការបែកខ្ញែកក្នុងក្រុម σ j 2 ។
.
មានទំនាក់ទំនងរវាងបំរែបំរួលសរុប σ 0 2, បំរែបំរួលក្នុងក្រុម σ 2 និងបំរែបំរួលអន្តរក្រុម៖
σ 0 2 = + σ 2 ។
បំរែបំរួលក្នុងក្រុមពន្យល់ពីឥទ្ធិពលនៃកត្តាដែលមិនត្រូវបានយកមកពិចារណានៅពេលដាក់ជាក្រុម ហើយភាពខុសគ្នារវាងក្រុមពន្យល់ពីឥទ្ធិពលនៃកត្តាក្រុមនៅលើមធ្យមក្រុម /2/ ។
1.2 ការវិភាគមួយផ្លូវនៃការប្រែប្រួល
គំរូបែកខ្ញែកកត្តាតែមួយមានទម្រង់៖
x ij = μ + F j + ε ij , (1)
ដែល х ij គឺជាតម្លៃនៃអថេរដែលបានសិក្សាដែលទទួលបាននៅកម្រិត i-th នៃកត្តា (i=1,2,...,т) ជាមួយនឹងលេខសៀរៀល j-th (j=1,2,... ,n);
F i គឺជាឥទ្ធិពលដោយសារតែឥទ្ធិពលនៃកម្រិត i-th នៃកត្តា;
ε ij គឺជាសមាសធាតុចៃដន្យ ឬការរំខានដែលបណ្តាលមកពីឥទ្ធិពលនៃកត្តាដែលមិនអាចគ្រប់គ្រងបាន ពោលគឺឧ។ បំរែបំរួលក្នុងកម្រិតតែមួយ។
តម្រូវការមូលដ្ឋានសម្រាប់ការវិភាគនៃការប្រែប្រួល៖
ការរំពឹងទុកគណិតវិទ្យានៃការរំខានε ij គឺស្មើនឹងសូន្យសម្រាប់ i, i.e.
M(ε ij) = 0; (2)
ការរំខាន ε ij គឺឯករាជ្យទៅវិញទៅមក;
បំរែបំរួលនៃអថេរ x ij (ឬការរំខាន ε ij) គឺថេរសម្រាប់
ណាមួយ i, j, i.e.
D(ε ij) = σ 2 ; (3)
អថេរ x ij (ឬការរំខាន ε ij) មានច្បាប់ធម្មតា។
ការចែកចាយ N(0; σ 2) ។
ឥទ្ធិពលនៃកម្រិតកត្តាអាចជាថេរ ឬជាប្រព័ន្ធ (គំរូ I) ឬចៃដន្យ (គំរូ II) ។
ជាឧទាហរណ៍ ចូរឱ្យវាចាំបាច់ដើម្បីរកឱ្យឃើញថាតើមានភាពខុសគ្នាយ៉ាងសំខាន់រវាងបណ្តុំនៃផលិតផលក្នុងលក្ខខណ្ឌនៃសូចនាករគុណភាពមួយចំនួន ពោលគឺឧ។ ពិនិត្យមើលផលប៉ះពាល់លើគុណភាពនៃកត្តាមួយ - បាច់នៃផលិតផល។ ប្រសិនបើបណ្តុំនៃវត្ថុធាតុដើមទាំងអស់ត្រូវបានរួមបញ្ចូលនៅក្នុងការសិក្សា នោះឥទ្ធិពលនៃកម្រិតនៃកត្តាបែបនេះគឺមានលក្ខណៈជាប្រព័ន្ធ (គំរូ I) ហើយការរកឃើញអាចអនុវត្តបានតែចំពោះបណ្តុំបុគ្គលទាំងនោះដែលត្រូវបានចូលរួមនៅក្នុងការសិក្សាប៉ុណ្ណោះ។ ប្រសិនបើយើងរួមបញ្ចូលតែផ្នែកដែលបានជ្រើសរើសដោយចៃដន្យនៃភាគី នោះឥទ្ធិពលនៃកត្តាគឺចៃដន្យ (គំរូ II) ។ នៅក្នុង multifactorial complex គំរូចម្រុះ III គឺអាចធ្វើទៅបាន ដែលកត្តាមួយចំនួនមានកម្រិតចៃដន្យ ខណៈពេលដែលកត្តាផ្សេងទៀតត្រូវបានជួសជុល។
សូមឱ្យមានបាច់នៃផលិតផល។ ពីបណ្តុំនីមួយៗរៀងគ្នា n 1 , n 2 , ... , n m ផលិតផលត្រូវបានជ្រើសរើស (សម្រាប់ភាពសាមញ្ញវាត្រូវបានសន្មត់ថា n 1 = n 2 = ... = n m = n) ។ តម្លៃនៃសូចនាករគុណភាពនៃផលិតផលទាំងនេះត្រូវបានបង្ហាញនៅក្នុងម៉ាទ្រីសសង្កេត:
x 11 x 12 … x 1n
x 21 x 22 … x 2n
………………… = (x ij), (i = 1.2, …, m; j = 1.2, …, n) ។
x m 1 x m 2 … x mn
វាចាំបាច់ក្នុងការត្រួតពិនិត្យសារៈសំខាន់នៃឥទ្ធិពលនៃបណ្តុំនៃផលិតផលលើគុណភាពរបស់វា។
ប្រសិនបើយើងសន្មត់ថាធាតុនៃជួរដេកនៃម៉ាទ្រីសសង្កេតគឺជាតម្លៃលេខនៃអថេរចៃដន្យ X 1 ,X 2 ,...,X m បង្ហាញពីគុណភាពនៃផលិតផល និងមានច្បាប់ចែកចាយធម្មតាជាមួយនឹងការរំពឹងទុកតាមគណិតវិទ្យា។ រៀងគ្នា a 1 ,a 2 ,... ,a m និងភាពខុសគ្នាដូចគ្នាបេះបិទ σ 2 បន្ទាប់មកបញ្ហានេះត្រូវបានកាត់បន្ថយទៅការសាកល្បងសម្មតិកម្មគ្មានន័យ H 0: a 1 = a 2 =...= a m ដែលធ្វើឡើងក្នុងការវិភាគនៃ ភាពខុសប្លែកគ្នា
ជាមធ្យមលើសន្ទស្សន៍មួយចំនួនត្រូវបានចង្អុលបង្ហាញដោយសញ្ញាផ្កាយ (ឬចំណុច) ជំនួសឱ្យសន្ទស្សន៍ បន្ទាប់មកសូចនាករគុណភាពមធ្យមនៃផលិតផលនៃក្រុម i-th ឬមធ្យមក្រុមសម្រាប់កម្រិត i-th នៃកត្តានឹងយក ទម្រង់៖
ដែល i * ជាតម្លៃមធ្យមលើជួរឈរ;
Ij គឺជាធាតុនៃម៉ាទ្រីសសង្កេត;
n គឺជាទំហំគំរូ។
និងមធ្យមភាគសរុប៖
. (5)
ផលបូកនៃគម្លាតការេនៃការសង្កេត x ij ពីមធ្យមសរុប ** មើលទៅដូចនេះ៖
2 = 2 + 2 +
2 2 . (6)
Q \u003d Q 1 + Q 2 + Q 3 ។
ពាក្យចុងក្រោយគឺសូន្យ
ចាប់តាំងពីផលបូកនៃគម្លាតនៃតម្លៃនៃអថេរពីមធ្យមរបស់វាគឺស្មើនឹងសូន្យ i.e.
2 =0.
ពាក្យដំបូងអាចសរសេរជា៖
លទ្ធផលគឺអត្តសញ្ញាណ៖
Q = Q 1 + Q 2 , (8)
កន្លែងណា - សរុប ឬសរុប ផលបូកនៃគម្លាតការេ;
- ផលបូកនៃគម្លាតការេនៃក្រុមមានន័យថាពីមធ្យមភាគសរុប ឬផលបូកអន្តរក្រុម (កត្តា) នៃគម្លាតការេ។
- ផលបូកនៃគម្លាតការេនៃការសង្កេតពីមធ្យោបាយក្រុម ឬ intragroup (សំណល់) ផលបូកនៃគម្លាតការេ។
ការពង្រីក (8) មានគំនិតសំខាន់នៃការវិភាគនៃការប្រែប្រួល។ ទាក់ទងទៅនឹងបញ្ហាដែលកំពុងពិចារណា សមភាព (8) បង្ហាញថាការប្រែប្រួលរួមនៃសូចនាករគុណភាពដែលវាស់វែងដោយផលបូក Q មានសមាសធាតុពីរគឺ Q 1 និង Q 2 ដែលបង្ហាញពីភាពប្រែប្រួលនៃសូចនាករនេះរវាងបណ្តុំ (Q 1 ) និងភាពប្រែប្រួលនៅក្នុងបណ្តុំ (Q 2) ដែលបង្ហាញលក្ខណៈនៃការប្រែប្រួលដូចគ្នាសម្រាប់បណ្តុំទាំងអស់ដែលស្ថិតក្រោមឥទ្ធិពលនៃកត្តាដែលមិនមានគណនី។
នៅក្នុងការវិភាគនៃបំរែបំរួល មិនមែនផលបូកនៃគម្លាតការ៉េខ្លួនឯងត្រូវបានវិភាគទេ ប៉ុន្តែគេហៅថាការេមធ្យម ដែលជាការប៉ាន់ប្រមាណមិនលំអៀងនៃបំរែបំរួលដែលត្រូវគ្នា ដែលត្រូវបានទទួលដោយការបែងចែកផលបូកនៃគម្លាតការេដោយចំនួនដឺក្រេដែលត្រូវគ្នានៃ សេរីភាព។
ចំនួនដឺក្រេនៃសេរីភាពត្រូវបានកំណត់ជាចំនួនសរុបនៃការសង្កេតដកចំនួនសមីការដែលទាក់ទងនឹងពួកគេ។ ដូច្នេះសម្រាប់មធ្យមការេ s 1 2 ដែលជាការប៉ាន់ប្រមាណមិនលំអៀងនៃបំរែបំរួលអន្តរក្រុម ចំនួនដឺក្រេនៃសេរីភាព k 1 = m-1 ចាប់តាំងពីក្រុម m មានន័យថាភ្ជាប់គ្នាទៅវិញទៅមកដោយសមីការមួយ (5) ត្រូវបានប្រើក្នុងការគណនារបស់វា។ ហើយសម្រាប់មធ្យមការ៉េ s22 ដែលជាការប៉ាន់ប្រមាណមិនលំអៀងនៃបំរែបំរួលក្នុងក្រុម ចំនួនដឺក្រេនៃសេរីភាពគឺ k2=mn-m ពីព្រោះ វាត្រូវបានគណនាដោយប្រើការសង្កេត mn ទាំងអស់ដែលទាក់ទងគ្នាដោយសមីការ m (4) ។
ដូចនេះ៖
ប្រសិនបើយើងរកឃើញការរំពឹងទុកគណិតវិទ្យានៃមធ្យមការេ ហើយជំនួសកន្សោម xij (1) ក្នុងរូបមន្តរបស់ពួកគេតាមរយៈប៉ារ៉ាម៉ែត្រគំរូ យើងទទួលបាន៖
(9)
ដោយសារតែ ដោយគិតពីលក្ខណៈសម្បត្តិនៃការរំពឹងទុកគណិតវិទ្យា
ក
(10)
សម្រាប់គំរូ I ដែលមានកម្រិតថេរនៃកត្តា F i (i=1,2,...,m) គឺជាតម្លៃមិនចៃដន្យ ដូច្នេះ
M(S) = 2 /(m-1) + σ 2 ។
សម្មតិកម្ម H 0 យកទម្រង់ F i = F * (i = 1,2,...,m), i.e. ឥទ្ធិពលនៃកត្តាទាំងអស់គឺដូចគ្នា។ ប្រសិនបើសម្មតិកម្មនេះជាការពិត
M(S)= M(S)= σ 2 ។
សម្រាប់គំរូចៃដន្យ II ពាក្យ F i ក្នុងកន្សោម (1) គឺជាតម្លៃចៃដន្យ។ កំណត់វាដោយភាពខុសគ្នា
យើងទទួលបានពី (9)
(11)
ហើយដូចនៅក្នុងគំរូ I
តារាង 1.1 បង្ហាញពីទិដ្ឋភាពទូទៅនៃការគណនាតម្លៃដោយប្រើការវិភាគនៃការប្រែប្រួល។
តារាង 1.1 - តារាងមូលដ្ឋាននៃការវិភាគនៃការប្រែប្រួល
សមាសធាតុបំរែបំរួល |
ផលបូកនៃការ៉េ |
ចំនួនដឺក្រេនៃសេរីភាព |
ការ៉េមធ្យម |
ការរំពឹងទុកជាមធ្យម |
អន្តរក្រុម |
||||
អន្តរក្រុម |
||||
សម្មតិកម្ម H 0 នឹងយកទម្រង់ σ F 2 = 0 ។ ប្រសិនបើសម្មតិកម្មនេះជាការពិត
M(S)= M(S)= σ 2 ។
ក្នុងករណីស្មុគស្មាញកត្តាមួយសម្រាប់ទាំងគំរូ I និងគំរូ II ការ៉េមធ្យម S 2 និង S 2 គឺជាការប៉ាន់ប្រមាណមិនលំអៀង និងឯករាជ្យនៃបំរែបំរួលដូចគ្នា σ 2 ។
អាស្រ័យហេតុនេះ ការធ្វើតេស្តសម្មតិកម្មគ្មានន័យ H 0 ត្រូវបានកាត់បន្ថយដើម្បីសាកល្បងសារៈសំខាន់នៃភាពខុសគ្នារវាងការប៉ាន់ស្មានគំរូដែលមិនលំអៀង S និង S នៃការប្រែប្រួល σ 2 ។
សម្មតិកម្ម H 0 ត្រូវបានច្រានចោល ប្រសិនបើតម្លៃគណនាជាក់ស្តែងនៃស្ថិតិ F = S/S ធំជាងតម្លៃសំខាន់ F α: K 1: K 2 ដែលកំណត់នៅកម្រិតសារៈសំខាន់ α ជាមួយនឹងចំនួនដឺក្រេនៃសេរីភាព k 1 = m-1 និង k 2 = mn-m ហើយទទួលយកប្រសិនបើ F< F α: K 1: K 2 .
ការចែកចាយ Fisher F (សម្រាប់ x> 0) មានអនុគមន៍ដង់ស៊ីតេដូចខាងក្រោម (សម្រាប់ = 1, 2, ...; = 1, 2, ...):
កន្លែងណា - កម្រិតនៃសេរីភាព;
G - មុខងារហ្គាម៉ា។
ទាក់ទងទៅនឹងបញ្ហានេះ ការបដិសេធនៃសម្មតិកម្ម H 0 មានន័យថាវត្តមាននៃភាពខុសគ្នាយ៉ាងសំខាន់នៅក្នុងគុណភាពនៃផលិតផលនៃបាច់ផ្សេងៗគ្នាក្នុងកម្រិតនៃសារៈសំខាន់ដែលកំពុងពិចារណា។
ដើម្បីគណនាផលបូកនៃការ៉េ Q 1 , Q 2 , Q ជាញឹកញាប់ងាយស្រួលប្រើរូបមន្តខាងក្រោម៖
(12)
(13)
(14)
ទាំងនោះ។ ជាទូទៅ វាមិនចាំបាច់ក្នុងការស្វែងរកមធ្យមភាគដោយខ្លួនឯងនោះទេ។
ដូច្នេះ នីតិវិធីសម្រាប់ការវិភាគមួយផ្លូវនៃការប្រែប្រួលមាននៅក្នុងការធ្វើតេស្តសម្មតិកម្ម H 0 ថាមានក្រុមមួយនៃទិន្នន័យពិសោធន៍ដូចគ្នាប្រឆាំងនឹងជម្រើសដែលថាមានក្រុមបែបនេះច្រើនជាងមួយ។ ភាពដូចគ្នា សំដៅទៅលើភាពដូចគ្នានៃមធ្យោបាយ និងភាពខុសគ្នានៅក្នុងសំណុំរងនៃទិន្នន័យណាមួយ។ ក្នុងករណីនេះ ភាពខុសគ្នាអាចត្រូវបានគេដឹង និងមិនស្គាល់ជាមុន។ ប្រសិនបើមានហេតុផលដើម្បីជឿថាភាពខុសគ្នានៃការវាស់វែងដែលគេស្គាល់ ឬមិនស្គាល់គឺដូចគ្នានៅទូទាំងសំណុំទិន្នន័យទាំងមូល នោះភារកិច្ចនៃការវិភាគមួយផ្លូវនៃការប្រែប្រួលត្រូវបានកាត់បន្ថយទៅសិក្សាពីសារៈសំខាន់នៃភាពខុសគ្នានៃមធ្យោបាយនៅក្នុងក្រុមទិន្នន័យ/ ១/.
1.3 ការបែកខ្ចាត់ខ្ចាយចម្រុះ ការវិភាគ
វាគួរតែត្រូវបានកត់សម្គាល់ភ្លាមៗថាមិនមានភាពខុសគ្នាជាមូលដ្ឋានរវាងការវិភាគពហុវ៉ារ្យង់និងកត្តាតែមួយនៃការប្រែប្រួលនោះទេ។ ការវិភាគពហុបំរែបំរួលមិនផ្លាស់ប្តូរតក្កវិជ្ជាទូទៅនៃការវិភាគបំរែបំរួលទេ ប៉ុន្តែគ្រាន់តែធ្វើអោយវាស្មុគស្មាញបន្តិចប៉ុណ្ណោះ ចាប់តាំងពី បន្ថែមពីលើការគិតគូរពីឥទ្ធិពលនៃកត្តានីមួយៗលើអថេរអាស្រ័យដោយឡែកពីគ្នា ឥទ្ធិពលរួមរបស់ពួកគេក៏គួរត្រូវបានវាយតម្លៃផងដែរ។ ដូច្នេះហើយ អ្វីថ្មីដែលការវិភាគចម្រុះនៃវ៉ារ្យ៉ង់នាំឱ្យការវិភាគទិន្នន័យមានការព្រួយបារម្ភជាចម្បងសមត្ថភាពក្នុងការវាយតម្លៃអន្តរកម្មអន្តរកម្ម។ ទោះយ៉ាងណាក៏ដោយ វានៅតែអាចវាយតម្លៃឥទ្ធិពលនៃកត្តានីមួយៗដោយឡែកពីគ្នា។ ក្នុងន័យនេះ នីតិវិធីនៃការវិភាគពហុវ៉ារ្យង់នៃវ៉ារ្យ៉ង់ (នៅក្នុងវ៉ារ្យ៉ង់នៃការប្រើប្រាស់កុំព្យូទ័ររបស់វា) គឺពិតជាសន្សំសំចៃជាង ព្រោះថាក្នុងមួយដំណើរការវាដោះស្រាយបញ្ហាពីរក្នុងពេលតែមួយ៖ ឥទ្ធិពលនៃកត្តានីមួយៗ និងអន្តរកម្មរបស់ពួកគេត្រូវបានប៉ាន់ស្មាន / ៣/.
គ្រោងការណ៍ទូទៅនៃការពិសោធន៍កត្តាពីរ ទិន្នន័យដែលត្រូវបានដំណើរការដោយការវិភាគនៃការប្រែប្រួល មានដូចខាងក្រោម៖
រូបភាព 1.1 - គ្រោងការណ៍នៃការពិសោធន៍កត្តាពីរ
ទិន្នន័យដែលទទួលរងការវិភាគច្រើននៃវ៉ារ្យ៉ង់ ជារឿយៗត្រូវបានដាក់ស្លាកយោងទៅតាមចំនួនកត្តា និងកម្រិតរបស់វា។
ដោយសន្មតថានៅក្នុងបញ្ហាដែលបានពិចារណានៃគុណភាពនៃដុំ m ផ្សេងគ្នាផលិតផលត្រូវបានផលិតនៅលើម៉ាស៊ីន t ផ្សេងគ្នាហើយវាត្រូវបានទាមទារដើម្បីរកមើលថាតើមានភាពខុសប្លែកគ្នាយ៉ាងខ្លាំងនៅក្នុងគុណភាពនៃផលិតផលសម្រាប់កត្តានីមួយៗ:
ក - បាច់នៃផលិតផល;
ខ - ម៉ាស៊ីន។
លទ្ធផលគឺជាការផ្លាស់ប្តូរទៅបញ្ហានៃការវិភាគកត្តាពីរនៃភាពប្រែប្រួល។
ទិន្នន័យទាំងអស់ត្រូវបានបង្ហាញនៅក្នុងតារាង 1.2 ដែលក្នុងនោះជួរ - កម្រិត A i នៃកត្តា A ជួរឈរ - កម្រិត B j នៃកត្តា B និងនៅក្នុងកោសិកាដែលត្រូវគ្នានៃតារាងគឺជាតម្លៃនៃសូចនាករគុណភាពផលិតផល x ijk (i = 1.2, ... ,m; j=1,2,...,l; k=1,2,...,n)។
តារាង 1.2 - សូចនាករគុណភាពផលិតផល
x 11l ,…,x 11k |
x 12l ,…,x 12k |
x 1jl ,…,x 1jk |
x 1ll ,…,x 1lk |
|||
x 2 1l ,…,x 2 1k |
x 22l ,…,x 22k |
x 2jl ,…,x 2jk |
x 2ll ,…,x 2lk |
|||
x i1l ,…,x i1k |
x i2l ,…,x i2k |
xijl,…,xijk |
xjll ,…,xjlk |
|||
x m1l ,…,x m1k |
x m2l ,…,x m2k |
xmjl ,…,xmjk |
x mll,…,x mlk |
គំរូបែកខ្ញែកពីរកត្តាមានទម្រង់៖
x ijk =μ+F i +G j +I ij +ε ijk , (15)
ដែល x ijk គឺជាតម្លៃនៃការសង្កេតក្នុងក្រឡា ij ដែលមានលេខ k ។
μ - មធ្យមទូទៅ;
F i - ឥទ្ធិពលដោយសារតែឥទ្ធិពលនៃកម្រិត i-th នៃកត្តា A;
G j - ឥទ្ធិពលដោយសារតែឥទ្ធិពលនៃកម្រិត j-th នៃកត្តា B;
I ij - ឥទ្ធិពលដោយសារតែអន្តរកម្មនៃកត្តាពីរ, i.e. គម្លាតពីមធ្យមសម្រាប់ការសង្កេតក្នុងក្រឡា ij ពីផលបូកនៃពាក្យបីដំបូងក្នុងគំរូ (15);
ε ijk - ការរំខានដោយសារតែការប្រែប្រួលនៃអថេរក្នុងក្រឡាតែមួយ។
វាត្រូវបានសន្មត់ថា ε ijk មានការចែកចាយធម្មតា N(0; с 2) ហើយរាល់ការរំពឹងទុកគណិតវិទ្យា F * , G * , I i * , I * j គឺស្មើនឹងសូន្យ។
មធ្យមភាគក្រុមត្រូវបានរកឃើញដោយរូបមន្ត៖
ក្នុងក្រឡា៖
តាមបន្ទាត់៖
តាមជួរ៖
មធ្យមភាគ៖
តារាង 1.3 បង្ហាញពីទិដ្ឋភាពទូទៅនៃការគណនាតម្លៃដោយប្រើការវិភាគនៃការប្រែប្រួល។
តារាង 1.3 - តារាងមូលដ្ឋាននៃការវិភាគនៃការប្រែប្រួល
សមាសធាតុបំរែបំរួល |
ផលបូកនៃការ៉េ |
ចំនួនដឺក្រេនៃសេរីភាព |
ការ៉េកណ្តាល |
ក្រុមអន្តរក្រុម (កត្តា A) |
|||
ក្រុមអន្តរក្រុម (កត្តាខ) |
|||
អន្តរកម្ម |
|||
សំណល់ |
|||
ការពិនិត្យមើលសម្មតិកម្មគ្មានន័យ HA, HB, HAB អំពីអវត្ដមាននៃឥទ្ធិពលលើអថេរដែលបានពិចារណានៃកត្តា A, B និងអន្តរកម្ម AB របស់ពួកគេត្រូវបានអនុវត្តដោយការប្រៀបធៀបសមាមាត្រ , , (សម្រាប់គំរូ I ដែលមានកម្រិតថេរនៃកត្តា) ឬសមាមាត្រ , , (សម្រាប់គំរូចៃដន្យ II) ជាមួយនឹងតម្លៃតារាងដែលត្រូវគ្នា F - លក្ខណៈវិនិច្ឆ័យ Fisher-Snedecor ។ សម្រាប់គំរូចម្រុះ III ការធ្វើតេស្តសម្មតិកម្មទាក់ទងនឹងកត្តាដែលមានកម្រិតថេរត្រូវបានអនុវត្តដូចគ្នាទៅនឹងគំរូ II និងសម្រាប់កត្តាដែលមានកម្រិតចៃដន្យ ដូចនៅក្នុងគំរូ I ។
ប្រសិនបើ n=1, i.e. ជាមួយនឹងការសង្កេតមួយនៅក្នុងក្រឡា នោះមិនមែនសម្មតិកម្មទទេទាំងអស់អាចត្រូវបានសាកល្បងទេ ដោយសារសមាសធាតុ Q3 ធ្លាក់ចេញពីផលបូកសរុបនៃគម្លាតការេ ហើយជាមួយវា ការ៉េមធ្យម ចាប់តាំងពីក្នុងករណីនេះ មិនអាចមានសំណួរអំពីអន្តរកម្មនៃ កត្តា។
តាមទស្សនៈនៃបច្ចេកទេសគណនា ដើម្បីរកផលបូកនៃការ៉េ Q 1, Q 2, Q 3, Q 4, Q វាជាការប្រសើរក្នុងការប្រើរូបមន្ត៖
Q 3 \u003d Q - Q 1 - Q 2 - Q 4 ។
គម្លាតពីតម្រូវការមូលដ្ឋាននៃការវិភាគភាពប្រែប្រួល - ភាពធម្មតានៃការបែងចែកអថេរដែលកំពុងសិក្សា និងសមភាពនៃការប្រែប្រួលនៅក្នុងកោសិកា (ប្រសិនបើវាមិនលើស) - មិនប៉ះពាល់យ៉ាងខ្លាំងដល់លទ្ធផលនៃការវិភាគនៃការប្រែប្រួលជាមួយនឹង ចំនួនស្មើគ្នានៃការសង្កេតនៅក្នុងកោសិកា ប៉ុន្តែអាចមានភាពរសើបខ្លាំង ប្រសិនបើចំនួនរបស់ពួកគេមិនស្មើគ្នា។ លើសពីនេះទៀត ជាមួយនឹងចំនួនមិនស្មើគ្នានៃការសង្កេតនៅក្នុងកោសិកា ភាពស្មុគស្មាញនៃបរិធានសម្រាប់ការវិភាគនៃភាពប្រែប្រួលកើនឡើងយ៉ាងខ្លាំង។ ដូច្នេះវាត្រូវបានផ្ដល់អនុសាសន៍ឱ្យរៀបចំគ្រោងការណ៍ដែលមានចំនួនស្មើគ្នានៃការសង្កេតនៅក្នុងកោសិកា ហើយប្រសិនបើមានទិន្នន័យដែលបាត់នោះ ទូទាត់សងសម្រាប់ពួកគេជាមួយនឹងតម្លៃមធ្យមនៃការសង្កេតផ្សេងទៀតនៅក្នុងកោសិកា។ ទោះយ៉ាងណាក៏ដោយ ក្នុងករណីនេះ ទិន្នន័យដែលបាត់ដែលបានណែនាំដោយសិប្បនិម្មិត មិនគួរត្រូវបានយកមកពិចារណានៅពេលគណនាចំនួនដឺក្រេនៃសេរីភាព /1/។
2 ការអនុវត្ត ANOVA ក្នុងដំណើរការ និងការសិក្សាផ្សេងៗ
2.1 ការប្រើប្រាស់ការវិភាគនៃភាពខុសគ្នាក្នុងការសិក្សាអំពីដំណើរការចំណាកស្រុក
ការធ្វើចំណាកស្រុកគឺជាបាតុភូតសង្គមដ៏ស្មុគស្មាញមួយដែលកំណត់យ៉ាងទូលំទូលាយនូវទិដ្ឋភាពសេដ្ឋកិច្ច និងនយោបាយនៃសង្គម។ ការសិក្សាអំពីដំណើរការចំណាកស្រុកត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការកំណត់អត្តសញ្ញាណកត្តាចំណាប់អារម្មណ៍ ការពេញចិត្តនឹងលក្ខខណ្ឌការងារ និងការវាយតម្លៃពីឥទ្ធិពលនៃកត្តាដែលទទួលបានលើចលនាអន្តរក្រុមនៃចំនួនប្រជាជន។
λ ij = c i q ij a j ,
ដែល λ ij គឺជាអាំងតង់ស៊ីតេនៃការផ្លាស់ប្តូរពីក្រុមដើម i (ទិន្នផល) ទៅក្រុមថ្មី j (បញ្ចូល);
c i – លទ្ធភាព និងលទ្ធភាពចាកចេញពីក្រុម i (c i ≥0);
q ij – ភាពទាក់ទាញនៃក្រុមថ្មីធៀបនឹងក្រុមដើម (0≤q ij ≤1);
a j - ភាពអាចរកបាននៃក្រុម j (a j ≥0) ។
ν ij ≈ n i λ ij = n i c i q ij a j ។ (ដប់ប្រាំមួយ)
នៅក្នុងការអនុវត្តជាក់ស្តែង សម្រាប់បុគ្គលម្នាក់ ប្រូបាប៊ីលីតេ p នៃការផ្លាស់ប្តូរទៅក្រុមមួយទៀតគឺតូច ហើយទំហំនៃក្រុម n ដែលកំពុងពិចារណាគឺធំ។ ក្នុងករណីនេះ ច្បាប់នៃព្រឹត្តិការណ៍កម្រត្រូវបានអនុវត្ត ពោលគឺដែនកំណត់ ν ij គឺជាការចែកចាយ Poisson ជាមួយនឹងប៉ារ៉ាម៉ែត្រ μ=np:
.
នៅពេលដែល μ កើនឡើង ការចែកចាយជិតដល់ធម្មតា។ តម្លៃដែលបានបំលែង √ν ij អាចត្រូវបានចាត់ទុកថាជាធម្មតាចែកចាយ។
ប្រសិនបើយើងយកលោការីតនៃការបញ្ចេញមតិ (16) ហើយធ្វើការផ្លាស់ប្តូរចាំបាច់នៃអថេរ នោះយើងអាចទទួលបានការវិភាគនៃគំរូបំរែបំរួល៖
ln√ν ij =½lnν ij =½(lnn i +lnc i +lnq ij +lna j)+ε ij ,
X i,j = 2ln√ν ij -lnn i -lnq ij ,
Xi,j =Ci +Aj +ε។
តម្លៃនៃ C i និង A j ធ្វើឱ្យវាអាចទទួលបានគំរូ ANOVA ពីរផ្លូវជាមួយនឹងការសង្កេតមួយក្នុងមួយក្រឡា។ ការបំប្លែងបញ្ច្រាសពី C i និង A j គណនាមេគុណ c i និង a j ។
នៅពេលធ្វើការវិភាគនៃវ៉ារ្យ៉ង់ តម្លៃខាងក្រោមគួរតែត្រូវបានយកជាតម្លៃនៃមុខងារ Y ដែលមានប្រសិទ្ធភាព៖
X \u003d (X 1.1 + X 1.2 +: + X mi, mj) / mimj,
ដែល mimj គឺជាការប៉ាន់ស្មាននៃការរំពឹងទុកគណិតវិទ្យា X i,j ;
X mi និង X mj - រៀងគ្នាចំនួនក្រុមចេញ និងចូល។
កម្រិតកត្តា I នឹងជាក្រុមចេញពី mi កម្រិតកត្តា J នឹងជាក្រុមចូល mj ។ Mi = mj = m ត្រូវបានសន្មត់។ បញ្ហាកើតឡើងនៃការធ្វើតេស្តសម្មតិកម្ម H I និង H J អំពីសមភាពនៃការរំពឹងទុកគណិតវិទ្យានៃតម្លៃ Y នៅកម្រិត I i និងនៅកម្រិត J j , i, j = 1, …, m ។ ការធ្វើតេស្តសម្មតិកម្ម H I គឺផ្អែកលើការប្រៀបធៀបតម្លៃនៃការប៉ាន់ប្រមាណដែលមិនលំអៀងនៃការប្រែប្រួល s I 2 និង s o 2 ។ ប្រសិនបើសម្មតិកម្ម H I ត្រឹមត្រូវ នោះតម្លៃ F (I) = s I 2 / s o 2 មានការចែកចាយ Fisher ជាមួយនឹងចំនួនដឺក្រេនៃសេរីភាព k 1 = m-1 និង k 2 = (m-1)(m- ១). សម្រាប់កម្រិតសារៈសំខាន់ដែលបានផ្តល់ឱ្យ α ចំណុចសំខាន់នៃដៃស្តាំ x pr, α cr ត្រូវបានរកឃើញ។ ប្រសិនបើតម្លៃលេខ F (I) នៃបរិមាណធ្លាក់ក្នុងចន្លោះពេល (x pr, α kr, +∞) នោះសម្មតិកម្ម H I ត្រូវបានច្រានចោល ហើយគេជឿថាកត្តាដែលខ្ញុំប៉ះពាល់ដល់មុខងារមានប្រសិទ្ធភាព។ កម្រិតនៃឥទ្ធិពលនេះដោយផ្អែកលើលទ្ធផលនៃការសង្កេតត្រូវបានវាស់ដោយមេគុណគំរូនៃការកំណត់ដែលបង្ហាញពីសមាមាត្រនៃភាពខុសគ្នានៃលក្ខណៈលទ្ធផលនៅក្នុងគំរូគឺដោយសារតែឥទ្ធិពលនៃកត្តា I នៅលើវា។ ប្រសិនបើ F ( ខ្ញុំ) លេខ 2.2 គោលការណ៍នៃការវិភាគគណិតវិទ្យា និងស្ថិតិនៃទិន្នន័យស្រាវជ្រាវជីវវេជ្ជសាស្ត្រ អាស្រ័យលើភារកិច្ច បរិមាណ និងធម្មជាតិនៃសម្ភារៈ ប្រភេទនៃទិន្នន័យ និងទំនាក់ទំនងរបស់ពួកគេ មានជម្រើសនៃវិធីសាស្រ្តនៃដំណើរការគណិតវិទ្យានៅដំណាក់កាលទាំងពីរបឋម (ដើម្បីវាយតម្លៃលក្ខណៈនៃការចែកចាយនៅក្នុងគំរូសិក្សា) និង ការវិភាគចុងក្រោយស្របតាមគោលបំណងនៃការសិក្សា។ ទិដ្ឋភាពដ៏សំខាន់បំផុតគឺការផ្ទៀងផ្ទាត់នៃភាពដូចគ្នានៃក្រុមសង្កេតការណ៍ដែលបានជ្រើសរើស រួមទាំងវត្ថុបញ្ជា ដែលអាចត្រូវបានអនុវត្តដោយអ្នកជំនាញ ឬដោយវិធីសាស្ត្រស្ថិតិចម្រុះ (ឧទាហរណ៍ ការប្រើការវិភាគចង្កោម)។ ប៉ុន្តែជំហានដំបូងគឺត្រូវចងក្រងកម្រងសំណួរដែលផ្តល់នូវការពិពណ៌នាស្តង់ដារនៃលក្ខណៈ។ ជាពិសេសនៅពេលធ្វើការសិក្សាអំពីរោគរាតត្បាត ដែលជាកន្លែងដែលត្រូវការការរួបរួមក្នុងការយល់ដឹង និងការពិពណ៌នាអំពីរោគសញ្ញាដូចគ្នាដោយវេជ្ជបណ្ឌិតផ្សេងៗគ្នា រួមទាំងការគិតគូរពីជួរនៃការផ្លាស់ប្តូររបស់ពួកគេ (ភាពធ្ងន់ធ្ងរ)។ ប្រសិនបើមានភាពខុសគ្នាយ៉ាងសំខាន់ក្នុងការចុះឈ្មោះទិន្នន័យដំបូង (ការវាយតម្លៃលើប្រធានបទនៃធម្មជាតិនៃការបង្ហាញរោគសាស្ត្រដោយអ្នកឯកទេសផ្សេងៗ) និងភាពមិនអាចទៅរួចនៃការនាំពួកគេទៅជាទម្រង់តែមួយនៅដំណាក់កាលនៃការប្រមូលព័ត៌មាន នោះការកែបំរែបំរួលដែលហៅថាអាច ត្រូវបានអនុវត្តដែលពាក់ព័ន្ធនឹងការធ្វើឱ្យមានលក្ខណៈធម្មតានៃអថេរ i.e. ការលុបបំបាត់ភាពមិនប្រក្រតីនៃសូចនាករនៅក្នុងម៉ាទ្រីសទិន្នន័យ។ "ការសម្របសម្រួលនៃមតិ" ត្រូវបានអនុវត្តដោយគិតគូរពីជំនាញនិងបទពិសោធន៍របស់វេជ្ជបណ្ឌិតដែលបន្ទាប់មកធ្វើឱ្យវាអាចប្រៀបធៀបលទ្ធផលនៃការពិនិត្យដែលទទួលបានដោយពួកគេជាមួយគ្នា។ ចំពោះបញ្ហានេះ ការវិភាគចម្រុះនៃការប្រែប្រួល និងការវិភាគតំរែតំរង់អាចត្រូវបានប្រើ។ សញ្ញាអាចជាប្រភេទដូចគ្នា ដែលកម្រ ឬប្រភេទផ្សេងគ្នា។ ពាក្យនេះសំដៅលើការវាយតម្លៃតាមម៉ែត្រខុសគ្នារបស់ពួកគេ។ សញ្ញាបរិមាណ ឬលេខ គឺជាសញ្ញាដែលវាស់វែងលើមាត្រដ្ឋានជាក់លាក់មួយ និងនៅលើមាត្រដ្ឋាននៃចន្លោះពេល និងសមាមាត្រ (ក្រុមសញ្ញា I) ។ គុណភាព ចំណាត់ថ្នាក់ ឬការដាក់ពិន្ទុត្រូវបានប្រើដើម្បីបង្ហាញពាក្យវេជ្ជសាស្រ្ត និងគោលគំនិតដែលមិនមានតម្លៃជាលេខ (ឧទាហរណ៍ ភាពធ្ងន់ធ្ងរនៃស្ថានភាព) ហើយត្រូវបានវាស់វែងតាមមាត្រដ្ឋានលំដាប់ (ក្រុមទី II នៃសញ្ញា)។ ចំណាត់ថ្នាក់ ឬនាមត្រកូល (ឧទាហរណ៍ វិជ្ជាជីវៈ ប្រភេទឈាម) - ទាំងនេះត្រូវបានវាស់វែងតាមមាត្រដ្ឋាននៃឈ្មោះ (ក្រុមទី III នៃសញ្ញា)។ ក្នុងករណីជាច្រើន ការប៉ុនប៉ងមួយត្រូវបានធ្វើឡើងដើម្បីវិភាគចំនួនដ៏ច្រើននៃលក្ខណៈពិសេស ដែលគួរតែជួយបង្កើនខ្លឹមសារព័ត៌មាននៃគំរូដែលបានបង្ហាញ។ ទោះជាយ៉ាងណាក៏ដោយ ជម្រើសនៃព័ត៌មានដែលមានប្រយោជន៍ ពោលគឺការជ្រើសរើសលក្ខណៈពិសេស គឺជាប្រតិបត្តិការចាំបាច់បំផុត ព្រោះដើម្បីដោះស្រាយបញ្ហាចំណាត់ថ្នាក់ណាមួយ ព័ត៌មានត្រូវតែជ្រើសរើសដែលផ្ទុកព័ត៌មានដែលមានប្រយោជន៍សម្រាប់កិច្ចការនេះ។ ក្នុងករណីដែលហេតុផលមួយចំនួននេះមិនត្រូវបានអនុវត្តដោយអ្នកស្រាវជ្រាវដោយខ្លួនឯង ឬមិនមានលក្ខណៈវិនិច្ឆ័យគ្រប់គ្រាន់សម្រាប់កាត់បន្ថយទំហំវិមាត្រនៃលក្ខណៈពិសេសសម្រាប់ហេតុផលដ៏មានអត្ថន័យនោះ ការប្រយុទ្ធប្រឆាំងនឹងភាពមិនដូចគ្នានៃព័ត៌មានត្រូវបានអនុវត្តរួចហើយដោយវិធីសាស្ត្រផ្លូវការដោយ ការវាយតម្លៃមាតិកាព័ត៌មាន។ ការវិភាគភាពប្រែប្រួលអនុញ្ញាតឱ្យអ្នកកំណត់ឥទ្ធិពលនៃកត្តាផ្សេងៗ (លក្ខខណ្ឌ) លើលក្ខណៈ (បាតុភូត) ដែលកំពុងសិក្សា ដែលត្រូវបានសម្រេចដោយការបំប្លែងភាពប្រែប្រួលសរុប (ការបែកខ្ញែកបង្ហាញជាផលបូកនៃគម្លាតការ៉េពីមធ្យមភាគទូទៅ) ទៅជាសមាសធាតុនីមួយៗដែលបង្កឡើង។ ដោយឥទ្ធិពលនៃប្រភពផ្សេងៗនៃភាពប្រែប្រួល។ ដោយមានជំនួយពីការវិភាគនៃការប្រែប្រួលការគំរាមកំហែងនៃជំងឺនេះត្រូវបានពិនិត្យនៅក្នុងវត្តមាននៃកត្តាហានិភ័យ។ គោលគំនិតនៃហានិភ័យដែលទាក់ទងគ្នាពិចារណាពីទំនាក់ទំនងរវាងអ្នកជំងឺដែលមានជំងឺជាក់លាក់មួយ និងអ្នកដែលមិនមានវា។ តម្លៃហានិភ័យដែលទាក់ទងធ្វើឱ្យវាអាចកំណត់ថាតើចំនួនប្រូបាប៊ីលីតេនៃការឈឺកើនឡើងនៅក្នុងវត្តមានរបស់វា ដែលអាចត្រូវបានប៉ាន់ប្រមាណដោយប្រើរូបមន្តសាមញ្ញដូចខាងក្រោមៈ ដែល a គឺជាវត្តមាននៃលក្ខណៈនៅក្នុងក្រុមសិក្សា។ ខ - អវត្ដមាននៃលក្ខណៈនៅក្នុងក្រុមសិក្សា; គ - វត្តមាននៃសញ្ញានៅក្នុងក្រុមប្រៀបធៀប (ការគ្រប់គ្រង); ឃ - អវត្ដមាននៃសញ្ញានៅក្នុងក្រុមប្រៀបធៀប (ការគ្រប់គ្រង) ។ ពិន្ទុហានិភ័យគុណលក្ខណៈ (rA) ត្រូវបានប្រើដើម្បីវាយតម្លៃសមាមាត្រនៃជំងឺដែលទាក់ទងនឹងកត្តាហានិភ័យដែលបានផ្តល់ឱ្យ៖ , ដែល Q គឺជាភាពញឹកញាប់នៃលក្ខណៈសម្គាល់ហានិភ័យនៅក្នុងប្រជាជន។ r" - ហានិភ័យដែលទាក់ទង។ ការកំណត់អត្តសញ្ញាណកត្តាដែលរួមចំណែកដល់ការកើតឡើង (ការបង្ហាញ) នៃជំងឺ, i.e. កត្តាហានិភ័យអាចត្រូវបានអនុវត្តតាមវិធីផ្សេងៗគ្នា ឧទាហរណ៍ដោយការវាយតម្លៃខ្លឹមសារព័ត៌មានជាមួយនឹងចំណាត់ថ្នាក់ជាបន្តបន្ទាប់នៃសញ្ញា ដែលទោះជាយ៉ាងណាមិនបង្ហាញពីឥទ្ធិពលប្រមូលផ្តុំនៃប៉ារ៉ាម៉ែត្រដែលបានជ្រើសរើស ផ្ទុយទៅនឹងការប្រើប្រាស់តំរែតំរង់ ការវិភាគកត្តា។ វិធីសាស្រ្តនៃទ្រឹស្តីនៃការទទួលស្គាល់គំរូ ដែលធ្វើឱ្យវាអាចទទួលបាន "ភាពស្មុគស្មាញរោគសញ្ញា" នៃកត្តាហានិភ័យ។ លើសពីនេះ វិធីសាស្ត្រស្មុគ្រស្មាញកាន់តែច្រើន ធ្វើឱ្យវាអាចវិភាគទំនាក់ទំនងដោយប្រយោលរវាងកត្តាហានិភ័យ និងជំងឺ /5/ ។ ២.៣ ការវិភាគជីវសាស្ត្រដី ការបំពុលចម្រុះ ការចូលទៅក្នុង agrocenosis អាចឆ្លងកាត់ការផ្លាស់ប្តូរផ្សេងៗនៅក្នុងវា ខណៈពេលដែលបង្កើនឥទ្ធិពលពុលរបស់វា។ សម្រាប់ហេតុផលនេះវិធីសាស្រ្តសម្រាប់ការវាយតម្លៃអាំងតេក្រាលនៃគុណភាពនៃសមាសធាតុ agrocenosis ប្រែទៅជាចាំបាច់។ ការសិក្សាត្រូវបានធ្វើឡើងដោយផ្អែកលើការវិភាគចម្រុះនៃភាពខុសគ្នានៅក្នុងការបង្វិលដំណាំជាជួរ 11 គ្រាប់ធញ្ញជាតិ។ នៅក្នុងការពិសោធន៍ ឥទ្ធិពលនៃកត្តាខាងក្រោមត្រូវបានសិក្សា៖ ជីដី (A), ប្រព័ន្ធជី (B), ប្រព័ន្ធការពាររុក្ខជាតិ (C) ។ ជីដី ប្រព័ន្ធជី និងប្រព័ន្ធការពាររុក្ខជាតិត្រូវបានសិក្សាក្នុងកម្រិត 0, 1, 2 និង 3 ។ ជម្រើសមូលដ្ឋានត្រូវបានតំណាងដោយបន្សំដូចខាងក្រោមៈ ០០០ - កម្រិតដំបូងនៃការមានកូនដោយមិនប្រើជី និងផលិតផលការពាររុក្ខជាតិពីសត្វល្អិត ជំងឺ និងស្មៅ។ 111 - កម្រិតមធ្យមនៃជីជាតិដី កម្រិតអប្បបរមានៃជី ការការពារជីវសាស្រ្តរបស់រុក្ខជាតិពីសត្វល្អិត និងជំងឺ។ 222 - កម្រិតដំបូងនៃជីជាតិដី កម្រិតមធ្យមនៃជី ការការពារគីមីនៃរុក្ខជាតិពីស្មៅ។ 333 - កម្រិតខ្ពស់នៃជីជាតិដី កំរិតខ្ពស់នៃជី ការការពារគីមីរបស់រុក្ខជាតិពីសត្វល្អិត និងជំងឺ។ យើងបានសិក្សាជម្រើសដែលមានកត្តាតែមួយគត់គឺ៖ 200 - ការមានកូន៖ 020 - ជី; 002 - ផលិតផលការពាររុក្ខជាតិ។ ក៏ដូចជាជម្រើសជាមួយនឹងកត្តារួមផ្សំផ្សេងគ្នា - 111, 131, 133, 022, 220, 202, 331, 313, 311។ គោលបំណងនៃការសិក្សានេះគឺដើម្បីសិក្សាពីការរារាំងនៃ chloroplasts និងមេគុណនៃការលូតលាស់ភ្លាមៗ ដែលជាសូចនាករនៃការបំពុលដីនៅក្នុងវ៉ារ្យ៉ង់ផ្សេងៗនៃការពិសោធន៍ពហុកត្តា។ ការរារាំងនៃ phototaxis នៃ duckweed chloroplasts ត្រូវបានសិក្សានៅលើផ្តេកដីផ្សេងគ្នា: 0-20, 20-40 សង់ទីម៉ែត្រ។ ចំណែកនៅក្នុងការបែកខ្ចាត់ខ្ចាយសរុបនៃជីដីគឺ 39,7%, ប្រព័ន្ធជី - 30,7%, ប្រព័ន្ធការពាររុក្ខជាតិ - 30,7% ។ ដើម្បីសិក្សាពីឥទ្ធិពលរួមនៃកត្តាលើការទប់ស្កាត់សារធាតុ chloroplast phototaxis ការរួមផ្សំផ្សេងៗនៃបំរែបំរួលពិសោធន៍ត្រូវបានប្រើ៖ ក្នុងករណីដំបូង - 000, 002, 022, 222, 220, 200, 202, 020 ក្នុងករណីទីពីរ - 111, ៣៣៣, ៣៣១, ៣១៣, ១៣៣, ៣១១, ១៣១។ លទ្ធផលនៃការវិភាគពីរផ្លូវនៃភាពខុសគ្នាបង្ហាញពីឥទ្ធិពលសំខាន់នៃអន្តរកម្មនៃជី និងប្រព័ន្ធការពាររុក្ខជាតិលើភាពខុសគ្នានៃ phototaxis សម្រាប់ករណីដំបូង (ចំណែកនៃការប្រែប្រួលសរុបគឺ 10.3%) ។ ចំពោះករណីទី 2 ឥទ្ធិពលសំខាន់នៃអន្តរកម្មនៃជីជាតិ និងប្រព័ន្ធជី (53.2%) ត្រូវបានរកឃើញ។ ការវិភាគបីផ្លូវនៃភាពខុសប្លែកគ្នាបានបង្ហាញនៅក្នុងករណីទីមួយ ឥទ្ធិពលសំខាន់នៃអន្តរកម្មនៃកត្តាទាំងបី។ ចំណែកនៅក្នុងការបែកខ្ញែកសរុបគឺ 47.9% ។ មេគុណកំណើនភ្លាមៗត្រូវបានសិក្សានៅក្នុងវ៉ារ្យ៉ង់ផ្សេងៗនៃការពិសោធន៍ 000, 111, 222, 333, 002, 200, 220។ ដំណាក់កាលដំបូងនៃការធ្វើតេស្តគឺមុនពេលអនុវត្តថ្នាំសំលាប់ស្មៅលើដំណាំស្រូវសាលីរដូវរងា (ខែមេសា) ដំណាក់កាលទីពីរគឺបន្ទាប់ពី ការប្រើប្រាស់ថ្នាំសំលាប់ស្មៅ (ឧសភា) ហើយចុងក្រោយគឺដល់ពេលប្រមូលផល (ខែកក្កដា)។ Forerunners - ផ្កាឈូករ័ត្ននិងពោតសម្រាប់គ្រាប់ធញ្ញជាតិ។ ការលេចឡើងនៃ fronds ថ្មីត្រូវបានគេសង្កេតឃើញបន្ទាប់ពីដំណាក់កាលយឺតយ៉ាវរយៈពេលខ្លីជាមួយនឹងរយៈពេលនៃការកើនឡើងទ្វេដងនៃទំងន់ស្រស់នៃ 2-4 ថ្ងៃ។ នៅក្នុងការគ្រប់គ្រង និងនៅក្នុងវ៉ារ្យ៉ង់នីមួយៗ ដោយផ្អែកលើលទ្ធផលដែលទទួលបាន មេគុណនៃកំណើនប្រជាជនភ្លាមៗ r ត្រូវបានគណនា ហើយបន្ទាប់មកពេលវេលានៃការបង្កើនចំនួន fronds ទ្វេដង (t ទ្វេដង) ត្រូវបានគណនា។ t ទ្វេដង \u003d ln2 / r ។ ការគណនាសូចនាករទាំងនេះត្រូវបានអនុវត្តដោយថាមវន្តជាមួយនឹងការវិភាគនៃគំរូដី។ ការវិភាគទិន្នន័យបានបង្ហាញថា ពេលវេលាកើនឡើងទ្វេដងនៃចំនួនប្រជាជនទាមុនពេលភ្ជួរគឺខ្លីបំផុតបើប្រៀបធៀបទៅនឹងទិន្នន័យបន្ទាប់ពីការភ្ជួររាស់ និងពេលប្រមូលផល។ នៅក្នុងសក្ដានុពលនៃការសង្កេត ការឆ្លើយតបរបស់ដីបន្ទាប់ពីការលាបថ្នាំសម្លាប់ស្មៅ និងនៅពេលប្រមូលផលគឺមានការចាប់អារម្មណ៍ខ្លាំងជាង។ ដំបូងបង្អស់ អន្តរកម្មជាមួយជី និងកម្រិតនៃការមានកូន។ ជួនកាលការទទួលបានការឆ្លើយតបដោយផ្ទាល់ទៅនឹងការអនុវត្តការត្រៀមលក្ខណៈគីមីអាចមានភាពស្មុគស្មាញដោយអន្តរកម្មនៃការរៀបចំជាមួយជីទាំងសារធាតុសរីរាង្គ និងសារធាតុរ៉ែ។ ទិន្នន័យដែលទទួលបានបានធ្វើឱ្យវាអាចធ្វើទៅបានដើម្បីតាមដានសក្ដានុពលនៃការឆ្លើយតបនៃការរៀបចំដែលបានអនុវត្តនៅក្នុងវ៉ារ្យ៉ង់ទាំងអស់ជាមួយនឹងមធ្យោបាយការពារគីមីដែលការលូតលាស់នៃសូចនាករត្រូវបានបញ្ឈប់។ ទិន្នន័យនៃការវិភាគមួយផ្លូវនៃការប្រែប្រួលបានបង្ហាញពីឥទ្ធិពលយ៉ាងសំខាន់នៃសូចនាករនីមួយៗលើអត្រាកំណើននៃ duckweed នៅដំណាក់កាលដំបូង។ នៅដំណាក់កាលទីពីរឥទ្ធិពលនៃភាពខុសគ្នានៃជីដីគឺ 65,0% នៅក្នុងប្រព័ន្ធជីនិងប្រព័ន្ធការពាររុក្ខជាតិ - 65,0% នីមួយៗ។ កត្តាបានបង្ហាញពីភាពខុសប្លែកគ្នាយ៉ាងសំខាន់រវាងវ៉ារ្យ៉ង់ 222 និង 000, 111, 333 ដែលជាមធ្យមទាក់ទងនឹងមេគុណកំណើនភ្លាមៗ។ នៅដំណាក់កាលទីបី ការចែករំលែកនៅក្នុងការបែកខ្ចាត់ខ្ចាយសរុបនៃជីដីគឺ 42.9% ប្រព័ន្ធជី និងការការពាររុក្ខជាតិ។ ប្រព័ន្ធ - 42,9% នីមួយៗ។ ភាពខុសគ្នាដ៏សំខាន់មួយត្រូវបានកត់សម្គាល់នៅក្នុងតម្លៃមធ្យមនៃជម្រើស 000 និង 111 ជម្រើស 333 និង 222 ។ គំរូដីដែលបានសិក្សាពីជម្រើសត្រួតពិនិត្យវាលមានភាពខុសគ្នាពីគ្នាទៅវិញទៅមកទាក់ទងនឹងការរារាំង phototaxis ។ ឥទ្ធិពលនៃកត្តាបង្កកំណើតត្រូវបានកត់សម្គាល់ ប្រព័ន្ធជី និងផលិតផលការពាររុក្ខជាតិដែលមានភាគហ៊ុន 30.7 និង 39.7% ក្នុងការវិភាគកត្តាតែមួយ ក្នុងការវិភាគកត្តាពីរ និងកត្តាបី ឥទ្ធិពលរួមគ្នានៃកត្តាត្រូវបានចុះបញ្ជី។ ការវិភាគនៃលទ្ធផលពិសោធន៍បានបង្ហាញពីភាពខុសគ្នាមិនសំខាន់រវាងជើងមេឃដីនៅក្នុងលក្ខខណ្ឌនៃសូចនាកររារាំង phototaxis ។ ភាពខុសគ្នាត្រូវបានសម្គាល់ដោយតម្លៃមធ្យម។ នៅក្នុងវ៉ារ្យ៉ង់ទាំងអស់ដែលមានផលិតផលការពាររុក្ខជាតិ ការផ្លាស់ប្តូរទីតាំងនៃ chloroplasts និងការចាប់ការលូតលាស់របស់ duckweed តិចជាងនេះត្រូវបានអង្កេត /6/ ។ 2.4 គ្រុនផ្តាសាយបណ្តាលឱ្យមានការកើនឡើងនៃការផលិតអ៊ីស្តាមីន អ្នកស្រាវជ្រាវនៅមន្ទីរពេទ្យកុមារនៅទីក្រុង Pittsburgh (សហរដ្ឋអាមេរិក) បានទទួលភស្តុតាងដំបូងដែលថាកម្រិតអ៊ីស្តាមីនកើនឡើងជាមួយនឹងការឆ្លងមេរោគផ្លូវដង្ហើមស្រួចស្រាវ។ ទោះបីជាការពិតដែលថាអ៊ីស្តាមីនត្រូវបានណែនាំពីមុនដើម្បីដើរតួនាទីក្នុងការចាប់ផ្តើមនៃរោគសញ្ញានៃការឆ្លងមេរោគផ្លូវដង្ហើមស្រួចស្រាវនៃរលាកផ្លូវដង្ហើមខាងលើ។ អ្នកវិទ្យាសាស្ត្របានចាប់អារម្មណ៍ថាហេតុអ្វីបានជាមនុស្សជាច្រើនប្រើថ្នាំប្រឆាំងនឹងអ៊ីស្តាមីន ដែលនៅក្នុងប្រទេសជាច្រើនត្រូវបានបញ្ចូលក្នុងប្រភេទ OTC សម្រាប់ការព្យាបាលដោយខ្លួនឯងនៃ "ផ្តាសាយ" និងជំងឺផ្តាសាយធម្មតា។ អាចប្រើបានដោយគ្មានវេជ្ជបញ្ជាពីវេជ្ជបណ្ឌិត។ គោលបំណងនៃការសិក្សានេះគឺដើម្បីកំណត់ថាតើការផលិតអ៊ីស្តាមីនត្រូវបានកើនឡើងកំឡុងពេលពិសោធន៍ការឆ្លងមេរោគផ្តាសាយប្រភេទ A ដែរឬទេ។ អ្នកស្ម័គ្រចិត្តដែលមានសុខភាពល្អចំនួន 15 នាក់ត្រូវបានចាក់បញ្ចូលតាមសរសៃឈាមជាមួយមេរោគគ្រុនផ្តាសាយ A ហើយបន្ទាប់មកត្រូវបានគេសង្កេតឃើញសម្រាប់ការវិវត្តនៃការឆ្លងមេរោគ។ ជារៀងរាល់ថ្ងៃក្នុងអំឡុងពេលនៃជំងឺនេះ ផ្នែកនៃទឹកនោមពេលព្រឹកត្រូវបានប្រមូលពីអ្នកស្ម័គ្រចិត្ត ហើយបន្ទាប់មក histamine និងសារធាតុរំលាយអាហាររបស់វាត្រូវបានកំណត់ ហើយបរិមាណសរុបនៃ histamine និងសារធាតុរំលាយអាហាររបស់វាត្រូវបានបញ្ចេញក្នុងមួយថ្ងៃត្រូវបានគណនា។ ជំងឺនេះកើតឡើងចំពោះអ្នកស្ម័គ្រចិត្តទាំង 15 នាក់។ ការវិភាគនៃភាពប្រែប្រួលបានបញ្ជាក់ពីកម្រិតខ្ពស់នៃអ៊ីស្តាមីននៅក្នុងទឹកនោមនៅថ្ងៃទី 2-5 នៃការឆ្លងមេរោគ (ទំ។<0,02) - период, когда симптомы «простуды» наиболее выражены. Парный анализ показал, что наиболее значительно уровень гистамина повышается на 2 день заболевания. Кроме этого, оказалось, что суточное количество гистамина и его метаболитов в моче при гриппе примерно такое же, как и при обострении аллергического заболевания. លទ្ធផលនៃការសិក្សានេះផ្តល់នូវភស្តុតាងដោយផ្ទាល់ដំបូងដែលថាកម្រិតអ៊ីស្តាមីនត្រូវបានកើនឡើងនៅក្នុងការឆ្លងមេរោគផ្លូវដង្ហើមស្រួចស្រាវ /7/ ។ ការវិភាគនៃភាពខុសគ្នានៃគីមីវិទ្យា ការវិភាគបែកខ្ញែក គឺជាសំណុំនៃវិធីសាស្រ្តសម្រាប់កំណត់ការបែកខ្ញែក ពោលគឺលក្ខណៈនៃទំហំភាគល្អិតនៅក្នុងប្រព័ន្ធបែកខ្ញែក។ ការវិភាគការបែកខ្ចាត់ខ្ចាយរួមមានវិធីសាស្រ្តផ្សេងៗសម្រាប់កំណត់ទំហំនៃភាគល្អិតឥតគិតថ្លៃនៅក្នុងប្រព័ន្ធផ្សព្វផ្សាយរាវ និងឧស្ម័ន ទំហំនៃរន្ធញើសនៅក្នុងសាកសពដែលល្អិតល្អន់ (ក្នុងករណីនេះ គំនិតសមមូលនៃ porosity ត្រូវបានប្រើជំនួសឱ្យគំនិតនៃការបែកខ្ញែក) ក៏ដូចជា ផ្ទៃជាក់លាក់។ វិធីសាស្រ្តមួយចំនួននៃការវិភាគការបែកខ្ញែកធ្វើឱ្យវាអាចទទួលបានរូបភាពពេញលេញនៃការចែកចាយនៃភាគល្អិតតាមទំហំ (បរិមាណ) ខណៈពេលដែលអ្នកផ្សេងទៀតផ្តល់នូវលក្ខណៈមធ្យមនៃការបែកខ្ញែក (porosity) ប៉ុណ្ណោះ។ ជាឧទាហរណ៍ ក្រុមទីមួយរួមមានវិធីសាស្រ្តសម្រាប់កំណត់ទំហំនៃភាគល្អិតនីមួយៗដោយការវាស់វែងដោយផ្ទាល់ (ការវិភាគស៊ីប អុបទិក និងមីក្រូទស្សន៍អេឡិចត្រុង) ឬដោយទិន្នន័យដោយប្រយោល៖ អត្រានៃការតាំងលំនៅនៃភាគល្អិតក្នុងមធ្យម viscous (ការវិភាគដីល្បាប់នៅក្នុងវាលទំនាញ និង នៅក្នុង centrifuges) ទំហំនៃជីពចរចរន្តអគ្គិសនីដែលកើតឡើងពីការឆ្លងកាត់នៃភាគល្អិតតាមរយៈរន្ធនៅក្នុងភាគថាសដែលមិនដំណើរការ (វិធីសាស្ត្រ conductometric) ។ ក្រុមទីពីរនៃវិធីសាស្រ្តរួមបញ្ចូលគ្នានូវការប៉ាន់ប្រមាណនៃទំហំមធ្យមនៃភាគល្អិតដោយឥតគិតថ្លៃនិងការប្តេជ្ញាចិត្តនៃផ្ទៃជាក់លាក់នៃម្សៅនិងសាកសព porous ។ ទំហំភាគល្អិតជាមធ្យមត្រូវបានរកឃើញដោយអាំងតង់ស៊ីតេនៃពន្លឺដែលខ្ចាត់ខ្ចាយ (nephelometry) ដោយប្រើអ៊ុលត្រាសោម វិធីសាស្ត្រសាយភាយ។ល។ ផ្ទៃជាក់លាក់ត្រូវបានកំណត់ដោយការស្រូបយកឧស្ម័ន (ចំហាយទឹក) ឬសារធាតុរំលាយដោយភាពជ្រាបចូលនៃឧស្ម័ន អត្រានៃការរំលាយ។ និងវិធីសាស្រ្តផ្សេងទៀត។ ខាងក្រោមនេះគឺជាដែនកំណត់នៃការអនុវត្តនៃវិធីសាស្រ្តផ្សេងៗនៃការវិភាគនៃការប្រែប្រួល (ទំហំភាគល្អិតគិតជាម៉ែត្រ)៖ ការវិភាគ Sieve - 10 -2 -10 -4 ការវិភាគនៃដីល្បាប់នៅក្នុងវាលទំនាញមួយ - 10 -4 -10 -6 វិធីសាស្រ្ត conductometric - 10 -4 -10 -6 មីក្រូទស្សន៍ - 10 -4 -10 -7 វិធីសាស្រ្តចម្រោះ - 10 -5 -10 -7 ការផ្តោតអារម្មណ៍ - 10 -6 -10 -8 Ultracentrifugation - 10 -7 -10 -9 Ultramicroscopy - 10 -7 -10 -9 Nephelometry - 10 -7 -10 -9 មីក្រូទស្សន៍អេឡិចត្រុង - 10 -7 -10 -9 វិធីសាស្រ្តនៃការសាយភាយ - 10 -7 -10 -10 ការវិភាគការបែកខ្ចាត់ខ្ចាយត្រូវបានគេប្រើយ៉ាងទូលំទូលាយនៅក្នុងវិស័យផ្សេងៗនៃវិទ្យាសាស្ត្រ និងផលិតកម្មឧស្សាហកម្ម ដើម្បីវាយតម្លៃការបែកខ្ញែកនៃប្រព័ន្ធ (ការព្យួរ សារធាតុ emulsion សូលុយស្យុង ម្សៅ សារធាតុ adsorbents ។ -9 ម) /8/ ។ 2.6 ការប្រើប្រាស់ការផ្តល់យោបល់ដោយចេតនាដោយផ្ទាល់នៅក្នុងស្ថានភាពភ្ញាក់នៅក្នុងវិធីសាស្រ្តនៃការអប់រំនៃគុណភាពរាងកាយ ការហ្វឹកហ្វឺនរាងកាយគឺជាផ្នែកមូលដ្ឋាននៃការហ្វឹកហ្វឺនកីឡាព្រោះវាត្រូវបានកំណត់លក្ខណៈក្នុងវិសាលភាពធំជាងទិដ្ឋភាពផ្សេងទៀតនៃការហ្វឹកហាត់ដោយបន្ទុករាងកាយដែលប៉ះពាល់ដល់លក្ខណៈសម្បត្តិ morphological និងមុខងារនៃរាងកាយ។ ភាពជោគជ័យនៃការហ្វឹកហ្វឺនបច្ចេកទេស ខ្លឹមសារនៃកលល្បិចរបស់អត្តពលិក ការសម្រេចបាននូវលក្ខណៈសម្បត្តិផ្ទាល់ខ្លួនក្នុងដំណើរការហ្វឹកហាត់ និងការប្រកួតប្រជែងអាស្រ័យលើកម្រិតនៃកាយសម្បទា។ ភារកិច្ចចម្បងមួយនៃការបណ្តុះបណ្តាលរាងកាយគឺការអប់រំគុណភាពរាងកាយ។ ក្នុងន័យនេះ ចាំបាច់ត្រូវបង្កើតឧបករណ៍ និងវិធីសាស្រ្តគរុកោសល្យ ដែលអនុញ្ញាតឱ្យគិតគូរពីលក្ខណៈអាយុរបស់អត្តពលិកវ័យក្មេង ដែលរក្សាសុខភាពរបស់ពួកគេ មិនត្រូវការពេលវេលាបន្ថែម និងក្នុងពេលជាមួយគ្នានេះ ជំរុញការលូតលាស់នៃគុណភាពរាងកាយ និងជា លទ្ធផល, កីឡា។ ការប្រើប្រាស់ឥទ្ធិពលនៃពាក្យសំដីនៅក្នុងដំណើរការបណ្តុះបណ្តាលនៅក្នុងក្រុមបណ្តុះបណ្តាលបឋមគឺជាផ្នែកមួយដ៏ជោគជ័យនៃការស្រាវជ្រាវលើបញ្ហានេះ។ ការវិភាគនៃទ្រឹស្តី និងការអនុវត្តនៃការអនុវត្តនៃឥទ្ធិពលពាក្យសំដីដែលបំផុសគំនិតបង្ហាញពីភាពផ្ទុយគ្នាសំខាន់ៗ៖ ភស្តុតាងនៃការប្រើប្រាស់ប្រកបដោយប្រសិទ្ធភាពនៃវិធីសាស្រ្តជាក់លាក់នៃឥទ្ធិពលតំណពូជនៃពាក្យសំដីនៅក្នុងដំណើរការបណ្តុះបណ្តាល និងលទ្ធភាពជាក់ស្តែងនៃការប្រើប្រាស់របស់ពួកគេដោយគ្រូបង្វឹក។ ការទទួលស្គាល់ការផ្ដល់យោបល់ដោយចេតនាផ្ទាល់ (តទៅនេះហៅថា DSP) នៅក្នុងស្ថានភាពភ្ញាក់ ដែលជាវិធីសាស្រ្តសំខាន់មួយនៃឥទ្ធិពលនៃពាក្យសម្ដីនៅក្នុងសកម្មភាពគរុកោសល្យរបស់គ្រូបង្វឹក និងកង្វះទ្រឹស្តីបទសម្រាប់លក្ខណៈវិធីសាស្រ្តនៃការប្រើប្រាស់របស់វាក្នុងការបណ្តុះបណ្តាលកីឡា។ និងជាពិសេសនៅក្នុងដំណើរការនៃការអប់រំគុណភាពរាងកាយ។ ទាក់ទងនឹងភាពផ្ទុយគ្នាដែលបានកំណត់អត្តសញ្ញាណនិងការអភិវឌ្ឍន៍មិនគ្រប់គ្រាន់បញ្ហានៃការប្រើប្រាស់ប្រព័ន្ធនៃវិធីសាស្រ្តនៃឥទ្ធិពលតំណពូជនៃពាក្យសំដីនៅក្នុងដំណើរការនៃការអប់រំគុណភាពរាងកាយរបស់អត្តពលិកបានកំណត់គោលបំណងនៃការសិក្សា - ដើម្បីបង្កើតវិធីសាស្រ្តគោលដៅសមហេតុផលនៃ PPV ក្នុងស្ថានភាពភ្ញាក់។ រួមចំណែកដល់ការធ្វើឱ្យប្រសើរឡើងនូវដំណើរការនៃការអប់រំគុណភាពរាងកាយដោយផ្អែកលើការវាយតម្លៃនៃស្ថានភាពផ្លូវចិត្ត ការបង្ហាញ និងសក្ដានុពលនៃគុណភាពរូបវន្ត judoists នៃក្រុមបណ្តុះបណ្តាលបឋម។ ដើម្បីសាកល្បង និងកំណត់ប្រសិទ្ធភាពនៃវិធីសាស្ត្រពិសោធន៍របស់ PPV ក្នុងការអភិវឌ្ឍន៍គុណភាពរាងកាយរបស់អ្នកចំបាប់យូដូ ការពិសោធន៍គរុកោសល្យប្រៀបធៀបត្រូវបានធ្វើឡើង ដែលក្នុងនោះក្រុមចំនួនបួនបានចូលរួម - ពិសោធន៍បី និងការគ្រប់គ្រងមួយ។ នៅក្នុងក្រុមពិសោធន៍ដំបូង (EG) បច្ចេកទេស PPV M1 ត្រូវបានគេប្រើនៅក្នុងទីពីរ - បច្ចេកទេស PPV M2 នៅក្នុងទីបី - បច្ចេកទេស PPV M3 ។ នៅក្នុងក្រុមត្រួតពិនិត្យ (CG) វិធីសាស្ត្រ PPV មិនត្រូវបានប្រើទេ។ ដើម្បីកំណត់ប្រសិទ្ធភាពនៃផលប៉ះពាល់គរុកោសល្យនៃវិធីសាស្រ្ត PPV ក្នុងដំណើរការនៃការអប់រំគុណភាពរាងកាយក្នុងចំណោម judokas ការវិភាគកត្តាមួយនៃភាពខុសប្លែកគ្នាត្រូវបានអនុវត្ត។ កម្រិតនៃឥទ្ធិពលនៃវិធីសាស្រ្ត PPV M1 ក្នុងដំណើរការអប់រំ៖ ការស៊ូទ្រាំ៖ ក) បន្ទាប់ពីខែទីបីគឺ 11.1%; សមត្ថភាពល្បឿន: ក) បន្ទាប់ពីខែដំបូង - 16,4%; ខ) បន្ទាប់ពីលើកទីពីរ - 26,5%; គ) បន្ទាប់ពីទីបី - 34,8%; ក) បន្ទាប់ពីខែទីពីរ - 26,7%; ខ) បន្ទាប់ពីទីបី - 35,3%; ភាពបត់បែន៖ ក) បន្ទាប់ពីខែទីបី - 20,8%; ក) បន្ទាប់ពីខែទីពីរនៃការពិសោធន៍គរុកោសល្យចម្បង កម្រិតនៃឥទ្ធិពលនៃវិធីសាស្រ្តគឺ 6.4% ។ ខ) បន្ទាប់ពីទីបី - 10,2% ។ អាស្រ័យហេតុនេះ ការផ្លាស់ប្តូរសំខាន់ៗនៅក្នុងសូចនាករនៃកម្រិតនៃការអភិវឌ្ឍន៍គុណភាពរូបវន្តដោយប្រើវិធីសាស្ត្រ PPV M1 ត្រូវបានរកឃើញនៅក្នុងសមត្ថភាព និងកម្លាំងល្បឿន កម្រិតនៃឥទ្ធិពលនៃវិធីសាស្ត្រក្នុងករណីនេះគឺអស្ចារ្យបំផុត។ កម្រិតនៃឥទ្ធិពលតិចបំផុតនៃវិធីសាស្រ្តត្រូវបានរកឃើញនៅក្នុងដំណើរការនៃការអប់រំការស៊ូទ្រាំ ភាពបត់បែន និងសមត្ថភាពសម្របសម្រួល ដែលផ្តល់ហេតុផលដើម្បីនិយាយអំពីប្រសិទ្ធភាពមិនគ្រប់គ្រាន់នៃការប្រើប្រាស់វិធីសាស្ត្រ PPV M1 ក្នុងការអប់រំគុណភាពទាំងនេះ។ កម្រិតនៃឥទ្ធិពលនៃវិធីសាស្រ្ត PPV M2 ក្នុងដំណើរការអប់រំ៖ ការស៊ូទ្រាំ ក) បន្ទាប់ពីខែដំបូងនៃការពិសោធន៍ - 12,6%; ខ) បន្ទាប់ពីលើកទីពីរ - 17,8%; គ) បន្ទាប់ពីទីបី - 20,3% ។ សមត្ថភាពល្បឿន: ក) បន្ទាប់ពីខែទី 3 នៃវគ្គបណ្តុះបណ្តាល - 28% ។ ក) បន្ទាប់ពីខែទីពីរ - 27,9%; ខ) បន្ទាប់ពីទីបី - 35,9% ។ ភាពបត់បែន៖ ក) បន្ទាប់ពីខែទី 3 នៃវគ្គបណ្តុះបណ្តាល - 14.9%; សមត្ថភាពសម្របសម្រួល - 13.1% ។ លទ្ធផលដែលទទួលបាននៃការវិភាគកត្តាតែមួយនៃភាពខុសប្លែកគ្នានៃ EG នេះអនុញ្ញាតឱ្យយើងសន្និដ្ឋានថាវិធីសាស្ត្រ PPV M2 គឺមានប្រសិទ្ធភាពបំផុតក្នុងការអភិវឌ្ឍន៍ការស៊ូទ្រាំ និងកម្លាំង។ វាមិនសូវមានប្រសិទ្ធភាពក្នុងដំណើរការអភិវឌ្ឍភាពបត់បែន ល្បឿន និងសមត្ថភាពសម្របសម្រួល។ កម្រិតនៃឥទ្ធិពលនៃវិធីសាស្រ្ត PPV M3 ក្នុងដំណើរការអប់រំ៖ ការស៊ូទ្រាំ៖ ក) បន្ទាប់ពីខែដំបូងនៃការពិសោធន៍ 16.8%; ខ) បន្ទាប់ពីលើកទីពីរ - 29,5%; គ) បន្ទាប់ពីទីបី - 37,6% ។ សមត្ថភាពល្បឿន: ក) បន្ទាប់ពីខែដំបូង - 26,3%; ខ) បន្ទាប់ពីលើកទីពីរ - 31,3%; គ) បន្ទាប់ពីទីបី - 40,9% ។ ក) បន្ទាប់ពីខែដំបូង - 18,7%; ខ) បន្ទាប់ពីលើកទីពីរ - 26,7%; គ) បន្ទាប់ពីទីបី - 32,3% ។ ភាពបត់បែន៖ ក) បន្ទាប់ពីដំបូង - មិនមានការផ្លាស់ប្តូរទេ។ ខ) បន្ទាប់ពីលើកទីពីរ - 16,9%; គ) បន្ទាប់ពីទីបី - 23,5% ។ សមត្ថភាពសម្របសម្រួល៖ ក) មិនមានការផ្លាស់ប្តូរបន្ទាប់ពីខែដំបូង។ ខ) បន្ទាប់ពីលើកទីពីរ - 23,8%; គ) បន្ទាប់ពីទីបី - 91% ។ ដូច្នេះ ការវិភាគកត្តាមួយនៃភាពខុសប្លែកគ្នាបានបង្ហាញថា ការប្រើប្រាស់វិធីសាស្ត្រ PPV M3 ក្នុងដំណាក់កាលត្រៀមរៀបចំមានប្រសិទ្ធភាពបំផុតក្នុងដំណើរការអប់រំគុណភាពរាងកាយ ចាប់តាំងពីមានការកើនឡើងនៃកម្រិតនៃឥទ្ធិពលរបស់វាបន្ទាប់ពីរាល់ខែនៃការពិសោធន៍គរុកោសល្យ។ /9/ ។ 2.7 ការធូរស្រាលនៃរោគសញ្ញាផ្លូវចិត្តស្រួចស្រាវចំពោះអ្នកជំងឺដែលមានជំងឺវិកលចរិកជាមួយនឹងថ្នាំប្រឆាំងនឹងជំងឺផ្លូវចិត្ត atypical គោលបំណងនៃការសិក្សាគឺដើម្បីសិក្សាពីលទ្ធភាពនៃការប្រើប្រាស់ថ្នាំ rispolept សម្រាប់ការធូរស្រាលនៃជំងឺវិកលចរិកស្រួចស្រាវចំពោះអ្នកជំងឺដែលត្រូវបានធ្វើរោគវិនិច្ឆ័យថាមានជំងឺវិកលចរិក (ប្រភេទ paranoid យោងតាម ICD-10) និងជំងឺវិកលចរិក។ ក្នុងពេលជាមួយគ្នានេះសូចនាករនៃរយៈពេលនៃការបន្តនៃរោគសញ្ញាផ្លូវចិត្តក្រោមការព្យាបាលដោយឱសថជាមួយ rispolept (ក្រុមចម្បង) និងថ្នាំប្រឆាំងនឹងរោគបុរាណត្រូវបានគេប្រើជាលក្ខណៈវិនិច្ឆ័យសំខាន់ដែលកំពុងសិក្សា។ គោលបំណងសំខាន់នៃការសិក្សាគឺដើម្បីកំណត់សូចនាករនៃរយៈពេលនៃជំងឺវិកលចរិក (អ្វីដែលគេហៅថាជំងឺវិកលចរិកសុទ្ធ) ដែលត្រូវបានគេយល់ថាជាការរក្សានូវរោគសញ្ញាផ្លូវចិត្តដែលមានផលិតភាពតាំងពីការចាប់ផ្តើមនៃការប្រើប្រាស់ថ្នាំប្រឆាំងនឹងរោគដែលបានបង្ហាញជាថ្ងៃ។ សូចនាករនេះត្រូវបានគណនាដោយឡែកពីគ្នាសម្រាប់ក្រុម risperidone និងដាច់ដោយឡែកសម្រាប់ក្រុម antipsychotic បុរាណ។ ទន្ទឹមនឹងនេះ ភារកិច្ចត្រូវបានកំណត់ដើម្បីកំណត់សមាមាត្រនៃការថយចុះនៃរោគសញ្ញាផលិតភាពក្រោមឥទ្ធិពលរបស់ risperidone ក្នុងការប្រៀបធៀបជាមួយនឹងថ្នាំប្រឆាំងនឹងរោគបុរាណនៅរយៈពេលនៃការព្យាបាលផ្សេងៗគ្នា។ អ្នកជំងឺសរុបចំនួន 89 នាក់ (បុរស 42 នាក់ និងស្ត្រី 47 នាក់) ដែលមានរោគសញ្ញាផ្លូវចិត្តស្រួចស្រាវក្នុងទម្រង់ជាជំងឺវិកលចរិក (អ្នកជំងឺ 49 នាក់) និងជំងឺវិកលចរិក (អ្នកជំងឺ 40 នាក់) ត្រូវបានសិក្សា។ វគ្គទី 1 និងរយៈពេលនៃជំងឺរហូតដល់ 1 ឆ្នាំត្រូវបានចុះឈ្មោះក្នុងអ្នកជំងឺ 43 នាក់ ខណៈពេលដែលករណីផ្សេងទៀតនៅពេលនៃការស្រាវជ្រាវ វគ្គបន្តនៃជំងឺវិកលចរិកត្រូវបានកត់សម្គាល់ជាមួយនឹងរយៈពេលនៃជំងឺលើសពី 1 ឆ្នាំ។ ការព្យាបាលដោយ Rispoleptom ត្រូវបានទទួលដោយមនុស្ស 29 នាក់ដែលក្នុងនោះមានអ្នកជំងឺ 15 នាក់ដែលមានអ្វីដែលគេហៅថាវគ្គដំបូង។ ការព្យាបាលជាមួយនឹងជំងឺសរសៃប្រសាទបុរាណត្រូវបានទទួលដោយមនុស្ស 60 នាក់ដែលក្នុងនោះមានមនុស្ស 28 នាក់ដែលមានវគ្គដំបូង។ កម្រិតថ្នាំ rispolept ប្រែប្រួលក្នុងចន្លោះពី 1 ទៅ 6 មីលីក្រាមក្នុងមួយថ្ងៃ និងជាមធ្យម 4 ± 0.4 មីលីក្រាម / ថ្ងៃ។ Risperidone ត្រូវបានគេយកដោយផ្ទាល់មាត់បន្ទាប់ពីអាហារម្តងក្នុងមួយថ្ងៃនៅពេលល្ងាច។ ការព្យាបាលជាមួយនឹងថ្នាំប្រឆាំងនឹងរោគបុរាណរួមមានការប្រើប្រាស់ថ្នាំ trifluoperazine (triftazine) ក្នុងកម្រិតប្រចាំថ្ងៃរហូតដល់ 30 mg intramuscularly, haloperidol ក្នុងកម្រិតប្រចាំថ្ងៃរហូតដល់ 20 mg intramuscularly, triperidol ក្នុងកម្រិតប្រចាំថ្ងៃរហូតដល់ 10 mg តាមមាត់។ អ្នកជំងឺភាគច្រើនបានប្រើថ្នាំប្រឆាំងនឹងជំងឺផ្លូវចិត្តបែបបុរាណជាការព្យាបាលដោយ monotherapy ក្នុងអំឡុងពេលពីរសប្តាហ៍ដំបូង បន្ទាប់មកពួកគេបានប្តូរប្រសិនបើចាំបាច់ (ខណៈពេលដែលរក្សាបាននូវរោគសញ្ញាវង្វេងវង្វាន់ ភាពស្រឡាំងកាំង ឬមានផលិតភាពផ្សេងទៀត) ទៅជាការរួមបញ្ចូលគ្នានៃថ្នាំប្រឆាំងនឹងរោគបុរាណមួយចំនួន។ ក្នុងពេលជាមួយគ្នានោះ neuroleptic ដែលមានឥទ្ធិពលប្រឆាំងនឹងការយល់ច្រឡំនិងប្រឆាំងនឹងការយល់ឃើញយ៉ាងច្បាស់ (ឧទាហរណ៍ haloperidol ឬ triftazin) នៅតែជាថ្នាំសំខាន់ដែលជាថ្នាំដែលមានឥទ្ធិពល hypnosedative ជាក់លាក់ (chlorpromazine, tizercin, chlorprothixene ក្នុងកម្រិតរហូតដល់ 50-100 មីលីក្រាម / ថ្ងៃ) ត្រូវបានបន្ថែមទៅវានៅពេលល្ងាច។ នៅក្នុងក្រុមដែលប្រើថ្នាំប្រឆាំងនឹងរោគបុរាណ វាត្រូវបានគេគ្រោងនឹងប្រើថ្នាំកែតម្រូវ anticholinergic (Parkopan, Cyclodol) ក្នុងកម្រិតរហូតដល់ 10-12 mg/ថ្ងៃ។ អ្នកកែតម្រូវត្រូវបានចេញវេជ្ជបញ្ជាក្នុងករណីមានរូបរាងនៃផលប៉ះពាល់ extrapyramidal ខុសៗគ្នាក្នុងទម្រង់នៃ dystonia ស្រួចស្រាវ ផាកឃីនសុនដែលបណ្តាលមកពីគ្រឿងញៀន និង akathisia ។ តារាង 2.1 បង្ហាញទិន្នន័យអំពីរយៈពេលនៃជំងឺវិកលចរិកក្នុងការព្យាបាល rispolept និង antipsychotics បុរាណ។ តារាង 2.1 - រយៈពេលនៃជំងឺវិកលចរិក ("ជំងឺវិកលចរិក") ក្នុងការព្យាបាល rispolept និង antipsychotics បុរាណ ដូចខាងក្រោមពីទិន្នន័យនៅក្នុងតារាង នៅពេលប្រៀបធៀបរយៈពេលនៃជំងឺវិកលចរិកអំឡុងពេលព្យាបាលជាមួយនឹងថ្នាំប្រឆាំងនឹងរោគបុរាណ និង risperidone មានការថយចុះស្ទើរតែពីរដងនៃរយៈពេលនៃរោគសញ្ញាផ្លូវចិត្តក្រោមឥទ្ធិពលរបស់ rispolept ។ វាសំខាន់ណាស់ដែលថាទាំងកត្តានៃចំនួនសៀរៀលនៃការប្រកាច់ ឬលក្ខណៈនៃរូបភាពនៃរោគសញ្ញាឈានមុខគេបានជះឥទ្ធិពលលើតម្លៃនៃរយៈពេលនៃជំងឺវិកលចរិកនេះ។ នៅក្នុងពាក្យផ្សេងទៀត, រយៈពេលនៃជំងឺវិកលចរិកត្រូវបានកំណត់តែដោយកត្តាព្យាបាល, i.e. អាស្រ័យលើប្រភេទថ្នាំដែលបានប្រើ ដោយមិនគិតពីចំនួនសៀរៀលនៃការវាយប្រហារ រយៈពេលនៃជំងឺ និងលក្ខណៈនៃរោគសញ្ញាផ្លូវចិត្តឈានមុខគេ។ ដើម្បីបញ្ជាក់ពីភាពទៀងទាត់ដែលទទួលបាន ការវិភាគកត្តាពីរនៃការប្រែប្រួលត្រូវបានអនុវត្ត។ ទន្ទឹមនឹងនេះអន្តរកម្មនៃកត្តាព្យាបាលនិងលេខស៊េរីនៃការវាយប្រហារ (ដំណាក់កាលទី 1) និងអន្តរកម្មនៃកត្តាព្យាបាលនិងលក្ខណៈនៃរោគសញ្ញានាំមុខ (ដំណាក់កាលទី 2) ត្រូវបានគេយកមកពិចារណា។ លទ្ធផលនៃការវិភាគនៃភាពខុសប្លែកគ្នាបានបញ្ជាក់ពីឥទ្ធិពលនៃកត្តាព្យាបាលលើរយៈពេលនៃជំងឺវិកលចរិក (F=18.8) ក្នុងករណីដែលគ្មានឥទ្ធិពលនៃកត្តាលេខវាយប្រហារ (F=2.5) និងកត្តាប្រភេទជំងឺផ្លូវចិត្ត (F=1.7)។ ) វាជាការសំខាន់ដែលឥទ្ធិពលរួមនៃកត្តាព្យាបាល និងចំនួននៃការវាយប្រហារលើរយៈពេលនៃជំងឺវិកលចរិកក៏អវត្តមាន ក៏ដូចជាឥទ្ធិពលរួមគ្នានៃកត្តាព្យាបាល និងកត្តារោគសញ្ញាផ្លូវចិត្តផងដែរ។ ដូច្នេះលទ្ធផលនៃការវិភាគនៃភាពខុសប្លែកគ្នាបានបញ្ជាក់ពីឥទ្ធិពលនៃកត្តានៃការប្រើថ្នាំ antipsychotic តែប៉ុណ្ណោះ។ Rispolept បាននាំឱ្យមានការថយចុះនៃរយៈពេលនៃរោគសញ្ញាផ្លូវចិត្តធៀបនឹងថ្នាំប្រឆាំងនឹងជំងឺផ្លូវចិត្តប្រហែល 2 ដង។ វាជាការសំខាន់ណាស់ដែលឥទ្ធិពលនេះត្រូវបានសម្រេចទោះបីជាការគ្រប់គ្រងផ្ទាល់មាត់របស់ rispolept ក៏ដោយ ខណៈពេលដែលថ្នាំប្រឆាំងនឹងរោគបុរាណត្រូវបានគេប្រើជាឪពុកម្តាយចំពោះអ្នកជំងឺភាគច្រើន /10/ ។ 2.8 ការបំរែបំរួលនៃ yarns ពុម្ពអក្សរក្បូរក្បាច់ដោយមានប្រសិទ្ធិភាពត្រឡប់ សាកលវិទ្យាល័យបច្ចេកវិទ្យារដ្ឋ Kostroma បានបង្កើតរចនាសម្ព័ន្ធខ្សែស្រឡាយរាងថ្មីជាមួយនឹងប៉ារ៉ាម៉ែត្រធរណីមាត្រអថេរ។ ក្នុងន័យនេះ មានបញ្ហាក្នុងការកែច្នៃអំបោះពុម្ពអក្សរក្បូរក្បាច់ក្នុងផលិតកម្មត្រៀម។ ការសិក្សានេះត្រូវបានឧទ្ទិសដល់ដំណើរការនៃការ warping លើបញ្ហា: ជម្រើសនៃប្រភេទនៃ tensioner ដែលផ្តល់នូវការរីករាលដាលអប្បបរមានៃភាពតានតឹងនិងការតម្រឹមនៃភាពតានតឹង, ខ្សែស្រឡាយនៃដង់ស៊ីតេលីនេអ៊ែរផ្សេងគ្នានៅតាមបណ្តោយទទឹងនៃ warping shaft នេះ។ វត្ថុនៃការស្រាវជ្រាវគឺជាខ្សែស្រឡាយដែលមានរាងជាក្រណាត់អំបោះនៃវ៉ារ្យ៉ង់ចំនួនបួននៃដង់ស៊ីតេលីនេអ៊ែរពី 140 ដល់ 205 tex ។ ការងាររបស់ឧបករណ៍ភាពតានតឹងនៃបីប្រភេទត្រូវបានសិក្សា: ម៉ាស៊ីនបោកគក់ប៉សឺឡែន, ពីរតំបន់ NS-1P និងតំបន់តែមួយ NS-1P ។ ការសិក្សាពិសោធន៍នៃភាពតានតឹងនៃខ្សែស្រលាយត្រូវបានអនុវត្តនៅលើម៉ាស៊ីន warping SP-140-3L ។ ល្បឿន warping ទម្ងន់នៃឌីសហ្វ្រាំងត្រូវគ្នាទៅនឹងប៉ារ៉ាម៉ែត្របច្ចេកវិទ្យានៃការ warping នៃ yarn នេះ។ ដើម្បីសិក្សាពីភាពអាស្រ័យនៃភាពតានតឹងនៃខ្សែស្រឡាយរាងនៅលើប៉ារ៉ាម៉ែត្រធរណីមាត្រក្នុងអំឡុងពេល warping ការវិភាគត្រូវបានអនុវត្តសម្រាប់កត្តាពីរ: X 1 - អង្កត់ផ្ចិតនៃផលប៉ះពាល់ X 2 - ប្រវែងនៃឥទ្ធិពល។ ប៉ារ៉ាម៉ែត្រលទ្ធផលគឺភាពតានតឹង Y 1 និងការប្រែប្រួលភាពតានតឹង Y 2 ។ សមីការតំរែតំរង់លទ្ធផលគឺគ្រប់គ្រាន់សម្រាប់ទិន្នន័យពិសោធន៍នៅកម្រិតសារៈសំខាន់ 0.95 ចាប់តាំងពីលក្ខណៈវិនិច្ឆ័យ Fisher ដែលបានគណនាសម្រាប់សមីការទាំងអស់គឺតិចជាងតារាងតារាង។ ដើម្បីកំណត់កម្រិតនៃឥទ្ធិពលនៃកត្តា X 1 និង X 2 លើប៉ារ៉ាម៉ែត្រ Y 1 និង Y 2 ការវិភាគនៃការប្រែប្រួលត្រូវបានអនុវត្តដែលបង្ហាញថាអង្កត់ផ្ចិតនៃឥទ្ធិពលមានឥទ្ធិពលកាន់តែខ្លាំងទៅលើកម្រិតនិងភាពប្រែប្រួលនៃភាពតានតឹង។ . ការវិភាគប្រៀបធៀបនៃ tensograms ដែលទទួលបានបានបង្ហាញថាការរីករាលដាលអប្បបរមានៃភាពតានតឹងក្នុងអំឡុងពេល warping នៃ yarn នេះត្រូវបានផ្តល់ដោយឧបករណ៍ភាពតានតឹងពីរតំបន់ NS-1P ។ វាត្រូវបានបង្កើតឡើងថាជាមួយនឹងការកើនឡើងនៃដង់ស៊ីតេលីនេអ៊ែរពី 105 ដល់ 205 tex ឧបករណ៍ NS-1P ផ្តល់នូវការកើនឡើងនៃកម្រិតភាពតានតឹងត្រឹមតែ 23% ខណៈពេលដែលម៉ាស៊ីនបោកគក់ប៉សឺឡែន - ដោយ 37%, តំបន់តែមួយ NS-1P - ៥៣%។ នៅពេលបង្កើតខ្សែពួរ រួមទាំងខ្សែស្រលាយរាង និង "រលោង" វាចាំបាច់ត្រូវកែតម្រូវភាពតានតឹងជាលក្ខណៈបុគ្គលដោយប្រើវិធីសាស្ត្រប្រពៃណី /11/ ។ 2.9 រោគសាស្ត្ររួមជាមួយនឹងការបាត់បង់ធ្មេញទាំងស្រុងចំពោះមនុស្សចាស់ និងមនុស្សចាស់ ការបាត់បង់ធ្មេញទាំងស្រុង និងរោគសាស្ត្ររួមគ្នានៃមនុស្សចាស់ដែលរស់នៅក្នុងមណ្ឌលថែទាំនៅលើទឹកដីនៃ Chuvashia ត្រូវបានសិក្សា។ ការប្រឡងនេះធ្វើឡើងតាមរយៈការពិនិត្យធ្មេញ និងបំពេញកាតស្ថិតិចំនួន ៧៨៤នាក់។ លទ្ធផលនៃការវិភាគបានបង្ហាញពីភាគរយខ្ពស់នៃការបាត់បង់ធ្មេញទាំងស្រុង ដែលកាន់តែធ្ងន់ធ្ងរឡើងដោយរោគសាស្ត្រទូទៅនៃរាងកាយ។ នេះកំណត់លក្ខណៈប្រភេទដែលបានពិនិត្យនៃចំនួនប្រជាជនថាជាក្រុមនៃការកើនឡើងហានិភ័យនៃធ្មេញ និងតម្រូវឱ្យមានការពិនិត្យឡើងវិញនៃប្រព័ន្ធទាំងមូលនៃការថែទាំធ្មេញរបស់ពួកគេ។ ចំពោះមនុស្សចាស់ អត្រាកើតមានឡើងដល់ទៅ២ដង ហើយក្នុងវ័យចំណាស់កើនឡើង៦ដង បើធៀបនឹងអត្រាកើតលើមនុស្សក្មេង ។ ជំងឺចម្បងរបស់មនុស្សចាស់និងមនុស្សចាស់គឺជំងឺនៃប្រព័ន្ធឈាមរត់ប្រព័ន្ធសរសៃប្រសាទនិងសរីរាង្គអារម្មណ៍, សរីរាង្គផ្លូវដង្ហើម, សរីរាង្គរំលាយអាហារ, ឆ្អឹងនិងសរីរាង្គនៃចលនា, neoplasms និងរបួស។ គោលបំណងនៃការសិក្សាគឺដើម្បីបង្កើត និងទទួលបានព័ត៌មានអំពីជំងឺរួមគ្នា ប្រសិទ្ធភាពនៃសិប្បនិម្មិត និងតម្រូវការសម្រាប់ការព្យាបាលឆ្អឹងរបស់មនុស្សចាស់ និងមនុស្សចាស់ដែលមានការបាត់បង់ធ្មេញទាំងស្រុង។ មនុស្សសរុបចំនួន 784 នាក់ដែលមានអាយុពី 45 ទៅ 90 ឆ្នាំត្រូវបានពិនិត្យ។ សមាមាត្រស្ត្រីនិងបុរសគឺ 2.8: 1 ។ ការវាយតម្លៃនៃទំនាក់ទំនងស្ថិតិដោយប្រើមេគុណជាប់ទាក់ទងគ្នានៃចំណាត់ថ្នាក់របស់ Pearson បានធ្វើឱ្យវាអាចបង្កើតឥទ្ធិពលទៅវិញទៅមកនៃធ្មេញដែលបាត់នៅលើជំងឺរួមគ្នាជាមួយនឹងកម្រិតភាពជឿជាក់នៃ p=0.0005 ។ អ្នកជំងឺវ័យចំណាស់ដែលមានការបាត់បង់ធ្មេញទាំងស្រុងទទួលរងពីជំងឺលក្ខណៈនៃភាពចាស់ ពោលគឺជំងឺដាច់សរសៃឈាមក្នុងខួរក្បាល និងជំងឺលើសឈាម។ ការវិភាគលើភាពខុសប្លែកគ្នា បានបង្ហាញថា ភាពជាក់លាក់នៃជំងឺនេះដើរតួនាទីយ៉ាងសំខាន់ក្នុងលក្ខខណ្ឌដែលកំពុងសិក្សា។ តួនាទីនៃទម្រង់ nosological ក្នុងអាយុខុសគ្នាមានចាប់ពី 52-60% ។ ផលប៉ះពាល់ជាស្ថិតិដ៏ធំបំផុតទៅលើអវត្ដមាននៃធ្មេញ គឺបណ្តាលមកពីជំងឺនៃប្រព័ន្ធរំលាយអាហារ និងជំងឺទឹកនោមផ្អែម។ ជាទូទៅក្រុមអ្នកជំងឺដែលមានអាយុពី 75-89 ឆ្នាំត្រូវបានកំណត់លក្ខណៈដោយជំងឺ pathological មួយចំនួនធំ។ នៅក្នុងការសិក្សានេះ ការសិក្សាប្រៀបធៀបនៃឧប្បត្តិហេតុនៃជម្ងឺឆ្លងក្នុងចំណោមអ្នកជំងឺដែលមានការបាត់បង់ធ្មេញទាំងស្រុងរបស់មនុស្សចាស់ និងវ័យចាស់ជរាដែលរស់នៅក្នុងមណ្ឌលថែទាំត្រូវបានអនុវត្ត។ ភាគរយខ្ពស់នៃធ្មេញបាត់ក្នុងចំណោមមនុស្សក្នុងក្រុមអាយុនេះត្រូវបានបង្ហាញ។ ចំពោះអ្នកជំងឺដែលមាន adentia ពេញលេញ, ភាពច្របូកច្របល់នៃអាយុនេះត្រូវបានសង្កេតឃើញ។ Atherosclerosis និងលើសឈាម គឺជាជំងឺទូទៅបំផុតក្នុងចំណោមអ្នកដែលបានពិនិត្យ។ ស្ថិតិផលប៉ះពាល់យ៉ាងខ្លាំងទៅលើស្ថានភាពនៃបែហោងធ្មែញមាត់នៃជំងឺដូចជាជំងឺនៃការរលាក gastrointestinal និងជំងឺទឹកនោមផ្អែម, សមាមាត្រនៃទម្រង់ nosological ផ្សេងទៀតគឺនៅក្នុងជួរនៃ 52-60% ។ ការប្រើប្រាស់ការវិភាគនៃភាពខុសប្លែកគ្នាមិនបានបញ្ជាក់ពីតួនាទីសំខាន់នៃយេនឌ័រ និងទីកន្លែងរស់នៅលើសូចនាករនៃស្ថានភាពនៃប្រហោងមាត់នោះទេ។ ដូច្នេះ សរុបសេចក្តីមក គួរកត់សំគាល់ថា ការវិភាគនៃការបែងចែកជំងឺរួមគ្នាចំពោះអ្នកដែលមានធ្មេញមិនពេញលេញក្នុងវ័យចាស់ និងវ័យចាស់ជរា បានបង្ហាញថា ប្រជាពលរដ្ឋប្រភេទនេះជាក្រុមពិសេសនៃប្រជាជនដែលគួរទទួលបានធ្មេញគ្រប់គ្រាន់។ ការថែទាំក្នុងក្របខ័ណ្ឌនៃប្រព័ន្ធធ្មេញដែលមានស្រាប់ /12/ . 3 ការវិភាគភាពខុសប្លែកគ្នាក្នុងបរិបទនៃវិធីសាស្រ្តស្ថិតិ វិធីសាស្រ្តស្ថិតិនៃការវិភាគ គឺជាវិធីសាស្រ្តសម្រាប់វាស់ស្ទង់លទ្ធផលនៃសកម្មភាពរបស់មនុស្ស ពោលគឺបំប្លែងលក្ខណៈគុណភាពទៅជាបរិមាណ។ ជំហានសំខាន់ៗក្នុងការវិភាគស្ថិតិ៖ ការគូរផែនការសម្រាប់ប្រមូលទិន្នន័យដំបូង - តម្លៃនៃអថេរបញ្ចូល (X 1,...,X p) ចំនួននៃការសង្កេត n ។ ជំហាននេះត្រូវបានអនុវត្តនៅពេលដែលការពិសោធន៍ត្រូវបានគ្រោងទុកយ៉ាងសកម្ម។ ការទទួលបានទិន្នន័យដំបូង និងបញ្ចូលពួកវាទៅក្នុងកុំព្យូទ័រ។ នៅដំណាក់កាលនេះ អារេនៃលេខត្រូវបានបង្កើតឡើង (x 1i, ..., x pi; y 1i, ..., y qi), i = 1, ..., n ដែល n ជាទំហំគំរូ។ ដំណើរការទិន្នន័យស្ថិតិបឋម។ នៅដំណាក់កាលនេះ ការពិពណ៌នាស្ថិតិនៃប៉ារ៉ាម៉ែត្រដែលបានពិចារណាត្រូវបានបង្កើតឡើង៖ ក) ការសាងសង់និងការវិភាគនៃភាពអាស្រ័យស្ថិតិ; ខ) ការវិភាគទំនាក់ទំនងត្រូវបានរៀបចំឡើងដើម្បីវាយតម្លៃសារៈសំខាន់នៃឥទ្ធិពលនៃកត្តា (X 1,...,X p) លើការឆ្លើយតប Y; គ) ការវិភាគនៃភាពខុសគ្នាត្រូវបានប្រើដើម្បីវាយតម្លៃឥទ្ធិពលនៃកត្តាមិនមែនបរិមាណ (X 1,...,X p) លើការឆ្លើយតប Y ដើម្បីជ្រើសរើសសំខាន់បំផុតក្នុងចំណោមពួកគេ។ ឃ) ការវិភាគតំរែតំរង់ត្រូវបានរចនាឡើងដើម្បីកំណត់ការពឹងផ្អែកនៃការវិភាគនៃការឆ្លើយតប Y លើកត្តាបរិមាណ X; ការបកស្រាយលទ្ធផលនៅក្នុងលក្ខខណ្ឌនៃភារកិច្ច / 13/ ។ តារាង 3.1 បង្ហាញពីវិធីសាស្រ្តស្ថិតិដែលបញ្ហាវិភាគត្រូវបានដោះស្រាយ។ ក្រឡាដែលត្រូវគ្នានៃតារាងមានប្រេកង់នៃការអនុវត្តវិធីសាស្ត្រស្ថិតិ៖ ស្លាក "-" - វិធីសាស្រ្តមិនត្រូវបានអនុវត្ត; ស្លាក "+" - វិធីសាស្រ្តត្រូវបានអនុវត្ត; ស្លាក "++" - វិធីសាស្រ្តត្រូវបានគេប្រើយ៉ាងទូលំទូលាយ; ស្លាក "+++" - កម្មវិធីនៃវិធីសាស្រ្តមានការចាប់អារម្មណ៍ជាពិសេស /14/ ។ ការវិភាគភាពខុសប្លែកគ្នា ដូចជាការធ្វើតេស្ត t របស់សិស្ស អនុញ្ញាតឱ្យអ្នកវាយតម្លៃភាពខុសគ្នារវាងមធ្យោបាយគំរូ។ ទោះយ៉ាងណាក៏ដោយ មិនដូច t-test ទេ វាមិនមានការរឹតបន្តឹងលើចំនួនមធ្យោបាយប្រៀបធៀបទេ។ ដូច្នេះ ជំនួសឱ្យការសួរថាតើគំរូពីរមានន័យខុសគ្នា មនុស្សម្នាក់អាចវាយតម្លៃថាតើពីរ បី បួន ប្រាំ ឬ k មានន័យខុសគ្នា។ ANOVA អនុញ្ញាតឱ្យអ្នកដោះស្រាយជាមួយអថេរឯករាជ្យពីរ ឬច្រើន (លក្ខណៈ កត្តា) ក្នុងពេលតែមួយ ដោយវាយតម្លៃមិនត្រឹមតែឥទ្ធិពលនៃពួកវានីមួយៗដាច់ដោយឡែកពីគ្នាប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងឥទ្ធិពលនៃអន្តរកម្មរវាងពួកវាផងដែរ /15/ ។ តារាង 3.1 - ការអនុវត្តវិធីសាស្រ្តស្ថិតិក្នុងការដោះស្រាយបញ្ហាវិភាគ កិច្ចការវិភាគដែលកើតឡើងក្នុងវិស័យពាណិជ្ជកម្ម ហិរញ្ញវត្ថុ និងការគ្រប់គ្រង វិធីសាស្រ្តស្ថិតិពិពណ៌នា វិធីសាស្រ្តសម្រាប់ផ្ទៀងផ្ទាត់សម្មតិកម្មស្ថិតិ វិធីសាស្រ្តនៃការវិភាគតំរែតំរង់ វិធីសាស្រ្តនៃការវិភាគការបែកខ្ញែក វិធីសាស្រ្តនៃការវិភាគចម្រុះ វិធីសាស្រ្តវិភាគការរើសអើង cluster-nogo វិធីសាស្រ្តវិភាគ ភាពរស់រានមានជីវិត វិធីសាស្រ្តវិភាគ និងការព្យាករណ៍ ស៊េរីពេលវេលា ភារកិច្ចនៃការវិភាគផ្ដេក (បណ្តោះអាសន្ន) ភារកិច្ចនៃការវិភាគបញ្ឈរ (រចនាសម្ព័ន្ធ) ភារកិច្ចនៃការវិភាគនិន្នាការ និងការព្យាករណ៍ ភារកិច្ចនៃការវិភាគសូចនាករដែលទាក់ទង ភារកិច្ចនៃការវិភាគប្រៀបធៀប (លំហ) ភារកិច្ចនៃការវិភាគកត្តា សម្រាប់ប្រព័ន្ធស្មុគ្រស្មាញភាគច្រើន គោលការណ៍ Pareto ត្រូវបានអនុវត្ត ដែល 20% នៃកត្តាកំណត់លក្ខណៈសម្បត្តិរបស់ប្រព័ន្ធដោយ 80% ។ ដូច្នេះភារកិច្ចចម្បងរបស់អ្នកស្រាវជ្រាវនៃគំរូក្លែងធ្វើគឺដើម្បីលុបបំបាត់កត្តាមិនសំខាន់ដែលអនុញ្ញាតឱ្យកាត់បន្ថយវិមាត្រនៃបញ្ហាបង្កើនប្រសិទ្ធភាពគំរូ។ ការវិភាគវ៉ារ្យ៉ង់វាយតម្លៃគម្លាតនៃការសង្កេតពីមធ្យមរួម។ បនា្ទាប់មកបំរែបំរួលត្រូវបានបំបែកជាផ្នែក ៗ ដែលនីមួយៗមានបុព្វហេតុផ្ទាល់ខ្លួន។ ផ្នែកដែលនៅសេសសល់នៃបំរែបំរួល ដែលមិនអាចទាក់ទងទៅនឹងលក្ខខណ្ឌនៃការពិសោធន៍ ត្រូវបានចាត់ទុកថាជាកំហុសចៃដន្យរបស់វា។ ដើម្បីបញ្ជាក់ពីសារៈសំខាន់ការធ្វើតេស្តពិសេសមួយត្រូវបានប្រើ - ស្ថិតិ F ។ ការវិភាគភាពប្រែប្រួលកំណត់ថាតើមានផលប៉ះពាល់ឬអត់។ ការវិភាគតំរែតំរង់អនុញ្ញាតឱ្យអ្នកទស្សន៍ទាយការឆ្លើយតប (តម្លៃនៃមុខងារគោលបំណង) នៅចំណុចមួយចំនួនក្នុងចន្លោះប៉ារ៉ាម៉ែត្រ។ ភារកិច្ចបន្ទាន់នៃការវិភាគតំរែតំរង់គឺដើម្បីប៉ាន់ប្រមាណមេគុណតំរែតំរង់ /16/ ។ ទំហំគំរូធំពេកធ្វើឱ្យការវិភាគស្ថិតិពិបាក ដូច្នេះវាសមហេតុផលក្នុងការកាត់បន្ថយទំហំគំរូ។ តាមរយៈការអនុវត្តការវិភាគនៃការប្រែប្រួល វាអាចធ្វើទៅបានដើម្បីកំណត់ពីសារៈសំខាន់នៃឥទ្ធិពលនៃកត្តាផ្សេងៗលើអថេរដែលកំពុងសិក្សា។ ប្រសិនបើឥទ្ធិពលនៃកត្តាមួយប្រែទៅជាមិនសំខាន់ នោះកត្តានេះអាចត្រូវបានដកចេញពីដំណើរការបន្ថែមទៀត។ Macroeconometricians ត្រូវតែអាចដោះស្រាយបញ្ហាឡូជីខលចំនួនបួនផ្សេងគ្នា៖ ការពិពណ៌នាអំពីទិន្នន័យ; ការព្យាករណ៍ម៉ាក្រូសេដ្ឋកិច្ច; ការសន្និដ្ឋានរចនាសម្ព័ន្ធ; ការវិភាគគោលនយោបាយ។ ការពិពណ៌នាអំពីទិន្នន័យមានន័យថា ការពិពណ៌នាអំពីលក្ខណៈសម្បត្តិនៃស៊េរីពេលវេលាមួយ ឬច្រើន និងការប្រាស្រ័យទាក់ទងគ្នាអំពីលក្ខណៈសម្បត្តិទាំងនេះទៅកាន់អ្នកសេដ្ឋកិច្ចដ៏ធំទូលាយមួយ។ ការព្យាករណ៍ម៉ាក្រូសេដ្ឋកិច្ចមានន័យថាព្យាករណ៍ពីដំណើរនៃសេដ្ឋកិច្ច ជាធម្មតា ពីពីរទៅបីឆ្នាំ ឬតិចជាងនេះ (ភាគច្រើនដោយសារតែវាពិបាកពេកក្នុងការព្យាករណ៍ក្នុងរយៈចម្ងាយឆ្ងាយ)។ ការសន្និដ្ឋានតាមរចនាសម្ព័នមានន័យថាពិនិត្យមើលថាតើទិន្នន័យម៉ាក្រូសេដ្ឋកិច្ចស្របនឹងទ្រឹស្តីសេដ្ឋកិច្ចជាក់លាក់មួយឬអត់។ ការវិភាគគោលនយោបាយម៉ាក្រូសេដ្ឋកិច្ចដំណើរការក្នុងទិសដៅជាច្រើន៖ ម្យ៉ាងវិញទៀត ផលប៉ះពាល់លើសេដ្ឋកិច្ចនៃការផ្លាស់ប្តូរសម្មតិកម្មនៅក្នុងឧបករណ៍គោលនយោបាយ (ឧទាហរណ៍ អត្រាពន្ធ ឬអត្រាការប្រាក់រយៈពេលខ្លី) ត្រូវបានវាយតម្លៃ ផ្ទុយទៅវិញ ផលប៉ះពាល់នៃ ការផ្លាស់ប្តូរច្បាប់គោលនយោបាយ (ឧទាហរណ៍ ការផ្លាស់ប្តូរទៅរបបគោលនយោបាយរូបិយវត្ថុថ្មី) ត្រូវបានវាយតម្លៃ។ គម្រោងស្រាវជ្រាវម៉ាក្រូសេដ្ឋកិច្ចជាក់ស្តែងអាចរួមបញ្ចូលកិច្ចការមួយ ឬច្រើនក្នុងចំណោមកិច្ចការទាំងបួននេះ។ បញ្ហានីមួយៗត្រូវតែដោះស្រាយតាមរបៀបដែលទំនាក់ទំនងរវាងស៊េរីពេលវេលាត្រូវបានយកមកពិចារណា។ ក្នុងទសវត្សរ៍ឆ្នាំ 1970 បញ្ហាទាំងនេះត្រូវបានដោះស្រាយដោយប្រើវិធីសាស្រ្តជាច្រើន ដែលប្រសិនបើវាយតម្លៃពីមុខតំណែងទំនើបគឺមិនគ្រប់គ្រាន់សម្រាប់ហេតុផលមួយចំនួន។ ដើម្បីពិពណ៌នាអំពីឌីណាមិកនៃស៊េរីនីមួយៗ វាគ្រប់គ្រាន់ក្នុងការប្រើគំរូវិមាត្រមួយនៃស៊េរីពេលវេលា ហើយដើម្បីពិពណ៌នាអំពីឌីណាមិករួមនៃស៊េរីពីរ វាគ្រប់គ្រាន់ដើម្បីប្រើការវិភាគវិសាលគម។ ទោះយ៉ាងណាក៏ដោយ មិនមានភាសាសាមញ្ញណាមួយដែលសមរម្យសម្រាប់ការពិពណ៌នាជាប្រព័ន្ធនៃលក្ខណៈសម្បត្តិថាមវន្តរួមគ្នានៃស៊េរីពេលវេលាជាច្រើននោះទេ។ ការព្យាករណ៍សេដ្ឋកិច្ចត្រូវបានធ្វើឡើងដោយប្រើគំរូសាមញ្ញ autoregressive-moving average (ARMA) ឬប្រើគំរូសេដ្ឋកិច្ចរចនាសម្ព័ន្ធធំដែលពេញនិយមនៅពេលនោះ។ ការសន្និដ្ឋានតាមរចនាសម្ព័នគឺផ្អែកលើគំរូសមីការតែមួយតូច ឬលើគំរូធំដែលការកំណត់អត្តសញ្ញាណត្រូវបានសម្រេចតាមរយៈឧបសគ្គដែលមិនរាប់បញ្ចូលដែលបានបង្កើតឡើង ហើយដែលជាធម្មតាមិនរាប់បញ្ចូលការរំពឹងទុក។ ការវិភាគគោលនយោបាយគំរូរចនាសម្ព័ន្ធអាស្រ័យលើការសន្មត់កំណត់អត្តសញ្ញាណទាំងនេះ។ ជាចុងក្រោយ ការកើនឡើងនៃតម្លៃនៅក្នុងទសវត្សរ៍ឆ្នាំ 1970 ត្រូវបានមនុស្សជាច្រើនមើលឃើញថាជាការធ្លាក់ចុះដ៏សំខាន់សម្រាប់ម៉ូដែលធំៗ ដែលត្រូវបានប្រើដើម្បីធ្វើការណែនាំអំពីគោលនយោបាយនៅពេលនោះ។ នោះគឺជាពេលវេលាដ៏ត្រឹមត្រូវសម្រាប់ការលេចចេញនូវសំណង់ម៉ាក្រូសេដ្ឋកិច្ចថ្មីមួយដែលអាចដោះស្រាយបញ្ហាជាច្រើនទាំងនេះបាន។ នៅឆ្នាំ 1980 សំណង់បែបនេះត្រូវបានបង្កើតឡើង - វ៉ិចទ័រ autoregressions (VAR) ។ នៅក្រឡេកមើលដំបូង VAR គឺគ្មានអ្វីក្រៅតែពីការធ្វើទូទៅនៃការតំរែតំរង់ដោយស្វ័យប្រវត្តិឯកវចនៈទៅនឹងករណីពហុវ៉ារ្យង់ ហើយសមីការនីមួយៗនៅក្នុង VAR គឺគ្មានអ្វីក្រៅពីការតំរែតំរង់ការេសាមញ្ញបំផុតនៃអថេរមួយនៅលើតម្លៃយឺតនៃខ្លួនវា និងអថេរផ្សេងទៀតនៅក្នុង VAR ។ ប៉ុន្តែឧបករណ៍ដែលហាក់ដូចជាសាមញ្ញនេះបានធ្វើឱ្យវាអាចធ្វើទៅបានដើម្បីចាប់យកជាប្រព័ន្ធ និងខាងក្នុងជាប់លាប់ក្នុងការចាប់យកសក្ដានុពលដ៏សម្បូរបែបនៃស៊េរីពេលវេលាចម្រុះ ហើយកញ្ចប់ឧបករណ៍ស្ថិតិដែលភ្ជាប់មកជាមួយ VAR បានបង្ហាញថាមានភាពងាយស្រួល ហើយសំខាន់គឺងាយស្រួលបកស្រាយ។ មានគំរូ VAR បីផ្សេងគ្នា៖ កាត់បន្ថយទម្រង់ VAR; VAR កើតឡើងដដែលៗ; រចនាសម្ព័ន្ធ VAR ។ ទាំងបីគឺជាគំរូលីនេអ៊ែរថាមវន្តដែលទាក់ទងនឹងតម្លៃបច្ចុប្បន្ននិងអតីតកាលនៃវ៉ិចទ័រ Y t នៃស៊េរីពេលវេលា n-dimensional ។ ទម្រង់ដែលបានកាត់បន្ថយ និង VARs កើតឡើងវិញគឺជាគំរូស្ថិតិដែលមិនប្រើការពិចារណាសេដ្ឋកិច្ចណាមួយក្រៅពីជម្រើសនៃអថេរ។ VAR ទាំងនេះត្រូវបានប្រើដើម្បីពិពណ៌នាទិន្នន័យ និងការព្យាករណ៍។ VAR រចនាសម្ព័ន្ធរួមបញ្ចូលឧបសគ្គដែលបានមកពីទ្រឹស្តីម៉ាក្រូសេដ្ឋកិច្ច ហើយ VAR នេះត្រូវបានប្រើសម្រាប់ការសន្និដ្ឋានរចនាសម្ព័ន្ធ និងការវិភាគគោលនយោបាយ។ ទម្រង់ VAR ខាងលើបង្ហាញពី Y t ជាភាពយឺតយ៉ាវដែលបានចែកចាយ បូកនឹងពាក្យ error ដែលមិនជាប់ទាក់ទងគ្នាជាលំដាប់ ពោលគឺវាធ្វើឱ្យទូទៅ autoregression univariate ទៅករណីនៃវ៉ិចទ័រ។ ទម្រង់កាត់បន្ថយគណិតវិទ្យានៃគំរូ VAR គឺជាប្រព័ន្ធនៃសមីការ n ដែលអាចសរសេរជាទម្រង់ម៉ាទ្រីសដូចខាងក្រោម៖ ដែល គឺ n l វ៉ិចទ័រនៃថេរ; A 1 , A 2 , ... , A p គឺ n n coefficient matrices; t គឺជាវ៉ិចទ័រ nl នៃកំហុសដែលមិនជាប់ទាក់ទងគ្នាជាសៀរៀល ដែលត្រូវបានសន្មត់ថាមានមធ្យមនៃសូន្យ និងម៉ាទ្រីសដែលប្រែប្រួល។ កំហុស t ក្នុង (17) គឺជាឌីណាមិកដែលមិនរំពឹងទុកនៅក្នុង Y t ដែលនៅសេសសល់បន្ទាប់ពីគិតគូរពីភាពយឺតយ៉ាវដែលបានចែកចាយលីនេអ៊ែរនៃតម្លៃអតីតកាល។ ការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រនៃទម្រង់ VAR ដែលកាត់បន្ថយគឺងាយស្រួល។ សមីការនីមួយៗមានធាតុតំរែតំរង់ដូចគ្នា (Y t–1,...,Y t–p) ហើយមិនមានការរឹតបន្តឹងគ្នាទៅវិញទៅមករវាងសមីការទេ។ ដូច្នេះ ការប៉ាន់ប្រមាណដ៏មានប្រសិទ្ធភាព (វិធីសាស្ត្រលទ្ធភាពអតិបរមាដែលមានព័ត៌មានពេញលេញ) ត្រូវបានធ្វើឱ្យសាមញ្ញទៅជាការេតិចតួចបំផុតដែលត្រូវបានអនុវត្តចំពោះសមីការនីមួយៗ។ ម៉ាទ្រីសនៃភាពខុសគ្នានៃកំហុសអាចត្រូវបានប៉ាន់ប្រមាណដោយសមហេតុផលដោយម៉ាទ្រីសភាពប្រែប្រួលគំរូដែលទទួលបានពីសំណល់ LSM ។ ភាពល្អិតល្អន់តែមួយគត់គឺដើម្បីកំណត់ប្រវែង lag p ប៉ុន្តែនេះអាចត្រូវបានធ្វើដោយប្រើលក្ខណៈវិនិច្ឆ័យព័ត៌មានដូចជា AIC ឬ BIC ។ នៅកម្រិតនៃសមីការម៉ាទ្រីស VAR កើតឡើងដដែលៗ និងរចនាសម្ព័ន្ធមើលទៅដូចគ្នា។ គំរូ VAR ទាំងពីរនេះគិតយ៉ាងច្បាស់ពីអន្តរកម្មក្នុងពេលដំណាលគ្នារវាងធាតុនៃ Y t ដែលស្មើនឹងការបន្ថែមពាក្យដំណាលគ្នាទៅផ្នែកខាងស្តាំនៃសមីការ (17)។ ដូច្នោះហើយ VAR ឡើងវិញ និងរចនាសម្ព័ន្ធត្រូវបានតំណាងទាំងពីរក្នុងទម្រង់ទូទៅខាងក្រោម៖ ដែល - វ៉ិចទ័រនៃថេរ; B 0 , ... , B p - ម៉ាទ្រីស; t - កំហុស។ វត្តមាននៃម៉ាទ្រីស B 0 នៅក្នុងសមីការមានន័យថាលទ្ធភាពនៃអន្តរកម្មក្នុងពេលដំណាលគ្នារវាងអថេរ n; នោះគឺ B 0 អនុញ្ញាតឱ្យអ្នកធ្វើឱ្យអថេរទាំងនេះទាក់ទងនឹងចំណុចដូចគ្នានៅក្នុងពេលវេលាត្រូវបានកំណត់រួមគ្នា។ VAR អាចប៉ាន់ស្មានបានតាមពីរវិធី។ រចនាសម្ព័ន្ធ recursive ផ្តល់ឱ្យសំណុំនៃសមីការ recursive ដែលអាចត្រូវបានប៉ាន់ប្រមាណដោយប្រើវិធីសាស្រ្តការេតិចបំផុត។ វិធីសាស្រ្តប៉ាន់ស្មានសមមូលគឺថាសមីការនៃទម្រង់កាត់បន្ថយ (17) ចាត់ទុកថាជាប្រព័ន្ធត្រូវបានគុណពីខាងឆ្វេងដោយម៉ាទ្រីសត្រីកោណទាប។ វិធីសាស្រ្តប៉ាន់ស្មានរចនាសម្ព័ន្ធ VAR អាស្រ័យលើរបៀបដែល B 0 ត្រូវបានកំណត់អត្តសញ្ញាណ។ វិធីសាស្រ្តព័ត៌មានដោយផ្នែករួមបញ្ចូលការប្រើប្រាស់វិធីសាស្រ្តប៉ាន់ស្មានសមីការតែមួយដូចជាការេយ៉ាងហោចណាស់ពីរជំហាន។ វិធីសាស្រ្តព័ត៌មានពេញលេញរួមបញ្ចូលការប្រើប្រាស់វិធីសាស្រ្តប៉ាន់ប្រមាណពហុសមីការដូចជាការេយ៉ាងហោចណាស់បីជំហាន។ ត្រូវដឹងអំពីប្រភេទ VARs ជាច្រើន។ ទម្រង់កាត់បន្ថយនៃ VAR គឺមានតែមួយគត់។ លំដាប់នៃអថេរនៅក្នុង Y t ត្រូវគ្នាទៅនឹង VAR ដដែលៗ ប៉ុន្តែមាន n! ការបញ្ជាទិញបែបនេះ, i.e. ន! VARs កើតឡើងដដែលៗ។ ចំនួននៃ VAR រចនាសម្ព័ន្ធ - នោះគឺសំណុំនៃការសន្មត់ដែលកំណត់ទំនាក់ទំនងក្នុងពេលដំណាលគ្នារវាងអថេរ - ត្រូវបានកំណត់តែដោយភាពប៉ិនប្រសប់របស់អ្នកស្រាវជ្រាវប៉ុណ្ណោះ។ ដោយសារម៉ាទ្រីសនៃមេគុណ VAR ដែលប៉ាន់ស្មានគឺពិបាកក្នុងការបកស្រាយដោយផ្ទាល់ លទ្ធផលប៉ាន់ស្មាន VAR ជាធម្មតាត្រូវបានតំណាងដោយមុខងារមួយចំនួននៃម៉ាទ្រីសទាំងនេះ។ ចំពោះស្ថិតិបែបនេះ decomposition នៃកំហុសការព្យាករណ៍។ ការពង្រីកបំរែបំរួលនៃកំហុសការព្យាករណ៍ត្រូវបានគណនាជាចម្បងសម្រាប់ប្រព័ន្ធកើតឡើងវិញ ឬរចនាសម្ព័ន្ធ។ ការបំបែកបំរែបំរួលនេះបង្ហាញពីសារៈសំខាន់នៃកំហុសនៅក្នុងសមីការ jth ដើម្បីពន្យល់ពីការផ្លាស់ប្តូរដែលមិនរំពឹងទុកនៅក្នុងអថេរ ith ។ នៅពេលដែលកំហុស VAR មិនទាក់ទងគ្នាដោយសមីការ ភាពខុសគ្នានៃកំហុសការព្យាករណ៍សម្រាប់រយៈពេល h ខាងមុខអាចត្រូវបានសរសេរជាផលបូកនៃសមាសធាតុដែលបណ្តាលមកពីកំហុសនីមួយៗទាំងនេះ /17/ ។ 3.2 ការវិភាគកត្តា នៅក្នុងស្ថិតិទំនើប ការវិភាគកត្តាត្រូវបានយល់ថាជាសំណុំនៃវិធីសាស្រ្តដែលផ្អែកលើទំនាក់ទំនងជីវិតពិតនៃលក្ខណៈពិសេស (ឬវត្ថុ) ធ្វើឱ្យវាអាចកំណត់អត្តសញ្ញាណលក្ខណៈទូទៅមិនទាន់ឃើញច្បាស់នៃរចនាសម្ព័ន្ធអង្គការ និងយន្តការអភិវឌ្ឍន៍នៃបាតុភូត និងដំណើរការនានា។ នៅក្រោមការសិក្សា។ គោលគំនិតនៃភាពយឺតយ៉ាវក្នុងនិយមន័យគឺជាគន្លឹះ។ វាមានន័យថាភាពជាប់ពាក់ព័ន្ធនៃលក្ខណៈដែលបានបង្ហាញដោយប្រើវិធីសាស្ត្រវិភាគកត្តា។ ដំបូងយើងដោះស្រាយជាមួយនឹងសំណុំនៃលក្ខណៈបឋម X j អន្តរកម្មរបស់ពួកគេសន្មតថាវត្តមាននៃបុព្វហេតុជាក់លាក់លក្ខខណ្ឌពិសេស i.e. អត្ថិភាពនៃកត្តាលាក់កំបាំងមួយចំនួន។ ក្រោយមកទៀតត្រូវបានបង្កើតឡើងជាលទ្ធផលនៃការធ្វើឱ្យមានលក្ខណៈទូទៅនៃលក្ខណៈបឋម និងដើរតួជាលក្ខណៈរួមបញ្ចូលគ្នា ឬលក្ខណៈពិសេស ប៉ុន្តែមានកម្រិតខ្ពស់ជាង។ តាមធម្មជាតិ មិនត្រឹមតែលក្ខណៈមិនសំខាន់ X j អាចទាក់ទងគ្នាបានប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងវត្ថុដែលបានសង្កេតឃើញ N i ខ្លួនឯងផងដែរ ដូច្នេះការស្វែងរកកត្តាដែលមិនទាន់ឃើញច្បាស់គឺអាចធ្វើទៅបានតាមទ្រឹស្តីទាំងដោយទិន្នន័យលក្ខណៈ និងវត្ថុ។ ប្រសិនបើវត្ថុត្រូវបានកំណត់លក្ខណៈដោយចំនួនដ៏ច្រើននៃលក្ខណៈបឋម (m> 3) នោះការសន្មត់មួយផ្សេងទៀតក៏សមហេតុផលផងដែរ - អំពីអត្ថិភាពនៃចង្កោមក្រាស់ (លក្ខណៈ) ក្នុងចន្លោះនៃវត្ថុ n ។ ក្នុងពេលជាមួយគ្នានេះ អ័ក្សថ្មីជាទូទៅមិនមែនជាលក្ខណៈរបស់ X j ទេ ប៉ុន្តែវត្ថុ n i រៀងគ្នា និងកត្តាមិនទាន់ឃើញ F r នឹងត្រូវបានទទួលស្គាល់ដោយសមាសភាពនៃវត្ថុដែលបានសង្កេត៖ F r = c 1 n 1 + c 2 n 2 + ... + c N n N , ដែល c i ជាទម្ងន់របស់វត្ថុ n i ក្នុងកត្តា F r ។ អាស្រ័យលើប្រភេទនៃទំនាក់ទំនងដែលត្រូវបានពិចារណាខាងលើ - លក្ខណៈបឋមឬវត្ថុដែលបានសង្កេត - ត្រូវបានសិក្សានៅក្នុងការវិភាគកត្តា R និង Q ត្រូវបានសម្គាល់ - វិធីសាស្រ្តបច្ចេកទេសនៃដំណើរការទិន្នន័យ។ ឈ្មោះនៃបច្ចេកទេស R គឺជាការវិភាគទិន្នន័យបរិមាណដោយលក្ខណៈពិសេស m ដែលជាលទ្ធផលដែល r បន្សំលីនេអ៊ែរ (ក្រុម) នៃលក្ខណៈពិសេសត្រូវបានទទួល: F r = f (X j), (r = 1..m) ។ ការវិភាគយោងទៅតាមភាពជិត (ការតភ្ជាប់) នៃវត្ថុដែលបានសង្កេត n ត្រូវបានគេហៅថា Q-technique និងអនុញ្ញាតឱ្យអ្នកកំណត់ r បន្សំលីនេអ៊ែរ (ក្រុម) នៃវត្ថុ: F = f (n i), (i = l .. N) ។ បច្ចុប្បន្ននេះនៅក្នុងការអនុវត្តជាក់ស្តែងជាង 90% នៃបញ្ហាត្រូវបានដោះស្រាយដោយប្រើបច្ចេកទេស R ។ សំណុំនៃវិធីសាស្រ្តវិភាគកត្តាបច្ចុប្បន្នមានទំហំធំណាស់ វារួមបញ្ចូលវិធីសាស្រ្តផ្សេងគ្នារាប់សិប និងបច្ចេកទេសដំណើរការទិន្នន័យ។ ដើម្បីផ្តោតលើជម្រើសត្រឹមត្រូវនៃវិធីសាស្រ្តក្នុងការស្រាវជ្រាវវាចាំបាច់ដើម្បីបង្ហាញពីលក្ខណៈពិសេសរបស់ពួកគេ។ យើងបែងចែកវិធីសាស្រ្តនៃការវិភាគកត្តាទាំងអស់ទៅជាក្រុមចំណាត់ថ្នាក់មួយចំនួន៖ វិធីសាស្រ្តនៃសមាសភាគសំខាន់។ និយាយយ៉ាងតឹងរឹង វាមិនត្រូវបានចាត់ថ្នាក់ជាការវិភាគកត្តាទេ ទោះបីជាវាមានច្រើនដូចគ្នាជាមួយវាក៏ដោយ។ ជាក់លាក់គឺដំបូងបង្អស់ដែលនៅក្នុងដំណើរការនៃដំណើរការគណនា សមាសធាតុសំខាន់ៗទាំងអស់ត្រូវបានទទួលក្នុងពេលដំណាលគ្នា ហើយចំនួនរបស់វាដំបូងគឺស្មើនឹងចំនួននៃលក្ខណៈបឋម។ ទីពីរ លទ្ធភាពនៃការរលួយពេញលេញនៃការបែកខ្ញែកនៃលក្ខណៈបឋមត្រូវបានប្រកាស ម្យ៉ាងវិញទៀតការពន្យល់ពេញលេញរបស់វាតាមរយៈកត្តាមិនទាន់ឃើញច្បាស់ (លក្ខណៈទូទៅ)។ វិធីសាស្រ្តវិភាគកត្តា។ ភាពខុសប្លែកគ្នានៃលក្ខណៈបឋមមិនត្រូវបានពន្យល់ពេញលេញនៅទីនេះទេ វាត្រូវបានទទួលស្គាល់ថាផ្នែកនៃភាពខុសគ្នានៅតែមិនត្រូវបានទទួលស្គាល់ថាជាលក្ខណៈមួយ។ កត្តាជាធម្មតាត្រូវបានបែងចែកតាមលំដាប់លំដោយ៖ ទីមួយពន្យល់ពីចំណែកដ៏ធំបំផុតនៃការប្រែប្រួលនៃលក្ខណៈបឋម បន្ទាប់មកទីពីរពន្យល់ពីផ្នែកតូចជាងនៃការប្រែប្រួល ទីពីរបន្ទាប់ពីកត្តាមិនទាន់ឃើញ ទីមួយ ទីបី។ល។ ដំណើរការនៃកត្តាស្រង់ចេញអាចត្រូវបានរំខាននៅជំហានណាមួយ ប្រសិនបើការសម្រេចចិត្តត្រូវបានធ្វើឡើងលើភាពគ្រប់គ្រាន់នៃសមាមាត្រនៃភាពខុសគ្នាដែលបានពន្យល់នៃលក្ខណៈបឋម ឬយកទៅក្នុងគណនីការបកស្រាយនៃកត្តាមិនទាន់ឃើញច្បាស់។ វាត្រូវបានណែនាំឱ្យបែងចែកវិធីសាស្រ្តវិភាគកត្តាជាពីរថ្នាក់បន្ថែមទៀត៖ វិធីសាស្ត្រប្រហាក់ប្រហែលសាមញ្ញ និងទំនើប។ វិធីសាស្រ្តវិភាគកត្តាសាមញ្ញត្រូវបានផ្សារភ្ជាប់ជាចម្បងជាមួយនឹងការវិវឌ្ឍន៍ទ្រឹស្តីដំបូង។ ពួកគេមានសមត្ថភាពកំណត់ក្នុងការកំណត់អត្តសញ្ញាណកត្តាមិនទាន់ឃើញច្បាស់ និងដំណោះស្រាយប្រហាក់ប្រហែល។ ទាំងនេះរួមបញ្ចូលទាំង: គំរូកត្តាមួយ។ វាអនុញ្ញាតឱ្យអ្នកជ្រើសរើសតែមួយគត់ដែលមិនទាន់ឃើញច្បាស់ទូទៅ និងកត្តាលក្ខណៈមួយ។ សម្រាប់កត្តាមិនទាន់ឃើញច្បាស់ផ្សេងទៀតដែលមានស្រាប់ ការសន្មត់មួយត្រូវបានធ្វើឡើងអំពីភាពមិនសំខាន់របស់វា។ គំរូ bifactorial ។ អនុញ្ញាតឱ្យមានឥទ្ធិពលលើបំរែបំរួលនៃលក្ខណៈបឋមនៃមិនមែនមួយ ប៉ុន្តែកត្តាមិនទាន់ឃើញច្បាស់មួយចំនួន (ជាធម្មតាពីរ) និងកត្តាលក្ខណៈមួយ; វិធីសាស្រ្តកណ្តាល។ នៅក្នុងវា ការជាប់ទាក់ទងគ្នារវាងអថេរត្រូវបានចាត់ទុកថាជាបណ្តុំនៃវ៉ិចទ័រ ហើយកត្តាមិនទាន់ឃើញច្បាស់ត្រូវបានតំណាងតាមធរណីមាត្រជាវ៉ិចទ័រតុល្យភាពដែលឆ្លងកាត់កណ្តាលនៃក្រុមនេះ។ ៖ វិធីសាស្រ្តអនុញ្ញាតឱ្យអ្នកកំណត់អត្តសញ្ញាណកត្តាមិនទាន់ឃើញច្បាស់ និងលក្ខណៈមួយចំនួន ជាលើកដំបូងដែលវាអាចទាក់ទងដំណោះស្រាយហ្វាក់តូរីលជាមួយនឹងទិន្នន័យដើម ពោលគឺឧ។ ដោះស្រាយបញ្ហាប្រហាក់ប្រហែលក្នុងទម្រង់សាមញ្ញបំផុត។ វិធីសាស្រ្តប្រហាក់ប្រហែលទំនើបតែងតែសន្មត់ថាដំណោះស្រាយប្រហាក់ប្រហែលដំបូងត្រូវបានរកឃើញរួចហើយតាមមធ្យោបាយមួយចំនួន ហើយដំណោះស្រាយនេះត្រូវបានធ្វើឱ្យប្រសើរឡើងជាមួយនឹងជំហានជាបន្តបន្ទាប់។ វិធីសាស្រ្តខុសគ្នាក្នុងភាពស្មុគស្មាញនៃការគណនា។ វិធីសាស្រ្តទាំងនេះរួមមាន: វិធីសាស្រ្តក្រុម។ ដំណោះស្រាយគឺផ្អែកលើក្រុមនៃលក្ខណៈបឋមដែលបានជ្រើសរើសជាមុនតាមវិធីមួយចំនួន។ វិធីសាស្រ្តនៃកត្តាសំខាន់។ វានៅជិតបំផុតទៅនឹងវិធីសាស្រ្តនៃសមាសភាគសំខាន់, ភាពខុសគ្នាស្ថិតនៅក្នុងការសន្មត់នៃអត្ថិភាពនៃលក្ខណៈពិសេស; លទ្ធភាពអតិបរមា សំណល់អប្បបរមា ការវិភាគកត្តាមួយ ការវិភាគកត្តា Canonical ការបង្កើនប្រសិទ្ធភាពទាំងអស់។ វិធីសាស្រ្តទាំងនេះធ្វើឱ្យវាអាចធ្វើទៅបានដើម្បីកែលម្អជាបន្តបន្ទាប់នូវដំណោះស្រាយដែលបានរកឃើញពីមុនដោយផ្អែកលើការប្រើប្រាស់បច្ចេកទេសស្ថិតិសម្រាប់ការប៉ាន់ប្រមាណអថេរចៃដន្យ ឬលក្ខណៈវិនិច្ឆ័យស្ថិតិ ហើយទាមទារឱ្យមានការគណនាប្រើប្រាស់ពេលវេលាច្រើន។ ជោគជ័យ និងងាយស្រួលបំផុតសម្រាប់ការងារនៅក្នុងក្រុមនេះគឺជាវិធីសាស្ត្រដែលអាចទទួលបានអតិបរមា។ ភារកិច្ចចម្បងដែលត្រូវបានដោះស្រាយដោយវិធីសាស្រ្តផ្សេងៗនៃការវិភាគកត្តារួមទាំងវិធីសាស្រ្តនៃសមាសធាតុចម្បងគឺការបង្ហាប់ព័ត៌មានការផ្លាស់ប្តូរពីសំណុំនៃតម្លៃយោងទៅតាមលក្ខណៈបឋមនៃ m ជាមួយនឹងបរិមាណនៃព័ត៌មាន n x m ទៅកម្រិតកំណត់។ សំណុំនៃធាតុនៃម៉ាទ្រីសគូសផែនទីកត្តា (m x r) ឬម៉ាទ្រីសនៃកត្តាតម្លៃមិនទាន់ឃើញសម្រាប់វត្ថុដែលបានសង្កេតនីមួយៗនៃវិមាត្រ n x r ហើយជាធម្មតា r< m. វិធីសាស្រ្តវិភាគកត្តាក៏ធ្វើឱ្យវាអាចស្រមៃមើលរចនាសម្ព័ន្ធនៃបាតុភូត និងដំណើរការដែលកំពុងសិក្សា ដែលមានន័យថាកំណត់ស្ថានភាពរបស់ពួកគេ និងព្យាករណ៍ពីការអភិវឌ្ឍន៍របស់ពួកគេ។ ជាចុងក្រោយ ទិន្នន័យការវិភាគកត្តាផ្តល់មូលដ្ឋានសម្រាប់កំណត់អត្តសញ្ញាណវត្ថុ ពោលគឺឧ។ ការដោះស្រាយបញ្ហានៃការទទួលស្គាល់រូបភាព។ វិធីសាស្ត្រវិភាគកត្តាមានលក្ខណៈសម្បត្តិដែលទាក់ទាញខ្លាំងសម្រាប់ការប្រើប្រាស់របស់ពួកគេជាផ្នែកនៃវិធីសាស្ត្រស្ថិតិផ្សេងទៀត ដែលភាគច្រើនជាញឹកញាប់នៅក្នុងការវិភាគ correlation-regression ការវិភាគចង្កោម ការធ្វើមាត្រដ្ឋានពហុវ៉ារ្យង់។ល។ /18/ ។ 3.3 តំរែតំរង់ជាគូ។ លក្ខណៈប្រូបាប៊ីលីតេនៃគំរូតំរែតំរង់។ ប្រសិនបើយើងពិចារណាលើបញ្ហានៃការវិភាគការចំណាយលើអាហារជាក្រុមដែលមានប្រាក់ចំណូលដូចគ្នា ឧទាហរណ៍ $10,000(x) នោះនេះគឺជាតម្លៃកំណត់។ ប៉ុន្តែ Y - ចំណែកនៃប្រាក់នេះចំណាយលើអាហារ - គឺចៃដន្យ ហើយអាចផ្លាស់ប្តូរពីមួយឆ្នាំទៅមួយឆ្នាំ។ ដូច្នេះសម្រាប់បុគ្គល i-th នីមួយៗ៖ ដែលជាកន្លែងដែល ε ខ្ញុំ - កំហុសចៃដន្យ; α និង β គឺជាថេរ (តាមទ្រឹស្តី) ទោះបីជាពួកវាអាចប្រែប្រួលពីគំរូមួយទៅគំរូក៏ដោយ។ តម្រូវការជាមុនសម្រាប់ការតំរែតំរង់ជាគូ៖ X និង Y មានទំនាក់ទំនងតាមលីនេអ៊ែរ; X គឺជាអថេរមិនចៃដន្យជាមួយនឹងតម្លៃថេរ។ - ε - កំហុសត្រូវបានចែកចាយជាធម្មតា N(0,σ 2); - . រូបភាព 3.1 បង្ហាញគំរូតំរែតំរង់ជាគូ។ រូបភាព 3.1 - គំរូតំរែតំរង់ជាគូ ការសន្មត់ទាំងនេះពិពណ៌នាអំពីគំរូតំរែតំរង់លីនេអ៊ែរបុរាណ។ ប្រសិនបើកំហុសមានមធ្យមមិនសូន្យ នោះគំរូដើមនឹងស្មើនឹងគំរូថ្មីនិងការស្ទាក់ចាប់ផ្សេងទៀត ប៉ុន្តែមានន័យសូន្យសម្រាប់កំហុស។ ប្រសិនបើតម្រូវការជាមុនត្រូវបានពេញចិត្ត នោះការប៉ាន់ប្រមាណការេតិចបំផុត និងជាការប៉ាន់ប្រមាណលីនេអ៊ែរដែលមិនលំអៀងប្រកបដោយប្រសិទ្ធភាព ប្រសិនបើយើងកំណត់: ការពិតដែលថាការរំពឹងទុកគណិតវិទ្យា និងការបែកខ្ញែកនៃមេគុណនឹងមានដូចខាងក្រោម៖ ភាពប្រែប្រួលនៃមេគុណ៖ ប្រសិនបើ ក បន្ទាប់មកពួកគេក៏ត្រូវបានចែកចាយជាធម្មតាផងដែរ៖ ពីនេះវាដូចខាងក្រោម: បំរែបំរួល β ត្រូវបានកំណត់ទាំងស្រុងដោយបំរែបំរួលε; ភាពខុសគ្នានៃ X កាន់តែខ្ពស់ ការប៉ាន់ប្រមាណរបស់ β កាន់តែប្រសើរ។ ការបំបែកសរុបត្រូវបានកំណត់ដោយរូបមន្ត៖ ភាពខុសគ្នានៃគម្លាតនៅក្នុងទម្រង់នេះគឺជាការប៉ាន់ប្រមាណដែលមិនលំអៀង ហើយត្រូវបានគេហៅថាកំហុសស្តង់ដារនៃតំរែតំរង់។ N-2 - អាចត្រូវបានបកស្រាយថាជាចំនួនដឺក្រេនៃសេរីភាព។ ការវិភាគនៃគម្លាតពីបន្ទាត់តំរែតំរង់អាចផ្តល់នូវរង្វាស់ដ៏មានសារៈប្រយោជន៍នៃថាតើការតំរែតំរង់ដែលបានប៉ាន់ប្រមាណឆ្លុះបញ្ចាំងពីទិន្នន័យពិតយ៉ាងដូចម្តេច។ ការតំរែតំរង់ដ៏ល្អគឺមួយដែលពន្យល់ពីសមាមាត្រដ៏សំខាន់នៃការប្រែប្រួលនៅក្នុង Y ហើយផ្ទុយទៅវិញ តំរែតំរង់មិនល្អមិនតាមដានភាពប្រែប្រួលភាគច្រើននៃទិន្នន័យដើមនោះទេ។ វាច្បាស់ណាស់ដោយវិចារណញាណថាព័ត៌មានបន្ថែមណាមួយនឹងធ្វើឱ្យគំរូប្រសើរឡើង ពោលគឺកាត់បន្ថយចំណែកដែលមិនអាចពន្យល់បាននៃបំរែបំរួល Y. ដើម្បីវិភាគគំរូតំរែតំរង់ វ៉ារ្យ៉ង់ត្រូវបានបំបែកទៅជាសមាសធាតុ ហើយមេគុណនៃការកំណត់ R 2 ត្រូវបានកំណត់។ សមាមាត្រនៃបំរែបំរួលទាំងពីរត្រូវបានចែកចាយយោងទៅតាម F-distribution ពោលគឺប្រសិនបើយើងពិនិត្យមើលសារៈសំខាន់ស្ថិតិនៃភាពខុសគ្នារវាងភាពខុសគ្នានៃគំរូ និងភាពខុសគ្នានៃសំណល់នោះ យើងអាចសន្និដ្ឋានថា R 2 គឺសំខាន់។ ការធ្វើតេស្តសម្មតិកម្មអំពីសមភាពនៃភាពខុសគ្នានៃគំរូទាំងពីរនេះ៖ ប្រសិនបើសម្មតិកម្ម H 0 (សមភាពនៃភាពខុសគ្នានៃគំរូជាច្រើន) គឺពិត t មានការចែកចាយ F ជាមួយ (m 1 ,m 2)=(n 1 -1,n 2 -1) ដឺក្រេនៃសេរីភាព។ ដោយបានគណនាសមាមាត្រ F ជាសមាមាត្រនៃការបែកខ្ញែកពីរ ហើយប្រៀបធៀបវាជាមួយនឹងតម្លៃតារាង យើងអាចសន្និដ្ឋានថា R 2/2/, /19/ គឺមានសារៈសំខាន់ជាស្ថិតិ។ សេចក្តីសន្និដ្ឋាន កម្មវិធីទំនើបនៃការវិភាគភាពខុសប្លែកគ្នាគ្របដណ្តប់លើបញ្ហាជាច្រើននៅក្នុងសេដ្ឋកិច្ច ជីវវិទ្យា និងបច្ចេកវិទ្យា ហើយជាធម្មតាត្រូវបានបកស្រាយក្នុងន័យនៃទ្រឹស្ដីស្ថិតិនៃការបង្ហាញពីភាពខុសគ្នាជាប្រព័ន្ធរវាងលទ្ធផលនៃការវាស់វែងដោយផ្ទាល់ដែលធ្វើឡើងក្រោមលក្ខខណ្ឌនៃការផ្លាស់ប្តូរមួយចំនួន។ អរគុណចំពោះស្វ័យប្រវត្តិកម្មនៃការវិភាគនៃភាពខុសគ្នា អ្នកស្រាវជ្រាវអាចធ្វើការសិក្សាស្ថិតិផ្សេងៗដោយប្រើកុំព្យូទ័រ ខណៈពេលដែលចំណាយពេលតិច និងការខិតខំប្រឹងប្រែងលើការគណនាទិន្នន័យ។ បច្ចុប្បន្ននេះមានកញ្ចប់កម្មវិធីជាច្រើនដែលអនុវត្តឧបករណ៍វិភាគការបែកខ្ញែក។ ផលិតផលសូហ្វវែរទូទៅបំផុតគឺ៖ វិធីសាស្រ្តស្ថិតិភាគច្រើនត្រូវបានអនុវត្តនៅក្នុងផលិតផលកម្មវិធីស្ថិតិទំនើប។ ជាមួយនឹងការអភិវឌ្ឍន៍នៃភាសាសរសេរកម្មវិធី algorithmic វាអាចបង្កើតប្លុកបន្ថែមសម្រាប់ដំណើរការទិន្នន័យស្ថិតិ។ ANOVA គឺជាវិធីសាស្ត្រស្ថិតិទំនើបដ៏មានអានុភាពសម្រាប់ដំណើរការ និងវិភាគទិន្នន័យពិសោធន៍ក្នុងចិត្តវិទ្យា ជីវវិទ្យា វេជ្ជសាស្ត្រ និងវិទ្យាសាស្ត្រផ្សេងៗទៀត។ វាទាក់ទងយ៉ាងជិតស្និទ្ធទៅនឹងវិធីសាស្រ្តជាក់លាក់សម្រាប់ការធ្វើផែនការ និងធ្វើការសិក្សាពិសោធន៍។ ការវិភាគភាពប្រែប្រួលត្រូវបានប្រើនៅក្នុងគ្រប់វិស័យនៃការស្រាវជ្រាវវិទ្យាសាស្ត្រ ដែលចាំបាច់ត្រូវវិភាគឥទ្ធិពលនៃកត្តាផ្សេងៗលើអថេរដែលកំពុងសិក្សា។ គន្ថនិទ្ទេស 1 Kremer N.Sh. ទ្រឹស្តីប្រូបាប៊ីលីតេ និងស្ថិតិគណិតវិទ្យា។ M.: Unity - Dana, 2002.-343s ។ 2 Gmurman V.E. ទ្រឹស្តីនៃប្រូបាប៊ីលីតេ និងស្ថិតិគណិតវិទ្យា។ - M. : វិទ្យាល័យ ឆ្នាំ 2003.-523s ។ ៤ www.conf.mitme.ru 5 www.pedklin.ru ៦ www.webcenter.ru 7 www.infections.ru 8 www.encycl.yandex.ru ៩ www.infosport.ru 10 www.medtrust.ru ១១ www.flax.net.ru ១២ www.jdc.org.il ១៣ www.big.spb.ru ១៤ www.bizcom.ru 15 Gusev A.N. ការវិភាគការបែកខ្ញែកនៅក្នុងចិត្តវិទ្យាពិសោធន៍។ - M. : អ្នកប្រមូលការអប់រំនិងវិធីសាស្រ្ត "ចិត្តវិទ្យា", ឆ្នាំ 2000.-136s ។ ១៧ www.econometrics.exponenta.ru 18 www.optimizer.by.ru នៅក្នុងការអនុវត្តរបស់គ្រូពេទ្យនៅពេលធ្វើការស្រាវជ្រាវជីវវេជ្ជសាស្ត្រ សង្គមវិទ្យា និងពិសោធន៍ វាចាំបាច់ដើម្បីបង្កើតឥទ្ធិពលនៃកត្តាលើលទ្ធផលនៃការសិក្សាពីស្ថានភាពសុខភាពរបស់ប្រជាជន នៅពេលវាយតម្លៃសកម្មភាពវិជ្ជាជីវៈ និងប្រសិទ្ធភាពនៃការច្នៃប្រឌិត។ មានវិធីសាស្រ្តស្ថិតិមួយចំនួនដែលអនុញ្ញាតឱ្យអ្នកកំណត់កម្លាំង, ទិសដៅ, លំនាំនៃឥទ្ធិពលនៃកត្តាលើលទ្ធផលនៅក្នុងចំនួនប្រជាជនទូទៅឬគំរូ (ការគណនាលក្ខណៈវិនិច្ឆ័យ I, ការវិភាគទំនាក់ទំនង, តំរែតំរង់, Χ 2 - (លក្ខណៈវិនិច្ឆ័យកិច្ចព្រមព្រៀងរបស់ Pearson, ល។ ) ការវិភាគលើភាពខុសប្លែកគ្នាត្រូវបានបង្កើតឡើង និងស្នើឡើងដោយអ្នកវិទ្យាសាស្ត្រអង់គ្លេស គណិតវិទូ និងជាអ្នកជំនាញហ្សែន Ronald Fisher ក្នុងទសវត្សរ៍ឆ្នាំ 1920។ ការវិភាគលើភាពខុសប្លែកគ្នាត្រូវបានគេប្រើជាញឹកញាប់នៅក្នុងការសិក្សាបែបវិទ្យាសាស្ត្រ និងជាក់ស្តែងនៃសុខភាពសាធារណៈ និងការថែទាំសុខភាព ដើម្បីសិក្សាពីឥទ្ធិពលនៃកត្តាមួយ ឬច្រើនលើលក្ខណៈលទ្ធផល។ វាត្រូវបានផ្អែកលើគោលការណ៍នៃ "ការឆ្លុះបញ្ចាំងពីភាពចម្រុះនៃតម្លៃនៃកត្តាលើភាពចម្រុះនៃតម្លៃនៃគុណលក្ខណៈលទ្ធផល" និងបង្កើតភាពខ្លាំងនៃឥទ្ធិពលនៃកត្តានៅក្នុង ចំនួនប្រជាជនគំរូ។ ខ្លឹមសារនៃវិធីសាស្រ្តវិភាគបំរែបំរួលគឺដើម្បីវាស់ស្ទង់ភាពខុសប្លែកគ្នាបុគ្គល (សរុប កត្តា សំណល់) និងកំណត់បន្ថែមនូវកម្លាំង (ចំណែក) នៃឥទ្ធិពលនៃកត្តាដែលបានសិក្សា (ការវាយតម្លៃតួនាទីនៃកត្តានីមួយៗ ឬឥទ្ធិពលរួមរបស់ពួកគេ ) នៅលើគុណលក្ខណៈលទ្ធផល។ ការវិភាគនៃភាពខុសគ្នា- នេះគឺជាវិធីសាស្រ្តស្ថិតិសម្រាប់វាយតម្លៃទំនាក់ទំនងរវាងកត្តា និងលក្ខណៈនៃការអនុវត្តនៅក្នុងក្រុមផ្សេងៗគ្នា ជ្រើសរើសដោយចៃដន្យដោយផ្អែកលើការកំណត់នៃភាពខុសគ្នា (ភាពចម្រុះ) នៅក្នុងតម្លៃនៃលក្ខណៈ។ ការវិភាគនៃភាពខុសគ្នាគឺផ្អែកលើការវិភាគនៃគម្លាតនៃឯកតាទាំងអស់នៃចំនួនប្រជាជនដែលបានសិក្សាពីមធ្យមនព្វន្ធ។ ក្នុងនាមជារង្វាស់នៃគម្លាត ការបែកខ្ញែក (B) ត្រូវបានគេយក - ការ៉េមធ្យមនៃគម្លាត។ គម្លាតដែលបណ្តាលមកពីឥទ្ធិពលនៃកត្តាកត្តា (កត្តា) ត្រូវបានប្រៀបធៀបជាមួយនឹងទំហំនៃគម្លាតដែលបណ្តាលមកពីកាលៈទេសៈចៃដន្យ។ ប្រសិនបើគម្លាតដែលបណ្តាលមកពីគុណលក្ខណៈកត្តាគឺសំខាន់ជាងគម្លាតចៃដន្យ នោះកត្តាត្រូវបានចាត់ទុកថាមានផលប៉ះពាល់យ៉ាងខ្លាំងទៅលើគុណលក្ខណៈលទ្ធផល។ ដើម្បីគណនាបំរែបំរួលនៃតម្លៃគម្លាតនៃជម្រើសនីមួយៗ (តម្លៃលេខដែលបានចុះបញ្ជីនីមួយៗនៃគុណលក្ខណៈ) ពីមធ្យមនព្វន្ធ ការ៉េ។ នេះនឹងកម្ចាត់សញ្ញាអវិជ្ជមាន។ បន្ទាប់មកគម្លាតទាំងនេះ (ភាពខុសគ្នា) ត្រូវបានសង្ខេបនិងបែងចែកដោយចំនួននៃការសង្កេត, i.e. គម្លាតមធ្យម។ ដូច្នេះតម្លៃបំបែកត្រូវបានទទួល។ តម្លៃវិធីសាស្រ្តដ៏សំខាន់មួយសម្រាប់ការអនុវត្តការវិភាគនៃភាពប្រែប្រួលគឺជាការបង្កើតត្រឹមត្រូវនៃគំរូ។ អាស្រ័យលើគោលដៅ និងគោលបំណង ក្រុមជ្រើសរើសអាចត្រូវបានបង្កើតឡើងដោយចៃដន្យដោយឯករាជ្យពីគ្នាទៅវិញទៅមក (ក្រុមត្រួតពិនិត្យ និងពិសោធន៍ដើម្បីសិក្សាសូចនាករមួយចំនួន ឧទាហរណ៍ ឥទ្ធិពលនៃសម្ពាធឈាមខ្ពស់លើការវិវត្តនៃជំងឺដាច់សរសៃឈាមខួរក្បាល)។ គំរូបែបនេះត្រូវបានគេហៅថាឯករាជ្យ។ ជារឿយៗលទ្ធផលនៃការប៉ះពាល់នឹងកត្តាត្រូវបានសិក្សាក្នុងក្រុមគំរូដូចគ្នា (ឧទាហរណ៍ចំពោះអ្នកជំងឺដូចគ្នា) មុននិងក្រោយការប៉ះពាល់ (ការព្យាបាល ការការពារ វិធានការស្តារនីតិសម្បទា) សំណាកបែបនេះត្រូវបានគេហៅថាពឹងផ្អែក។ ការវិភាគនៃការប្រែប្រួល ដែលឥទ្ធិពលនៃកត្តាមួយត្រូវបានត្រួតពិនិត្យ ត្រូវបានគេហៅថាការវិភាគកត្តាតែមួយ (ការវិភាគឯកតា)។ នៅពេលសិក្សាពីឥទ្ធិពលនៃកត្តាច្រើនជាងមួយ ការវិភាគពហុវ៉ារ្យង់នៃវ៉ារ្យង់ (ការវិភាគពហុវ៉ារ្យង់) ត្រូវបានប្រើ។ សញ្ញាកត្តាគឺជាសញ្ញាទាំងនោះដែលប៉ះពាល់ដល់បាតុភូតដែលកំពុងសិក្សា។ ទាំងគុណភាព (យេនឌ័រ វិជ្ជាជីវៈ) និងលក្ខណៈបរិមាណ (ចំនួនចាក់ថ្នាំ អ្នកជំងឺក្នុងវួដ ចំនួនថ្ងៃចូលគេង) អាចត្រូវបានប្រើដើម្បីដឹកនាំ ANOVA ។ វិធីសាស្រ្តនៃការវិភាគការបែកខ្ញែក៖ ជាធម្មតា មានតែកត្តាមួយ និងកត្តាបំបែកជាអតិបរមាប៉ុណ្ណោះ ដែលត្រូវបានប្រើក្នុងការស្រាវជ្រាវជីវវេជ្ជសាស្ត្រ។ ស្មុគ្រស្មាញពហុកត្តាអាចត្រូវបានស៊ើបអង្កេតដោយការវិភាគជាបន្តបន្ទាប់នៃស្មុគស្មាញមួយឬកត្តាពីរដែលដាច់ឆ្ងាយពីចំនួនប្រជាជនដែលបានសង្កេតទាំងមូល។ ល័ក្ខខ័ណ្ឌនៃការប្រើប្រាស់ការវិភាគនៃការប្រែប្រួល៖ នៅពេលធ្វើការវិភាគមួយផ្លូវនៃការប្រែប្រួល វាត្រូវបានណែនាំ (លក្ខខណ្ឌចាំបាច់សម្រាប់កម្មវិធី)៖ ភាពធម្មតានៃការចែកចាយត្រូវបានកំណត់ដោយខ្សែកោង Gauss (De Mavour) ដែលអាចត្រូវបានពិពណ៌នាដោយមុខងារ y \u003d f (x) ព្រោះវាជាផ្នែកមួយនៃច្បាប់ចែកចាយដែលប្រើដើម្បីប៉ាន់ស្មានការពិពណ៌នាអំពីបាតុភូតដែលចៃដន្យ។ ប្រូបាប៊ីលីតេនៅក្នុងធម្មជាតិ។ ប្រធានបទនៃការស្រាវជ្រាវជីវវេជ្ជសាស្រ្ដគឺជាបាតុភូតនៃធម្មជាតិប្រូបាប៊ីលីតេ ការចែកចាយធម្មតានៅក្នុងការសិក្សាបែបនេះគឺជារឿងធម្មតាណាស់។ គោលការណ៍នៃការអនុវត្តវិធីសាស្រ្តនៃការវិភាគនៃការប្រែប្រួល ទីមួយ សម្មតិកម្មគ្មានន័យត្រូវបានបង្កើត ពោលគឺវាត្រូវបានសន្មត់ថាកត្តាដែលកំពុងសិក្សាមិនមានឥទ្ធិពលលើតម្លៃនៃគុណលក្ខណៈលទ្ធផលទេ ហើយភាពខុសគ្នាលទ្ធផលគឺចៃដន្យ។ បន្ទាប់មកយើងកំណត់ថាតើអ្វីជាប្រូបាប៊ីលីតេនៃការទទួលបានភាពខុសគ្នាដែលបានសង្កេត (ឬខ្លាំងជាង) ផ្តល់ថាសម្មតិកម្មគ្មានន័យគឺជាការពិត។ ប្រសិនបើប្រូបាប៊ីលីតេនេះតូច* នោះយើងច្រានចោលសម្មតិកម្មទទេ ហើយសន្និដ្ឋានថាលទ្ធផលនៃការសិក្សាគឺមានសារៈសំខាន់ជាស្ថិតិ។ នេះមិនទាន់មានន័យថាឥទ្ធិពលនៃកត្តាដែលបានសិក្សាត្រូវបានបញ្ជាក់ទេ (នេះជាបញ្ហាចម្បងនៃការរៀបចំផែនការស្រាវជ្រាវ) ប៉ុន្តែវានៅតែមិនទំនងថាលទ្ធផលគឺដោយសារឱកាស។ នៅពេលដែលលក្ខខណ្ឌទាំងអស់សម្រាប់អនុវត្តការវិភាគនៃវ៉ារ្យង់ត្រូវបានបំពេញ នោះការបំបែកបំរែបំរួលសរុបតាមគណិតវិទ្យាមើលទៅដូចនេះ៖ D gen. =D ការពិត + D សម្រាក។ , D gen. - វ៉ារ្យ៉ង់សរុបនៃតម្លៃដែលបានសង្កេត (វ៉ារ្យ៉ង់) កំណត់លក្ខណៈដោយការរីករាលដាលនៃវ៉ារ្យ៉ង់ពីមធ្យមភាគសរុប។ វាស់វែងការប្រែប្រួលនៃលក្ខណៈនៅក្នុងប្រជាជនទាំងមូលក្រោមឥទ្ធិពលនៃកត្តាទាំងអស់ដែលបណ្តាលឱ្យមានការប្រែប្រួលនេះ។ ភាពចម្រុះជាទូទៅត្រូវបានបង្កើតឡើងដោយក្រុមអន្តរក្រុម និងក្រុមក្នុងក្រុម។ D fact - ភាពខុសប្លែកគ្នានៃកត្តាកត្តា (ក្រុមអន្តរក្រុម) ដែលកំណត់ដោយភាពខុសគ្នានៃមធ្យមភាគក្នុងក្រុមនីមួយៗ និងអាស្រ័យលើឥទ្ធិពលនៃកត្តាដែលបានសិក្សា ដោយក្រុមនីមួយៗមានភាពខុសប្លែកគ្នា។ ឧទាហរណ៍នៅក្នុងក្រុមនៃកត្តា etiological ផ្សេងគ្នានៃវគ្គព្យាបាលនៃជំងឺរលាកសួតកម្រិតមធ្យមនៃការគេងពេលថ្ងៃគឺមិនដូចគ្នា - ភាពចម្រុះរវាងក្រុមត្រូវបានអង្កេត។ ឃ សម្រាក។ - បំរែបំរួលសំណល់ (ក្នុងក្រុម) ដែលកំណត់លក្ខណៈនៃការបែកខ្ញែកនៃវ៉ារ្យ៉ង់នៅក្នុងក្រុម។ ឆ្លុះបញ្ចាំងពីការប្រែប្រួលចៃដន្យ, i.e. ផ្នែកនៃបំរែបំរួលដែលកើតឡើងក្រោមឥទិ្ធពលនៃកត្តាដែលមិនបានបញ្ជាក់និងមិនអាស្រ័យលើលក្ខណៈ - កត្តាដែលស្ថិតនៅក្រោមការដាក់ជាក្រុម។ បំរែបំរួលនៃលក្ខណៈដែលកំពុងសិក្សាគឺអាស្រ័យលើភាពខ្លាំងនៃឥទ្ធិពលនៃកត្តាចៃដន្យមួយចំនួនដែលមិនបានគណនា ទាំងលើកត្តារៀបចំ (ផ្តល់ដោយអ្នកស្រាវជ្រាវ) និងកត្តាចៃដន្យ (មិនស្គាល់)។ ដូច្នេះ បំរែបំរួលសរុប (ការបែកខ្ចាត់ខ្ចាយ) ត្រូវបានផ្សំឡើងពីបំរែបំរួលដែលបណ្តាលមកពីកត្តារៀបចំ (ដែលបានផ្តល់ឱ្យ) ហៅថា បំរែបំរួលជាកត្តា និងកត្តាដែលមិនបានរៀបចំ ពោលគឺឧ។ បំរែបំរួលសំណល់ (ចៃដន្យមិនស្គាល់) ។ ការវិភាគបែបបុរាណនៃភាពខុសគ្នាត្រូវបានអនុវត្តតាមជំហានដូចខាងក្រោមៈ ក្បួនដោះស្រាយសម្រាប់អនុវត្តការវិភាគ ANOVANE ស្របតាមវ៉ារ្យង់សាមញ្ញ ក្បួនដោះស្រាយសម្រាប់ធ្វើការវិភាគនៃភាពខុសប្លែកគ្នាដោយប្រើវិធីសាស្ត្រសាមញ្ញអនុញ្ញាតឱ្យអ្នកទទួលបានលទ្ធផលដូចគ្នា ប៉ុន្តែការគណនាគឺសាមញ្ញជាង៖ ខ្ញុំឆាក។ ការសាងសង់អគារបែកខ្ញែក ការសាងសង់អគារបែកខ្ញែកមានន័យថាការសាងសង់តារាងដែលកត្តា សញ្ញាមានប្រសិទ្ធភាព និងការជ្រើសរើសការសង្កេត (អ្នកជំងឺ) ក្នុងក្រុមនីមួយៗនឹងត្រូវបានសម្គាល់យ៉ាងច្បាស់។ ស្មុគ្រស្មាញកត្តាមួយមានកម្រិតជាច្រើននៃកត្តាមួយ (A) ។ ការចាត់ថ្នាក់គឺជាគំរូពីប្រជាជនទូទៅផ្សេងៗគ្នា (A1, A2, AZ)។ ស្មុគ្រស្មាញកត្តាពីរ - មានការចាត់ថ្នាក់ជាច្រើននៃកត្តាពីរបញ្ចូលគ្នាជាមួយគ្នា។ កត្តា etiological ក្នុងឧប្បត្តិហេតុនៃជំងឺរលាកសួតគឺដូចគ្នា (A1, A2, AZ) នៅក្នុងការរួមបញ្ចូលគ្នាជាមួយនឹងទម្រង់ផ្សេងគ្នានៃវគ្គសិក្សានៃជំងឺរលាកសួត (H1 - ស្រួចស្រាវ, H2 - រ៉ាំរ៉ៃ) ។ ដំណាក់កាល II ។ ការគណនាមធ្យមភាគសរុប (M obsh) ការគណនាផលបូកនៃជម្រើសសម្រាប់ចំណាត់ថ្នាក់នីមួយៗនៃកត្តា៖ Σ Vj = V 1 + V 2 + V 3 ការគណនាផលបូកសរុបនៃវ៉ារ្យ៉ង់ (Σ V សរុប) លើការចាត់ថ្នាក់ទាំងអស់នៃគុណលក្ខណៈកត្តា៖ Σ V សរុប = Σ Vj 1 + Σ Vj 2 + Σ Vj 3 ការគណនានៃក្រុមមធ្យម (M gr ។ ) សញ្ញាកត្តា: M gr ។ = Σ Vj / N, ដំណាក់កាល III ។ ការគណនាភាពខុសគ្នា៖ តាមលក្ខខណ្ឌទាំងអស់សម្រាប់អនុវត្តការវិភាគនៃការប្រែប្រួល រូបមន្តគណិតវិទ្យាមានដូចខាងក្រោម៖ D gen. =D ការពិត + D សម្រាក។ D gen. - បំរែបំរួលសរុបកំណត់ដោយការរីករាលដាលនៃវ៉ារ្យ៉ង់ (តម្លៃសង្កេត) ពីមធ្យមទូទៅ; ដំណាក់កាល IV ។ ការគណនាសូចនាករសំខាន់នៃកម្លាំងនៃឥទ្ធិពលនៃកត្តាដែលកំពុងសិក្សាសូចនាករនៃភាពខ្លាំងនៃឥទ្ធិពល (η 2) នៃគុណលក្ខណៈកត្តាលើលទ្ធផលត្រូវបានកំណត់ដោយចំណែកនៃការប្រែប្រួលកត្តា (D fact ។ ) នៅក្នុងវ៉ារ្យង់សរុប (D ទូទៅ) η 2 (នេះ) - បង្ហាញពីសមាមាត្រនៃ ឥទ្ធិពលនៃកត្តាដែលកំពុងសិក្សា កាន់កាប់ក្នុងចំណោមកត្តាផ្សេងទៀតទាំងអស់ ហើយត្រូវបានកំណត់ដោយរូបមន្ត៖ ដំណាក់កាល V ។ ការកំណត់ភាពជឿជាក់នៃលទ្ធផលនៃការសិក្សាដោយវិធីសាស្ត្រ Fisher ត្រូវបានអនុវត្តតាមរូបមន្ត៖ ការប្រៀបធៀបលក្ខណៈវិនិច្ឆ័យអ្នកនេសាទ (F) ជាមួយនឹងស្តង់ដារ (តារាង) F ត្រូវបានអនុវត្តតាមជួរឈរនៃតារាងដោយគិតគូរពីកម្រិតនៃសេរីភាព៖ v 1 \u003d n - 1 កំណត់ v 1 បញ្ឈរ - v 2 នៅចំនុចប្រសព្វរបស់ពួកគេកំណត់តម្លៃតារាង F ដែលតម្លៃតារាងខាងលើ p ≥ 0.05 ហើយលេខខាងក្រោមត្រូវគ្នានឹង p > 0.01 ហើយប្រៀបធៀបជាមួយលក្ខណៈវិនិច្ឆ័យដែលបានគណនា F. ប្រសិនបើតម្លៃនៃ លក្ខណៈវិនិច្ឆ័យដែលបានគណនា F ស្មើនឹង ឬធំជាងតារាងតារាង បន្ទាប់មកលទ្ធផលគឺអាចទុកចិត្តបាន ហើយ H 0 មិនត្រូវបានបដិសេធឡើយ។ កិច្ចការ: នៅសហគ្រាសរបស់ N. កម្រិតនៃការរងរបួសបានកើនឡើង ពាក់ព័ន្ធនឹងការដែលវេជ្ជបណ្ឌិតបានធ្វើការសិក្សាអំពីកត្តាបុគ្គល ដែលក្នុងនោះបទពិសោធន៍ការងាររបស់កម្មករនៅក្នុងហាងត្រូវបានសិក្សា។ គំរូត្រូវបានគេយកនៅសហគ្រាស N. ពី 4 ហាងដែលមានលក្ខខណ្ឌស្រដៀងគ្នានិងលក្ខណៈនៃការងារ។ អត្រារបួសត្រូវបានគណនាសម្រាប់បុគ្គលិក 100 នាក់ក្នុងឆ្នាំកន្លងមក។ នៅក្នុងការសិក្សាអំពីកត្តាបទពិសោធន៍ការងារ ទិន្នន័យខាងក្រោមត្រូវបានទទួល៖ ផ្អែកលើទិន្នន័យនៃការសិក្សា សម្មតិកម្មគ្មានន័យ (H 0) ត្រូវបានដាក់ចេញអំពីឥទ្ធិពលនៃបទពិសោធន៍ការងារលើកម្រិតនៃការរងរបួសរបស់និយោជិតនៃសហគ្រាស A. លំហាត់ប្រាណ
ដំណាក់កាលនៃការអនុវត្តការវិភាគនៃភាពប្រែប្រួល សេចក្តីសន្និដ្ឋាន។នៅក្នុងស្មុគ្រស្មាញគំរូវាត្រូវបានគេបង្ហាញថាឥទ្ធិពលនៃបទពិសោធន៍ការងារលើកម្រិតនៃការរងរបួសគឺ 80% នៅក្នុងចំនួនសរុបនៃកត្តាផ្សេងទៀត។ សម្រាប់សិក្ខាសាលាទាំងអស់របស់រោងចក្រ វាអាចត្រូវបានបញ្ជាក់ជាមួយនឹងប្រូបាប៊ីលីតេនៃ 99.7% (13.3 > 8.7) ដែលបទពិសោធន៍ការងារប៉ះពាល់ដល់កម្រិតនៃការរងរបួស។ ដូច្នេះសម្មតិកម្មគ្មានន័យ (Н 0) មិនត្រូវបានបដិសេធទេហើយឥទ្ធិពលនៃបទពិសោធន៍ការងារលើកម្រិតនៃការរងរបួសនៅក្នុងសិក្ខាសាលានៃរោងចក្រ A ត្រូវបានចាត់ទុកថាជាភស្តុតាង។ តម្លៃ F (ការធ្វើតេស្តអ្នកនេសាទ) ស្តង់ដារនៅ p ≥ 0.05 (តម្លៃខាងលើ) នៅ p ≥ 0.01 (តម្លៃទាបជាង) មនុស្សទាំងអស់ស្វែងរកចំណេះដឹងដោយធម្មជាតិ។ (អារីស្តូត។ រូបវិទ្យា)
នៅក្នុងផ្នែកនេះ យើងនឹងពិនិត្យមើលវិធីសាស្រ្តជាមូលដ្ឋាន ការសន្មត់ និងវាក្យស័ព្ទនៃ ANOVA ។ ចំណាំថានៅក្នុងអក្សរសិល្ប៍អង់គ្លេស ការវិភាគនៃការប្រែប្រួលជាធម្មតាត្រូវបានគេហៅថាការវិភាគនៃការប្រែប្រួល។ ដូច្នេះ ដើម្បីសង្ខេប ខាងក្រោម ពេលខ្លះ យើងនឹងប្រើពាក្យ អាណូវ៉ា (កការវិភាគ o f វ៉ាការរៀបចំ) សម្រាប់ ANOVA សាមញ្ញ និងពាក្យ ម៉ាណូវ៉ាសម្រាប់ការវិភាគពហុវ៉ារ្យង់នៃវ៉ារ្យង់។ នៅក្នុងផ្នែកនេះ យើងនឹងពិចារណាជាបន្តបន្ទាប់នូវគំនិតសំខាន់ៗនៃការវិភាគនៃភាពខុសប្លែកគ្នា ( អាណូវ៉ា) ការវិភាគនៃភាពខុសគ្នា ( ANCOVA), ការវិភាគចម្រុះនៃភាពខុសគ្នា ( ម៉ាណូវ៉ា) និងការវិភាគភាពប្រែប្រួលចម្រុះ ( MANCOVA) បន្ទាប់ពីការពិភាក្សាខ្លីៗអំពីគុណសម្បត្តិនៃការវិភាគកម្រិតពណ៌ និងការធ្វើតេស្តក្រោយម៉ោង សូមក្រឡេកមើលការសន្មត់ដែលវិធីសាស្ត្រ ANOVA ត្រូវបានផ្អែកលើ។ ឆ្ពោះទៅចុងបញ្ចប់នៃផ្នែកនេះ គុណសម្បត្តិនៃវិធីសាស្រ្តពហុវ៉ារ្យង់សម្រាប់ការវិភាគវិធានការម្តងហើយម្តងទៀតត្រូវបានពន្យល់លើវិធីសាស្រ្តបែបប្រពៃណីមួយវិមាត្រ។ គោលបំណងនៃការវិភាគនៃភាពខុសគ្នា។គោលបំណងសំខាន់នៃការវិភាគនៃភាពខុសគ្នាគឺដើម្បីសិក្សាពីសារៈសំខាន់នៃភាពខុសគ្នារវាងមធ្យោបាយ។ ជំពូក (ជំពូកទី 8) ផ្តល់នូវការណែនាំខ្លីៗអំពីការធ្វើតេស្តសារៈសំខាន់ស្ថិតិ។ ប្រសិនបើអ្នកគ្រាន់តែប្រៀបធៀបមធ្យោបាយនៃសំណាកពីរ ការវិភាគនៃភាពខុសគ្នានឹងផ្តល់លទ្ធផលដូចគ្នានឹងការវិភាគធម្មតា។ t-
លក្ខណៈវិនិច្ឆ័យសម្រាប់គំរូឯករាជ្យ (ប្រសិនបើក្រុមឯករាជ្យពីរនៃវត្ថុឬការសង្កេតត្រូវបានប្រៀបធៀប) ឬ t-
លក្ខណៈវិនិច្ឆ័យសម្រាប់សំណាកដែលពឹងផ្អែក (ប្រសិនបើអថេរពីរត្រូវបានប្រៀបធៀបនៅលើសំណុំវត្ថុដូចគ្នាឬការសង្កេត) ។ ប្រសិនបើអ្នកមិនស៊ាំនឹងលក្ខណៈវិនិច្ឆ័យទាំងនេះទេ យើងសូមណែនាំឱ្យអ្នកយោងទៅលើទិដ្ឋភាពទូទៅនៃជំពូក (ជំពូកទី 9) ។ តើឈ្មោះមកពីណា ការវិភាគនៃភាពខុសគ្នា?
វាហាក់ដូចជាចម្លែកដែលនីតិវិធីសម្រាប់ការប្រៀបធៀបមធ្យោបាយត្រូវបានគេហៅថាការវិភាគនៃការប្រែប្រួល។ តាមការពិត នេះគឺដោយសារតែការពិតដែលថានៅពេលដែលយើងពិនិត្យមើលសារៈសំខាន់ស្ថិតិនៃភាពខុសគ្នារវាងមធ្យោបាយនោះ យើងពិតជាកំពុងវិភាគភាពខុសប្លែកគ្នា។ សម្រាប់ទំហំគំរូនៃ n ភាពខុសគ្នានៃគំរូត្រូវបានគណនាជាផលបូកនៃគម្លាតការ៉េពីមធ្យមគំរូដែលបែងចែកដោយ n-1 (ទំហំគំរូដកមួយ)។ ដូច្នេះ សម្រាប់ទំហំគំរូថេរ n វ៉ារ្យ៉ង់គឺជាមុខងារនៃផលបូកនៃការ៉េ (គម្លាត) ដែលតំណាងឱ្យភាពខ្លី។ អេស(ពីភាសាអង់គ្លេស Sum of Squares - Sum of Squares)។ ការវិភាគនៃភាពខុសគ្នាគឺផ្អែកលើការបែងចែក (ឬបំបែក) នៃការប្រែប្រួលទៅជាផ្នែក។ ពិចារណាសំណុំទិន្នន័យខាងក្រោម៖ មធ្យោបាយនៃក្រុមទាំងពីរគឺខុសគ្នាយ៉ាងខ្លាំង (2 និង 6 រៀងគ្នា) ។ ផលបូកនៃគម្លាតការ៉េ ខាងក្នុងនៃក្រុមនីមួយៗគឺ 2. បន្ថែមពួកវាជាមួយគ្នាយើងទទួលបាន 4. ប្រសិនបើឥឡូវនេះយើងធ្វើការគណនាទាំងនេះម្តងទៀត ដោយមិនរាប់បញ្ចូលសមាជិកភាពក្រុម នោះគឺប្រសិនបើយើងគណនា អេសដោយផ្អែកលើមធ្យមភាគរួមនៃគំរូទាំងពីរ យើងទទួលបាន 28។ ម្យ៉ាងវិញទៀត វ៉ារ្យ៉ង់ (ផលបូកនៃការ៉េ) ដោយផ្អែកលើភាពប្រែប្រួលក្នុងក្រុម ផ្តល់លទ្ធផលជាតម្លៃតូចជាងពេលដែលគណនាដោយផ្អែកលើភាពប្រែប្រួលសរុប (ទាក់ទងទៅនឹងភាពប្រែប្រួលសរុប។ មធ្យម)។ ហេតុផលសម្រាប់នេះគឺច្បាស់ជាភាពខុសគ្នាដ៏សំខាន់រវាងមធ្យោបាយ ហើយភាពខុសគ្នារវាងមធ្យោបាយនេះពន្យល់ពីភាពខុសគ្នាដែលមានស្រាប់រវាងផលបូកនៃការ៉េ។ ជាការពិតប្រសិនបើយើងប្រើម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាលទ្ធផលខាងក្រោមនឹងទទួលបាន៖ ដូចដែលអាចមើលឃើញពីតារាងផលបូកសរុបនៃការ៉េ អេស=28 ចែកជាផលបូកនៃការ៉េដោយសារ អន្តរក្រុមភាពប្រែប្រួល ( 2+2=4
; សូមមើលជួរទីពីរនៃតារាង) និងផលបូកនៃការ៉េដោយសារភាពខុសគ្នានៃតម្លៃមធ្យម។ (28-(2+2)=24; សូមមើលជួរទីមួយនៃតារាង)។ អេស
កំហុសនិងអេស
ឥទ្ធិពល។ភាពប្រែប្រួលក្នុងក្រុម ( អេស) ជាធម្មតាត្រូវបានគេហៅថា ភាពខុសគ្នា កំហុស។នេះមានន័យថា ជាធម្មតាវាមិនអាចទស្សន៍ទាយ ឬពន្យល់បានទេ នៅពេលដែលការពិសោធន៍ត្រូវបានអនុវត្ត។ នៅម្ខាងទៀត, អេស ឥទ្ធិពល(ឬភាពប្រែប្រួលរវាងក្រុម) អាចត្រូវបានពន្យល់ដោយភាពខុសគ្នារវាងមធ្យោបាយនៅក្នុងក្រុមដែលបានសិក្សា។ នៅក្នុងពាក្យផ្សេងទៀត, ជាកម្មសិទ្ធិរបស់ក្រុមជាក់លាក់មួយ។ ពន្យល់ភាពប្រែប្រួលនៃក្រុម ពីព្រោះ យើងដឹងថាក្រុមទាំងនេះមានមធ្យោបាយផ្សេងៗគ្នា។ ពិនិត្យសារៈសំខាន់។គំនិតចម្បងនៃការធ្វើតេស្តសម្រាប់សារៈសំខាន់ស្ថិតិត្រូវបានពិភាក្សានៅក្នុងជំពូក គំនិតបឋមនៃស្ថិតិ(ជំពូកទី 8) ។ ជំពូកដូចគ្នានេះពន្យល់ពីមូលហេតុដែលការធ្វើតេស្តជាច្រើនប្រើសមាមាត្រនៃភាពខុសគ្នាដែលបានពន្យល់ និងមិនអាចពន្យល់បាន។ ឧទាហរណ៏នៃការប្រើប្រាស់នេះគឺការវិភាគនៃការប្រែប្រួលខ្លួនវាផ្ទាល់។ ការធ្វើតេស្តសារៈសំខាន់នៅក្នុង ANOVA គឺផ្អែកលើការប្រៀបធៀបភាពខុសគ្នាដោយសារការប្រែប្រួលរវាងក្រុម (ហៅថា ឥទ្ធិពលការ៉េមធ្យមឬ MSឥទ្ធិពល)
និងការបែកខ្ញែកដោយសារតែការរីករាលដាលនៅក្នុងក្រុម (ហៅថា កំហុសការ៉េមធ្យមឬ MSកំហុស) ប្រសិនបើសម្មតិកម្មគ្មានន័យគឺពិត (សមភាពនៃមធ្យោបាយនៅក្នុងចំនួនប្រជាជនទាំងពីរ) នោះយើងអាចរំពឹងថានឹងមានភាពខុសគ្នាតិចតួចនៅក្នុងគំរូមធ្យោបាយដោយសារតែភាពប្រែប្រួលចៃដន្យ។ ដូច្នេះ នៅក្រោមសម្មតិកម្មគ្មានន័យ ភាពខុសប្លែកគ្នាក្នុងក្រុមនឹងអនុវត្តស្របគ្នាជាមួយនឹងការប្រែប្រួលសរុបដែលបានគណនាដោយមិនគិតពីសមាជិកភាពក្រុម។ ភាពខុសប្លែកគ្នាក្នុងក្រុមជាលទ្ធផលអាចប្រៀបធៀបបានដោយប្រើ ច-
តេស្តដែលពិនិត្យមើលថាតើសមាមាត្រនៃវ៉ារ្យ៉ង់គឺធំជាង 1 ។ ក្នុងឧទាហរណ៍ខាងលើ ច-
ការធ្វើតេស្តបង្ហាញថាភាពខុសគ្នារវាងមធ្យោបាយគឺមានសារៈសំខាន់ជាស្ថិតិ។ តក្កវិជ្ជាមូលដ្ឋាននៃ ANOVA ។សរុបមក យើងអាចនិយាយបានថា គោលបំណងនៃការវិភាគនៃការប្រែប្រួលគឺដើម្បីសាកល្បងសារៈសំខាន់ស្ថិតិនៃភាពខុសគ្នារវាងមធ្យោបាយ (សម្រាប់ក្រុម ឬអថេរ)។ ការត្រួតពិនិត្យនេះត្រូវបានអនុវត្តដោយប្រើការវិភាគនៃការប្រែប្រួល, i.e. ដោយការបំបែកបំរែបំរួលសរុប (បំរែបំរួល) ទៅជាផ្នែក ដែលមួយក្នុងចំនោមនោះបណ្តាលមកពីកំហុសចៃដន្យ (នោះគឺភាពប្រែប្រួលក្នុងក្រុម) ហើយទីពីរត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងភាពខុសគ្នានៃតម្លៃមធ្យម។ សមាសធាតុចុងក្រោយនៃវ៉ារ្យង់ត្រូវបានប្រើដើម្បីវិភាគសារៈសំខាន់ស្ថិតិនៃភាពខុសគ្នារវាងមធ្យោបាយ។ ប្រសិនបើភាពខុសគ្នានេះមានសារៈសំខាន់ សម្មតិកម្មគ្មានន័យត្រូវបានច្រានចោល ហើយសម្មតិកម្មជំនួសដែលថាមានភាពខុសគ្នារវាងមធ្យោបាយត្រូវបានទទួលយក។ អថេរអាស្រ័យ និងឯករាជ្យ។អថេរដែលតម្លៃត្រូវបានកំណត់ដោយការវាស់វែងក្នុងអំឡុងពេលពិសោធន៍ (ឧទាហរណ៍ ពិន្ទុដែលបានដាក់លើការធ្វើតេស្ត) ត្រូវបានហៅថា ពឹងផ្អែកអថេរ។ អថេរដែលអាចត្រូវបានរៀបចំក្នុងការពិសោធន៍ (ឧទាហរណ៍ វិធីសាស្ត្របណ្តុះបណ្តាល ឬលក្ខណៈវិនិច្ឆ័យផ្សេងទៀតដែលអនុញ្ញាតឱ្យអ្នកបែងចែកការសង្កេតជាក្រុម) ត្រូវបានហៅថា កត្តាឬ ឯករាជ្យអថេរ។ គំនិតទាំងនេះត្រូវបានពិពណ៌នាលម្អិតបន្ថែមទៀតនៅក្នុងជំពូក គំនិតបឋមនៃស្ថិតិ(ជំពូកទី 8) ។ នៅក្នុងឧទាហរណ៍ដ៏សាមញ្ញខាងលើ អ្នកអាចគណនាបានភ្លាមៗនូវគំរូ t-test ឯករាជ្យដោយប្រើជម្រើសម៉ូឌុលដែលសមស្រប តារាងនិងស្ថិតិមូលដ្ឋាន។លទ្ធផលដែលទទួលបាន ពិតណាស់ស្របគ្នានឹងលទ្ធផលនៃការវិភាគនៃភាពប្រែប្រួល។ ទោះជាយ៉ាងណាក៏ដោយ ការវិភាគនៃភាពខុសគ្នាមានឧបករណ៍បច្ចេកទេសដែលអាចបត់បែនបាន និងមានឥទ្ធិពល ដែលអាចត្រូវបានប្រើសម្រាប់ការសិក្សាដែលស្មុគស្មាញជាងនេះ។ កត្តាជាច្រើន។ពិភពលោកគឺពិតជាស្មុគស្មាញ និងពហុវិមាត្រ។ ស្ថានភាពដែលបាតុភូតមួយចំនួនត្រូវបានពិពណ៌នាទាំងស្រុងដោយអថេរមួយគឺកម្រណាស់។ ជាឧទាហរណ៍ ប្រសិនបើយើងកំពុងព្យាយាមរៀនពីរបៀបដាំប៉េងប៉ោះធំ យើងគួរពិចារណាលើកត្តាដែលទាក់ទងនឹងរចនាសម្ព័ន្ធហ្សែនរបស់រុក្ខជាតិ ប្រភេទដី ពន្លឺ សីតុណ្ហភាព។ល។ ដូច្នេះនៅពេលធ្វើការពិសោធន៍ធម្មតា អ្នកត្រូវតែដោះស្រាយជាមួយនឹងកត្តាមួយចំនួនធំ។ មូលហេតុចម្បងដែលការប្រើប្រាស់ ANOVA គឺល្អសម្រាប់ការប្រៀបធៀបម្តងហើយម្តងទៀតនៃគំរូពីរនៅកម្រិតផ្សេងគ្នានៃកត្តាដោយប្រើ t-
លក្ខណៈវិនិច្ឆ័យគឺថាការវិភាគនៃភាពខុសគ្នាគឺច្រើនជាង មានប្រសិទ្ធភាពនិងសម្រាប់គំរូតូច ផ្តល់ព័ត៌មានបន្ថែម។ ការគ្រប់គ្រងកត្តា។ចូរសន្មតថានៅក្នុងឧទាហរណ៍នៃការវិភាគគំរូពីរដែលបានពិភាក្សាខាងលើយើងបន្ថែមកត្តាមួយបន្ថែមទៀតឧទាហរណ៍។ ជាន់- ភេទ. អនុញ្ញាតឱ្យក្រុមនីមួយៗមានបុរស 3 នាក់និងស្ត្រី 3 នាក់។ ការរចនានៃការពិសោធន៍នេះអាចត្រូវបានបង្ហាញជាទម្រង់តារាង 2 គុណ 2៖ មុនពេលធ្វើការគណនា អ្នកអាចមើលឃើញថានៅក្នុងឧទាហរណ៍នេះ ភាពខុសគ្នាសរុបមានយ៉ាងហោចណាស់ប្រភពបី៖ (1) កំហុសចៃដន្យ (នៅក្នុងភាពខុសគ្នានៃក្រុម), (2) ភាពប្រែប្រួលដែលទាក់ទងនឹងសមាជិកភាពនៅក្នុងក្រុមពិសោធន៍ និង (3) ភាពប្រែប្រួលដោយសារភេទនៃវត្ថុដែលបានសង្កេត។ (ចំណាំថាមានប្រភពនៃភាពប្រែប្រួលផ្សេងទៀត - អន្តរកម្មនៃកត្តាដែលយើងនឹងពិភាក្សានៅពេលក្រោយ)។ តើមានអ្វីកើតឡើងប្រសិនបើយើងមិនរួមបញ្ចូល ជាន់ –ភេទជាកត្តាក្នុងការវិភាគ និងគណនាធម្មតា។ t- លក្ខណៈវិនិច្ឆ័យ? ប្រសិនបើយើងគណនាផលបូកនៃការ៉េដោយមិនអើពើ ជាន់ -ភេទ(ឧ. រួមបញ្ចូលគ្នានូវវត្ថុនៃភេទផ្សេងគ្នាទៅក្នុងក្រុមមួយ នៅពេលគណនាភាពខុសគ្នាក្នុងក្រុម ខណៈពេលដែលទទួលបានផលបូកនៃការ៉េសម្រាប់ក្រុមនីមួយៗស្មើនឹង អេស=10 និងផលបូកសរុបនៃការេ អេស= 10+10 = 20) បន្ទាប់មកយើងទទួលបានតម្លៃធំនៃការបែកខ្ញែកក្នុងក្រុមជាជាងការវិភាគដែលត្រឹមត្រូវជាងជាមួយនឹងការបែងចែកបន្ថែមទៅជាក្រុមរងដោយយោងតាម ពាក់កណ្តាល ភេទ(ក្នុងករណីនេះ មធ្យោបាយក្នុងក្រុមនឹងស្មើនឹង 2 ហើយផលបូកសរុបនៃក្រុមការេនឹងស្មើនឹង អេស =
2+2+2+2=8)។ ភាពខុសគ្នានេះគឺដោយសារតែការពិតដែលថាតម្លៃមធ្យមសម្រាប់ បុរស - បុរសតិចជាងមធ្យមសម្រាប់ ស្ត្រី -ស្ត្រីហើយភាពខុសគ្នានៃមធ្យោបាយនេះបង្កើនភាពប្រែប្រួលសរុបនៅក្នុងក្រុម ប្រសិនបើការរួមភេទមិនត្រូវបានគេយកមកពិចារណា។ ការគ្រប់គ្រងភាពប្រែប្រួលនៃកំហុសបង្កើនភាពប្រែប្រួល (ថាមពល) នៃការធ្វើតេស្ត។ ឧទាហរណ៍នេះបង្ហាញពីអត្ថប្រយោជន៍មួយទៀតនៃការវិភាគនៃភាពខុសប្លែកគ្នាជាងការវិភាគធម្មតា។ t- លក្ខណៈវិនិច្ឆ័យសម្រាប់គំរូពីរ។ ការវិភាគនៃភាពប្រែប្រួលអនុញ្ញាតឱ្យអ្នកសិក្សាកត្តានីមួយៗដោយគ្រប់គ្រងតម្លៃនៃកត្តាផ្សេងទៀត។ នេះជាការពិត មូលហេតុចម្បងសម្រាប់អំណាចស្ថិតិកាន់តែធំរបស់វា (ទំហំគំរូតូចជាងត្រូវបានទាមទារដើម្បីទទួលបានលទ្ធផលដ៏មានអត្ថន័យ)។ សម្រាប់ហេតុផលនេះ ការវិភាគនៃភាពខុសប្លែកគ្នា សូម្បីតែលើគំរូតូចក៏ដោយ ផ្តល់លទ្ធផលជាស្ថិតិច្រើនជាងគំរូសាមញ្ញ។ t-
លក្ខណៈវិនិច្ឆ័យ។ មានអត្ថប្រយោជន៍មួយទៀតនៃការប្រើប្រាស់ ANOVA ជាងការវិភាគធម្មតា។ t-
លក្ខណៈវិនិច្ឆ័យ៖ ការវិភាគនៃភាពខុសគ្នាអនុញ្ញាតឱ្យអ្នករកឃើញ អន្តរកម្មរវាងកត្តាហើយដូច្នេះអនុញ្ញាតឱ្យគំរូស្មុគស្មាញបន្ថែមទៀតត្រូវបានសិក្សា។ ដើម្បីជាឧទាហរណ៍ សូមពិចារណាឧទាហរណ៍មួយទៀត។ ឥទ្ធិពលចម្បង អន្តរកម្មជាគូ (កត្តាពីរ) ។ចូរយើងសន្មត់ថាមានសិស្សពីរក្រុម ហើយខាងផ្លូវចិត្ត សិស្សនៃក្រុមទី 1 ត្រូវបានគេយកចិត្តទុកដាក់ក្នុងការបំពេញកិច្ចការដែលបានកំណត់ ហើយមានគោលបំណងច្រើនជាងសិស្សនៃក្រុមទីពីរដែលមានសិស្សខ្ជិលទៅទៀត។ ចូរបែងចែកក្រុមនីមួយៗដោយចៃដន្យជាពាក់កណ្តាល ហើយផ្តល់ឱ្យពាក់កណ្តាលនៃក្រុមនីមួយៗនូវកិច្ចការដ៏លំបាក ហើយមួយទៀតគឺងាយស្រួល។ បន្ទាប់មក យើងវាស់ស្ទង់ពីរបៀបដែលសិស្សខិតខំប្រឹងប្រែងលើកិច្ចការទាំងនេះ។ មធ្យមភាគសម្រាប់ការសិក្សានេះ (ប្រឌិត) ត្រូវបានបង្ហាញក្នុងតារាង៖ តើការសន្និដ្ឋានអ្វីខ្លះអាចទាញចេញពីលទ្ធផលទាំងនេះ? តើវាអាចទៅរួចទេក្នុងការសន្និដ្ឋានថា: (1) សិស្សខិតខំប្រឹងប្រែងលើកិច្ចការដ៏លំបាកមួយ; (២) តើសិស្សដែលមានការលើកទឹកចិត្តធ្វើការខ្លាំងជាងអ្នកខ្ជិលឬ? គ្មានសេចក្តីថ្លែងការណ៍ទាំងនេះឆ្លុះបញ្ចាំងពីខ្លឹមសារនៃលក្ខណៈជាប្រព័ន្ធនៃមធ្យមភាគដែលបានផ្តល់ឱ្យក្នុងតារាងនោះទេ។ ការវិភាគលទ្ធផល វានឹងជាការត្រឹមត្រូវជាងក្នុងការនិយាយថា មានតែសិស្សដែលជំរុញចិត្ត ប្រឹងប្រែងធ្វើការងារស្មុគស្មាញ ខណៈពេលដែលសិស្សខ្ជិល ប្រឹងប្រែងជាងលើកិច្ចការងាយស្រួល។ ម្យ៉ាងវិញទៀត លក្ខណៈរបស់សិស្ស និងភាពស្មុគស្មាញនៃកិច្ចការ អន្តរកម្មគ្នាទៅវិញទៅមកប៉ះពាល់ដល់ចំនួននៃកិច្ចខិតខំប្រឹងប្រែងដែលត្រូវការ។ នោះជាឧទាហរណ៍មួយ។ អន្តរកម្មជាគូរវាងធម្មជាតិរបស់សិស្ស និងភាពស្មុគស្មាញនៃកិច្ចការ។ សូមចំណាំថា សេចក្តីថ្លែងការទី 1 និងទី 2 ពិពណ៌នា ផលប៉ះពាល់ចម្បង. អន្តរកម្មនៃការបញ្ជាទិញខ្ពស់។ខណៈពេលដែលអន្តរកម្មជាគូមានភាពងាយស្រួលក្នុងការពន្យល់ អន្តរកម្មលំដាប់ខ្ពស់គឺពិបាកពន្យល់ជាង។ ចូរយើងស្រមៃថានៅក្នុងឧទាហរណ៍ដែលបានពិចារណាខាងលើ កត្តាមួយទៀតត្រូវបានណែនាំ ជាន់ -ភេទហើយយើងទទួលបានតារាងមធ្យមភាគខាងក្រោម៖ តើការសន្និដ្ឋានអ្វីខ្លះអាចទាញយកពីលទ្ធផលដែលទទួលបាន? Mean plots ធ្វើឱ្យវាងាយស្រួលក្នុងការបកស្រាយផលប៉ះពាល់ស្មុគស្មាញ។ ការវិភាគនៃម៉ូឌុលបំរែបំរួលអនុញ្ញាតឱ្យអ្នកបង្កើតក្រាហ្វទាំងនេះដោយចុចតែម្តង។ រូបភាពក្នុងក្រាហ្វខាងក្រោមតំណាងឱ្យអន្តរកម្មបីផ្លូវដែលកំពុងសិក្សា។ ក្រឡេកមើលក្រាហ្វ យើងអាចប្រាប់បានថា មានអន្តរកម្មរវាងធម្មជាតិ និងការលំបាកនៃការធ្វើតេស្តសម្រាប់ស្ត្រី៖ ស្ត្រីដែលជំរុញទឹកចិត្តខិតខំធ្វើការលើកិច្ចការដ៏លំបាកជាងកិច្ចការដែលងាយស្រួល។ ចំពោះបុរស, អន្តរកម្មដូចគ្នាគឺបញ្ច្រាស។ វាអាចត្រូវបានគេមើលឃើញថាការពិពណ៌នាអំពីអន្តរកម្មរវាងកត្តាកាន់តែមានភាពច្របូកច្របល់។ វិធីទូទៅនៃការពិពណ៌នាអន្តរកម្ម។ក្នុងករណីទូទៅ អន្តរកម្មរវាងកត្តាត្រូវបានពិពណ៌នាថាជាការផ្លាស់ប្តូរក្នុងឥទ្ធិពលមួយក្រោមឥទ្ធិពលរបស់កត្តាមួយទៀត។ នៅក្នុងឧទាហរណ៍ដែលបានពិភាក្សាខាងលើ អន្តរកម្មកត្តាពីរអាចត្រូវបានពិពណ៌នាថាជាការផ្លាស់ប្តូរឥទ្ធិពលចម្បងនៃកត្តាកំណត់លក្ខណៈនៃភាពស្មុគស្មាញនៃកិច្ចការ ក្រោមឥទ្ធិពលនៃកត្តាដែលពិពណ៌នាអំពីចរិតលក្ខណៈរបស់សិស្ស។ ចំពោះអន្តរកម្មនៃកត្តាទាំងបីពីកថាខណ្ឌមុន យើងអាចនិយាយបានថា អន្តរកម្មនៃកត្តាពីរ (ភាពស្មុគស្មាញនៃកិច្ចការ និងចរិតលក្ខណៈរបស់សិស្ស) ផ្លាស់ប្តូរនៅក្រោមឥទ្ធិពលនៃ ភេទ – ភេទ.
ប្រសិនបើអន្តរកម្មនៃកត្តាទាំងបួនត្រូវបានសិក្សា យើងអាចនិយាយបានថា អន្តរកម្មនៃកត្តាបីផ្លាស់ប្តូរនៅក្រោមឥទ្ធិពលនៃកត្តាទី 4 ពោលគឺឧ។ មានប្រភេទផ្សេងគ្នានៃអន្តរកម្មនៅកម្រិតផ្សេងគ្នានៃកត្តាទីបួន។ វាបានប្រែក្លាយថានៅក្នុងផ្នែកជាច្រើន អន្តរកម្មនៃកត្តាប្រាំ ឬសូម្បីតែច្រើនគឺមិនធម្មតាទេ។ នៅពេលប្រៀបធៀបក្រុមពីរផ្សេងគ្នា ជាធម្មតាមួយប្រើ t-
លក្ខណៈវិនិច្ឆ័យសម្រាប់គំរូឯករាជ្យ (ពីម៉ូឌុល តារាង និងស្ថិតិមូលដ្ឋាន) នៅពេលដែលអថេរពីរត្រូវបានប្រៀបធៀបនៅលើសំណុំវត្ថុដូចគ្នា (ការសង្កេត) វាត្រូវបានគេប្រើ t- លក្ខណៈវិនិច្ឆ័យសម្រាប់គំរូអាស្រ័យ។ សម្រាប់ការវិភាគនៃភាពខុសប្លែកគ្នា វាក៏សំខាន់ផងដែរថាតើគំរូអាស្រ័យឬអត់។ ប្រសិនបើមានការវាស់វែងម្តងហើយម្តងទៀតនៃអថេរដូចគ្នា (នៅក្រោមលក្ខខណ្ឌផ្សេងគ្នាឬនៅពេលផ្សេងគ្នា) សម្រាប់វត្ថុដូចគ្នា។បន្ទាប់មកពួកគេនិយាយអំពីវត្តមាន កត្តាវិធានការម្តងហើយម្តងទៀត(ហៅផងដែរថា កត្តាក្នុងក្រុមដោយសារផលបូកក្នុងក្រុមនៃការ៉េត្រូវបានគណនាដើម្បីវាយតម្លៃសារៈសំខាន់របស់វា)។ ប្រសិនបើក្រុមផ្សេងគ្នានៃវត្ថុត្រូវបានប្រៀបធៀប (ឧទាហរណ៍បុរស និងស្ត្រី បាក់តេរីបីប្រភេទ។ល។) នោះភាពខុសគ្នារវាងក្រុមត្រូវបានពិពណ៌នា។ កត្តាអន្តរក្រុម។វិធីសាស្រ្តសម្រាប់ការគណនាលក្ខណៈវិនិច្ឆ័យសារៈសំខាន់សម្រាប់កត្តាពីរប្រភេទដែលបានពិពណ៌នាគឺខុសគ្នា ប៉ុន្តែតក្កវិជ្ជាទូទៅ និងការបកស្រាយគឺដូចគ្នា។ ផែនការអន្តរក្រុម។ក្នុងករណីជាច្រើន ការពិសោធន៍តម្រូវឱ្យមានការបញ្ចូលទាំងកត្តារវាងក្រុម និងកត្តាវាស់វែងម្តងហើយម្តងទៀតនៅក្នុងការរចនា។ ឧទាហរណ៍ ជំនាញគណិតវិទ្យារបស់សិស្សស្រី និងបុរសត្រូវបានវាស់វែង (កន្លែងណា ជាន់ -ភេទ-intergroup factor) នៅដើម និងចុងឆមាស។ វិមាត្រពីរនៃជំនាញរបស់សិស្សនីមួយៗបង្កើតបានជាកត្តាក្នុងក្រុម (កត្តាវិធានការម្តងហើយម្តងទៀត)។ ការបកស្រាយពីផលប៉ះពាល់សំខាន់ៗ និងអន្តរកម្មសម្រាប់កត្តារង្វាស់រវាងក្រុម និងម្តងហើយម្តងទៀតគឺដូចគ្នា ហើយកត្តាទាំងពីរប្រភេទអាចទាក់ទងគ្នាទៅវិញទៅមកយ៉ាងជាក់ស្តែង (ឧទាហរណ៍ ស្ត្រីទទួលបានជំនាញក្នុងអំឡុងពេលឆមាស ហើយបុរសចាញ់ពួកគេ)។ ក្នុងករណីជាច្រើន ឥទ្ធិពលអន្តរកម្មអាចត្រូវបានគេមិនយកចិត្តទុកដាក់។ វាកើតឡើងនៅពេលដែលគេដឹងថាមិនមានឥទ្ធិពលអន្តរកម្មនៅក្នុងចំនួនប្រជាជន ឬនៅពេលដែលការអនុវត្តពេញលេញ រោងចក្រផែនការគឺមិនអាចទៅរួចទេ។ ជាឧទាហរណ៍ ឥទ្ធិពលនៃសារធាតុបន្ថែមប្រេងចំនួន 4 លើការប្រើប្រាស់ប្រេងឥន្ធនៈកំពុងត្រូវបានសិក្សា។ រថយន្តចំនួន 4 និងអ្នកបើកបរចំនួន 4 ត្រូវបានជ្រើសរើស។ ពេញ រោងចក្រការពិសោធន៍តម្រូវឱ្យមានការបញ្ចូលគ្នានីមួយៗ៖ អាហារបំប៉ន អ្នកបើកបរ រថយន្ត លេចឡើងយ៉ាងហោចណាស់ម្តង។ នេះទាមទារយ៉ាងហោចណាស់ 4 x 4 x 4 = 64 ក្រុមសាកល្បង ដែលចំណាយពេលច្រើនពេក។ លើសពីនេះទៀត ស្ទើរតែមិនមានអន្តរកម្មរវាងអ្នកបើកបរ និងសារធាតុបន្ថែមប្រេងទេ។ ជាមួយនឹងគំនិតនេះ អ្នកអាចប្រើផែនការ ការ៉េឡាតាំង,ដែលមានតែ 16 ក្រុមនៃការធ្វើតេស្ត (សារធាតុបន្ថែមចំនួន 4 ត្រូវបានកំណត់ដោយអក្សរ A, B, C និង D): ការ៉េឡាតាំងត្រូវបានពិពណ៌នានៅក្នុងសៀវភៅរចនាពិសោធន៍ភាគច្រើន (ឧទាហរណ៍ Hays, 1988; Lindman, 1974; Milliken and Johnson, 1984; Winer, 1962) ហើយនឹងមិនត្រូវបានពិភាក្សាលម្អិតនៅទីនេះទេ។ ចំណាំថាការ៉េឡាតាំងគឺ ទេ។នពេញផែនការដែលមិនរួមបញ្ចូលបន្សំទាំងអស់នៃកម្រិតកត្តា។ ឧទាហរណ៍ អ្នកបើកបរ 1 បើកឡាន 1 ជាមួយសារធាតុបន្ថែម A តែប៉ុណ្ណោះ អ្នកបើកបរ 3 បើកបររថយន្ត 1 ជាមួយនឹងការបន្ថែម C តែប៉ុណ្ណោះ។ កម្រិតកត្តា សារធាតុបន្ថែម ( A, B, C និង D) សំបុកនៅក្នុងក្រឡាតារាង រថយន្ត x អ្នកបើកបរ -ដូចជាស៊ុតនៅក្នុងសំបុក។ ច្បាប់ mnemonic នេះមានប្រយោជន៍សម្រាប់ការយល់ដឹងពីធម្មជាតិ សំបុកឬសំបុកផែនការ។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាផ្តល់នូវវិធីសាមញ្ញក្នុងការវិភាគផែនការនៃប្រភេទនេះ។ នៅក្នុងជំពូក គំនិតសំខាន់ៗគំនិតនៃកត្តាត្រួតពិនិត្យត្រូវបានពិភាក្សាយ៉ាងខ្លី និងរបៀបដែលការដាក់បញ្ចូលកត្តាបន្ថែមអាចកាត់បន្ថយផលបូកនៃកំហុសការ៉េ និងបង្កើនថាមពលស្ថិតិនៃការរចនា។ ទាំងអស់នេះអាចត្រូវបានពង្រីកទៅអថេរជាមួយនឹងសំណុំបន្តនៃតម្លៃ។ នៅពេលដែលអថេរបន្តបែបនេះត្រូវបានរួមបញ្ចូលជាកត្តានៅក្នុងការរចនា ពួកគេត្រូវបានហៅ covariates. ឧបមាថាយើងកំពុងប្រៀបធៀបជំនាញគណិតវិទ្យារបស់សិស្សពីរក្រុមដែលត្រូវបានបង្រៀនពីសៀវភៅសិក្សាពីរផ្សេងគ្នា។ ឧបមាថា យើងមានទិន្នន័យបញ្ញា (IQ) សម្រាប់សិស្សម្នាក់ៗ។ យើងអាចសន្មត់ថា IQ គឺទាក់ទងទៅនឹងជំនាញគណិតវិទ្យា ហើយប្រើប្រាស់ព័ត៌មាននេះ។ សម្រាប់សិស្សនីមួយៗនៃក្រុមទាំងពីរ មេគុណទំនាក់ទំនងរវាង IQ និងជំនាញគណិតវិទ្យាអាចត្រូវបានគណនា។ ដោយប្រើមេគុណទំនាក់ទំនងនេះ គេអាចបែងចែករវាងចំណែកនៃភាពខុសគ្នានៅក្នុងក្រុមដែលពន្យល់ដោយឥទ្ធិពលនៃ IQ និងចំណែកដែលមិនអាចពន្យល់បាននៃការប្រែប្រួល (សូមមើលផងដែរ គំនិតបឋមនៃស្ថិតិ(ជំពូកទី 8) និង តារាង និងស្ថិតិមូលដ្ឋាន(ជំពូកទី 9)) ។ ប្រភាគដែលនៅសល់នៃបំរែបំរួលគឺត្រូវបានប្រើប្រាស់ក្នុងការវិភាគជាភាពខុសគ្នានៃកំហុស។ ប្រសិនបើមានការជាប់ទាក់ទងគ្នារវាង IQ និងជំនាញគណិតវិទ្យា នោះភាពខុសគ្នានៃកំហុសអាចត្រូវបានកាត់បន្ថយយ៉ាងខ្លាំង។ អេស/(ន-1)
. ឥទ្ធិពលនៃ covariates នៅលើF-
លក្ខណៈវិនិច្ឆ័យ។ F-លក្ខណៈវិនិច្ឆ័យវាយតម្លៃពីសារៈសំខាន់ស្ថិតិនៃភាពខុសគ្នារវាងតម្លៃមធ្យមក្នុងក្រុម ខណៈដែលសមាមាត្រនៃភាពខុសគ្នារវាងក្រុមត្រូវបានគណនា ( MSឥទ្ធិពល) ទៅនឹងភាពខុសគ្នានៃកំហុស ( MSកំហុស)
. ប្រសិនបើ ក MSកំហុសការថយចុះឧទាហរណ៍នៅពេលយកទៅក្នុងគណនីកត្តា IQ តម្លៃ ចកើនឡើង។ covariates ជាច្រើន។ហេតុផលដែលបានប្រើខាងលើសម្រាប់ covariate តែមួយ (IQ) ងាយស្រួលពង្រីកទៅ covariate ច្រើន។ ឧទាហរណ៍ បន្ថែមពីលើ IQ អ្នកអាចរួមបញ្ចូលការវាស់វែងនៃការលើកទឹកចិត្ត ការគិតតាមលំហ។ល។ ជំនួសឱ្យមេគុណជាប់ទាក់ទងធម្មតា មេគុណជាប់ទាក់ទងច្រើនត្រូវបានប្រើ។ នៅពេលដែលតម្លៃច
- លក្ខណៈវិនិច្ឆ័យមានការថយចុះ។ជួនកាលការបញ្ចូល covariates ទៅក្នុងការរចនាពិសោធន៍កាត់បន្ថយតម្លៃ ច- លក្ខណៈវិនិច្ឆ័យ .
នេះជាធម្មតាបង្ហាញថា covariates ត្រូវបានទាក់ទងមិនត្រឹមតែជាមួយអថេរអាស្រ័យ (ដូចជាជំនាញគណិតវិទ្យា) ប៉ុន្តែក៏មានកត្តា (ដូចជាសៀវភៅសិក្សាផ្សេងៗ) ផងដែរ។ សន្មត់ថា IQ ត្រូវបានវាស់នៅចុងបញ្ចប់នៃឆមាស បន្ទាប់ពីសិស្សពីរក្រុមបានចំណាយពេលជិតមួយឆ្នាំសិក្សាសៀវភៅពីរផ្សេងគ្នា។ ទោះបីជាសិស្សត្រូវបានបែងចែកទៅជាក្រុមដោយចៃដន្យក៏ដោយ វាអាចបង្ហាញថាភាពខុសគ្នានៅក្នុងសៀវភៅសិក្សាគឺអស្ចារ្យណាស់ដែលទាំង IQ និងជំនាញគណិតវិទ្យានៅក្នុងក្រុមផ្សេងគ្នានឹងប្រែប្រួលយ៉ាងខ្លាំង។ ក្នុងករណីនេះ covariates មិនត្រឹមតែកាត់បន្ថយភាពខុសឆ្គងនៃកំហុសប៉ុណ្ណោះទេ ប៉ុន្តែក៏មានភាពខុសគ្នារវាងក្រុមផងដែរ។ ម្យ៉ាងវិញទៀត បន្ទាប់ពីគ្រប់គ្រងភាពខុសគ្នានៃ IQ រវាងក្រុម ភាពខុសគ្នានៃជំនាញគណិតវិទ្យានឹងលែងសំខាន់ទៀតហើយ។ វាអាចត្រូវបាននិយាយបើមិនដូច្នេះទេ។ បន្ទាប់ពី "លុបបំបាត់" ឥទ្ធិពលនៃ IQ ឥទ្ធិពលនៃសៀវភៅសិក្សាលើការអភិវឌ្ឍន៍ជំនាញគណិតវិទ្យាត្រូវបានដកចេញដោយអចេតនា។ មធ្យមភាគដែលបានកែតម្រូវ។នៅពេលដែល covariate ប៉ះពាល់ដល់កត្តារវាងក្រុម អ្នកគួរតែគណនា មធ្យមភាគដែលបានកែតម្រូវ, i.e. មធ្យោបាយបែបនេះ ដែលទទួលបានបន្ទាប់ពីដកចេញការប៉ាន់ប្រមាណទាំងអស់នៃ covariates ។ អន្តរកម្មរវាង covariates និងកត្តា។ដូចគ្នានឹងអន្តរកម្មរវាងកត្តានានាត្រូវបានស្វែងយល់ អន្តរកម្មរវាងក្រុមនៃកត្តានានាអាចត្រូវបានស្វែងយល់។ ឧបមាថាសៀវភៅមួយក្នុងចំណោមសៀវភៅសិក្សាគឺស័ក្តិសមជាពិសេសសម្រាប់សិស្សឆ្លាត។ សៀវភៅទីពីរគឺគួរឱ្យធុញសម្រាប់សិស្សឆ្លាត ហើយសៀវភៅសិក្សាដូចគ្នាគឺពិបាកសម្រាប់សិស្សដែលមិនសូវឆ្លាត។ ជាលទ្ធផល មានទំនាក់ទំនងវិជ្ជមានរវាង IQ និងលទ្ធផលសិក្សានៅក្នុងក្រុមទីមួយ (សិស្សឆ្លាតជាង លទ្ធផលប្រសើរជាង) និងទំនាក់ទំនងអវិជ្ជមានសូន្យ ឬតិចតួចនៅក្នុងក្រុមទីពីរ (សិស្សកាន់តែឆ្លាត ទំនងជាតិចជាងក្នុងការទទួលបានជំនាញគណិតវិទ្យា។ ពីសៀវភៅសិក្សាទីពីរ) ។ នៅក្នុងការសិក្សាមួយចំនួន ស្ថានភាពនេះត្រូវបានពិភាក្សាជាឧទាហរណ៍នៃការរំលោភលើការសន្មត់នៃការវិភាគនៃភាពប្រែប្រួល។ ទោះជាយ៉ាងណាក៏ដោយ ដោយសារការវិភាគនៃម៉ូឌុលវ៉ារ្យង់ប្រើវិធីសាស្រ្តសាមញ្ញបំផុតនៃការវិភាគនៃភាពខុសគ្នា វាអាចទៅរួច ជាពិសេសដើម្បីវាយតម្លៃសារៈសំខាន់ស្ថិតិនៃអន្តរកម្មរវាងកត្តា និង covariance ។ ខណៈពេលដែល covariates ថេរត្រូវបានពិភាក្សាជាញឹកញាប់នៅក្នុងសៀវភៅសិក្សា, covariates អថេរត្រូវបានលើកឡើងតិចជាញឹកញាប់។ ជាធម្មតា នៅពេលធ្វើការពិសោធន៍ជាមួយនឹងការវាស់វែងម្តងហើយម្តងទៀត យើងចាប់អារម្មណ៍លើភាពខុសគ្នានៃការវាស់វែងនៃបរិមាណដូចគ្នានៅចំណុចផ្សេងៗគ្នាតាមពេលវេលា។ ពោលគឺយើងចាប់អារម្មណ៍លើសារៈសំខាន់នៃភាពខុសគ្នាទាំងនេះ។ ប្រសិនបើការវាស់វែង covariate ត្រូវបានអនុវត្តក្នុងពេលតែមួយជាមួយនឹងការវាស់វែងអថេរអាស្រ័យ ទំនាក់ទំនងរវាង covariate និងអថេរអាស្រ័យអាចត្រូវបានគណនា។ ជាឧទាហរណ៍ អ្នកអាចសិក្សាចំណាប់អារម្មណ៍លើមុខវិជ្ជាគណិតវិទ្យា និងជំនាញគណិតវិទ្យានៅដើម និងចុងឆមាស។ វាគួរឱ្យចាប់អារម្មណ៍ក្នុងការពិនិត្យមើលថាតើការផ្លាស់ប្តូរចំណាប់អារម្មណ៍លើគណិតវិទ្យាមានទំនាក់ទំនងនឹងការផ្លាស់ប្តូរជំនាញគណិតវិទ្យាដែរឬទេ។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាក្នុង ស្ថិតិវាយតម្លៃដោយស្វ័យប្រវត្តិនូវសារៈសំខាន់ស្ថិតិនៃការផ្លាស់ប្តូរនៅក្នុង covariates នៅក្នុងផែនការទាំងនោះ ដែលអាចធ្វើទៅបាន។ ឧទាហរណ៍ទាំងអស់ដែលបានពិចារណាពីមុនរួមបញ្ចូលតែអថេរអាស្រ័យមួយ។ នៅពេលដែលមានអថេរអាស្រ័យជាច្រើនក្នុងពេលតែមួយ មានតែភាពស្មុគស្មាញនៃការគណនាកើនឡើង ហើយខ្លឹមសារ និងគោលការណ៍ជាមូលដ្ឋានមិនផ្លាស់ប្តូរទេ។ ជាឧទាហរណ៍ ការសិក្សាមួយកំពុងត្រូវបានធ្វើឡើងលើសៀវភៅសិក្សាពីរផ្សេងគ្នា។ ទន្ទឹមនឹងនោះក៏បានសិក្សាពីជោគជ័យរបស់សិស្សក្នុងការសិក្សារូបវិទ្យា និងគណិតវិទ្យា។ ក្នុងករណីនេះ មានអថេរពឹងផ្អែកពីរ ហើយអ្នកត្រូវរកឱ្យឃើញពីរបៀបដែលសៀវភៅសិក្សាពីរផ្សេងគ្នាមានឥទ្ធិពលលើពួកវាក្នុងពេលដំណាលគ្នា។ ដើម្បីធ្វើដូចនេះអ្នកអាចប្រើការវិភាគពហុវ៉ារ្យង់នៃវ៉ារ្យង់ (MANOVA) ។ ជំនួសឱ្យវិមាត្រមួយ។ ចលក្ខណៈវិនិច្ឆ័យ, ពហុវិមាត្រ ចតេស្ត (Wilks l-test) ផ្អែកលើការប្រៀបធៀបនៃម៉ាទ្រីសនៃភាពខុសគ្នានៃកំហុស និងម៉ាទ្រីសនៃភាពខុសគ្នារវាងក្រុម។ ប្រសិនបើអថេរអាស្រ័យមានទំនាក់ទំនងគ្នាទៅវិញទៅមកនោះ ការជាប់ទាក់ទងគ្នានេះគួរត្រូវយកមកពិចារណានៅពេលគណនាការសាកល្បងសារៈសំខាន់។ ជាក់ស្តែងប្រសិនបើការវាស់វែងដូចគ្នាត្រូវបានធ្វើម្តងទៀតពីរដងនោះគ្មានអ្វីថ្មីអាចទទួលបានក្នុងករណីនេះទេ។ ប្រសិនបើវិមាត្រដែលជាប់ទាក់ទងជាមួយវាត្រូវបានបន្ថែមទៅវិមាត្រដែលមានស្រាប់ នោះព័ត៌មានថ្មីមួយចំនួនត្រូវបានទទួល ប៉ុន្តែអថេរថ្មីមានព័ត៌មានដែលមិនត្រូវគ្នា ដែលត្រូវបានឆ្លុះបញ្ចាំងនៅក្នុងភាពខុសគ្នារវាងអថេរ។ ការបកស្រាយលទ្ធផល។ប្រសិនបើលក្ខណៈវិនិច្ឆ័យពហុវ៉ារ្យង់ទាំងមូលមានសារៈសំខាន់ យើងអាចសន្និដ្ឋានថាឥទ្ធិពលដែលត្រូវគ្នា (ឧទាហរណ៍ប្រភេទសៀវភៅសិក្សា) គឺសំខាន់។ ទោះយ៉ាងណាក៏ដោយសំណួរខាងក្រោមកើតឡើង។ តើប្រភេទសៀវភៅសិក្សាមានឥទ្ធិពលលើការធ្វើឱ្យប្រសើរឡើងនូវតែជំនាញគណិតវិទ្យា ជំនាញរូបវន្ត ឬទាំងពីរនោះទេ? តាមការពិត បន្ទាប់ពីទទួលបានលក្ខណៈវិនិច្ឆ័យពហុវ៉ារ្យង់ដ៏មានអត្ថន័យ សម្រាប់ឥទ្ធិពលចម្បងតែមួយ ឬអន្តរកម្ម វិមាត្រមួយ ចលក្ខណៈវិនិច្ឆ័យ។ ម្យ៉ាងវិញទៀត អថេរអាស្រ័យដែលរួមចំណែកដល់សារៈសំខាន់នៃការធ្វើតេស្តពហុវ៉ារ្យង់ត្រូវបានពិនិត្យដោយឡែកពីគ្នា។ ប្រសិនបើជំនាញគណិតវិទ្យា និងរូបវន្តរបស់សិស្សត្រូវបានវាស់នៅដើមឆមាស និងនៅចុងបញ្ចប់ នោះគឺជាការវាស់វែងម្តងហើយម្តងទៀត។ ការសិក្សាអំពីលក្ខណៈវិនិច្ឆ័យនៃសារៈសំខាន់នៅក្នុងផែនការបែបនេះគឺជាការអភិវឌ្ឍន៍ឡូជីខលនៃករណីមួយវិមាត្រ។ ចំណាំថាវិធីសាស្ត្រ ANOVA ច្រើនបំរែបំរួលក៏ត្រូវបានគេប្រើជាទូទៅដើម្បីស៊ើបអង្កេតពីសារៈសំខាន់នៃកត្តាវាស់វែងម្តងហើយម្តងទៀតដែលមានលើសពីពីរកម្រិត។ កម្មវិធីដែលត្រូវគ្នានឹងត្រូវបានពិភាក្សានៅពេលក្រោយនៅក្នុងផ្នែកនេះ។ សូម្បីតែអ្នកប្រើប្រាស់ដែលមានបទពិសោធន៍នៃ univariate និង multivariate ANOVA ជារឿយៗមានការភ័ន្តច្រឡំនៅពេលដែលពួកគេទទួលបានលទ្ធផលខុសៗគ្នានៅពេលអនុវត្ត multivariate ANOVA ទៅ និយាយថាអថេរបី ហើយនៅពេលអនុវត្ត univariate ANOVA ទៅផលបូកនៃអថេរទាំងបីនេះជាអថេរតែមួយ។ គំនិត សរុប variables គឺថាអថេរនីមួយៗមានអថេរពិតមួយចំនួន ដែលត្រូវបានស៊ើបអង្កេត ក៏ដូចជាកំហុសរង្វាស់ចៃដន្យ។ ដូច្នេះនៅពេលជាមធ្យមតម្លៃនៃអថេរ កំហុសនៃការវាស់វែងនឹងកាន់តែជិតដល់ 0 សម្រាប់ការវាស់វែងទាំងអស់ ហើយតម្លៃជាមធ្យមនឹងកាន់តែអាចទុកចិត្តបាន។ តាមពិតទៅ ក្នុងករណីនេះ ការអនុវត្ត ANOVA ទៅនឹងផលបូកនៃអថេរគឺសមហេតុផល និងជាបច្ចេកទេសដ៏មានឥទ្ធិពល។ ទោះយ៉ាងណាក៏ដោយ ប្រសិនបើអថេរអាស្រ័យមានច្រើនវ៉ារ្យង់នៅក្នុងធម្មជាតិ ការបូកសរុបតម្លៃនៃអថេរគឺមិនសមរម្យ។ ជាឧទាហរណ៍ សូមឲ្យអថេរអាស្រ័យមានវិធានការបួន ជោគជ័យក្នុងសង្គម. សូចនាករនីមួយៗបង្ហាញពីផ្នែកឯករាជ្យទាំងស្រុងនៃសកម្មភាពរបស់មនុស្ស (ឧទាហរណ៍ ភាពជោគជ័យក្នុងអាជីព ភាពជោគជ័យក្នុងអាជីវកម្ម សុខុមាលភាពគ្រួសារ។ល។)។ ការបន្ថែមអថេរទាំងនេះរួមគ្នាគឺដូចជាការបន្ថែមផ្លែប៉ោមមួយ និងក្រូច។ ផលបូកនៃអថេរទាំងនេះនឹងមិនមែនជារង្វាស់ឯកវប្បកម្មសមរម្យទេ។ ដូច្នេះទិន្នន័យបែបនេះត្រូវតែត្រូវបានចាត់ទុកជាសូចនាករពហុវិមាត្រនៅក្នុង ការវិភាគពហុវ៉ារ្យង់នៃវ៉ារ្យង់. ជាធម្មតាសម្មតិកម្មអំពីទិន្នន័យពិសោធន៍ត្រូវបានបង្កើតឡើង មិនមែនគ្រាន់តែទាក់ទងនឹងឥទ្ធិពលចម្បង ឬអន្តរកម្មនោះទេ។ ឧទាហរណ៍មួយគឺជាសម្មតិកម្មខាងក្រោម៖ សៀវភៅសិក្សាជាក់លាក់មួយជួយបង្កើនជំនាញគណិតវិទ្យាតែចំពោះសិស្សប្រុសប៉ុណ្ណោះ ខណៈពេលដែលសៀវភៅសិក្សាមួយទៀតមានប្រសិទ្ធភាពប្រហាក់ប្រហែលគ្នាសម្រាប់ភេទទាំងពីរ ប៉ុន្តែនៅតែមិនសូវមានប្រសិទ្ធភាពសម្រាប់បុរស។ វាអាចត្រូវបានទាយថាការអនុវត្តសៀវភៅសិក្សាមានអន្តរកម្មជាមួយភេទរបស់សិស្ស។ ទោះយ៉ាងណាក៏ដោយ ការព្យាករណ៍នេះក៏អនុវត្តផងដែរ។ ធម្មជាតិអន្តរកម្ម។ ភាពខុសគ្នាគួរឱ្យកត់សម្គាល់រវាងភេទត្រូវបានរំពឹងទុកសម្រាប់សិស្សនៅក្នុងសៀវភៅមួយ ហើយការអនុវត្តលទ្ធផលមិនអាស្រ័យលើយេនឌ័រសម្រាប់សិស្សនៅក្នុងសៀវភៅផ្សេងទៀត។ ប្រភេទនៃសម្មតិកម្មនេះជាធម្មតាត្រូវបានរុករកដោយប្រើការវិភាគកម្រិតពណ៌។ សរុបមក ការវិភាគកម្រិតពណ៌អនុញ្ញាតឱ្យយើងវាយតម្លៃពីសារៈសំខាន់ស្ថិតិនៃបន្សំលីនេអ៊ែរមួយចំនួននៃឥទ្ធិពលស្មុគ្រស្មាញ។ ការវិភាគកម្រិតពណ៌គឺជាធាតុសំខាន់ និងមិនអាចខ្វះបាននៃផែនការ ANOVA ស្មុគស្មាញណាមួយ។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាមានសមត្ថភាពវិភាគកម្រិតពណ៌ផ្សេងៗគ្នា ដែលអនុញ្ញាតឱ្យអ្នកជ្រើសរើស និងវិភាគប្រភេទណាមួយនៃការប្រៀបធៀបមធ្យមភាគ។ ជួនកាល ជាលទ្ធផលនៃដំណើរការពិសោធន៍ ឥទ្ធិពលដែលមិននឹកស្មានដល់ត្រូវបានរកឃើញ។ ទោះបីជាក្នុងករណីភាគច្រើន អ្នកស្រាវជ្រាវប្រកបដោយភាពច្នៃប្រឌិតនឹងអាចពន្យល់ពីលទ្ធផលណាមួយក៏ដោយ នេះមិនផ្តល់ឱកាសសម្រាប់ការវិភាគបន្ថែម និងការទទួលបានប៉ាន់ប្រមាណសម្រាប់ការព្យាករណ៍នោះទេ។ បញ្ហានេះគឺជាបញ្ហាមួយក្នុងចំណោមបញ្ហាទាំងនោះ លក្ខណៈវិនិច្ឆ័យក្រោយម៉ោងនោះគឺជាលក្ខណៈវិនិច្ឆ័យដែលមិនប្រើ អាទិភាពសម្មតិកម្ម។ ដើម្បីជាឧទាហរណ៍ សូមពិចារណាការពិសោធន៍ខាងក្រោម។ ឧបមាថាសន្លឹកបៀ 100 មានលេខចាប់ពីលេខ 1 ដល់លេខ 10។ ដោយបានទម្លាក់សន្លឹកបៀទាំងអស់នេះទៅក្នុងបឋមកថា យើងជ្រើសរើសដោយចៃដន្យ 20 ដង 5 សន្លឹក ហើយគណនាតម្លៃមធ្យមសម្រាប់គំរូនីមួយៗ (ជាមធ្យមនៃលេខដែលសរសេរនៅលើសន្លឹកបៀ)។ តើយើងអាចរំពឹងថាមានគំរូពីរដែលមធ្យោបាយខុសគ្នាខ្លាំងដែរឬទេ? នេះជាការពិតណាស់! ដោយជ្រើសរើសសំណាកពីរដែលមានមធ្យមអតិបរមា និងអប្បបរមា អ្នកអាចទទួលបានភាពខុសគ្នានៃមធ្យោបាយដែលខុសគ្នាខ្លាំងពីភាពខុសគ្នានៃមធ្យោបាយឧទាហរណ៍នៃគំរូពីរដំបូង។ ភាពខុសគ្នានេះអាចត្រូវបានស៊ើបអង្កេតឧទាហរណ៍ដោយប្រើការវិភាគកម្រិតពណ៌។ ដោយមិនបានចូលទៅក្នុងសេចក្តីលម្អិត, មានមួយចំនួនដែលគេហៅថា ក្រោយលក្ខណៈវិនិច្ឆ័យដែលផ្អែកលើសេណារីយ៉ូទីមួយ (យកជាមធ្យមខ្លាំងពី 20 គំរូ) ពោលគឺ លក្ខណៈវិនិច្ឆ័យទាំងនេះគឺផ្អែកលើការជ្រើសរើសមធ្យោបាយផ្សេងគ្នាបំផុតដើម្បីប្រៀបធៀបមធ្យោបាយទាំងអស់ក្នុងការរចនា។ លក្ខណៈវិនិច្ឆ័យទាំងនេះត្រូវបានអនុវត្តដើម្បីមិនទទួលបានឥទ្ធិពលសិប្បនិម្មិតសុទ្ធសាធដោយចៃដន្យ ជាឧទាហរណ៍ ដើម្បីស្វែងរកភាពខុសគ្នាយ៉ាងសំខាន់រវាងមធ្យោបាយនៅពេលដែលមិនមាន។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាផ្តល់នូវជួរដ៏ធំទូលាយនៃលក្ខណៈវិនិច្ឆ័យបែបនេះ។ នៅពេលដែលលទ្ធផលដែលមិនបានរំពឹងទុកត្រូវបានជួបប្រទះនៅក្នុងការពិសោធន៍ដែលពាក់ព័ន្ធនឹងក្រុមជាច្រើន ក្រោយនីតិវិធីសម្រាប់ពិនិត្យសារៈសំខាន់ស្ថិតិនៃលទ្ធផលដែលទទួលបាន។ មានទំនាក់ទំនងជិតស្និទ្ធរវាងវិធីសាស្រ្តនៃការតំរែតំរង់ពហុវ៉ារ្យង់និងការវិភាគនៃការប្រែប្រួល (ការវិភាគនៃការប្រែប្រួល) ។ នៅក្នុងវិធីទាំងពីរនេះ គំរូលីនេអ៊ែរត្រូវបានសិក្សា។ សរុបមក ការរចនាពិសោធន៍ស្ទើរតែទាំងអស់អាចត្រូវបានរុករកដោយប្រើការតំរែតំរង់ពហុវ៉ារ្យង់។ ពិចារណាគម្រោង 2 x 2 ឆ្លងក្រុមសាមញ្ញខាងក្រោម។ ជួរឈរ A និង B មានលេខកូដកំណត់លក្ខណៈកម្រិតកត្តា A និង B ជួរឈរ AxB មានផលិតផលនៃជួរឈរពីរ A និង B។ យើងអាចវិភាគទិន្នន័យទាំងនេះដោយប្រើការតំរែតំរង់ច្រើនវ៉ារ្យង់។ អថេរ DVបានកំណត់ជាអថេរអាស្រ័យ, អថេរពី កពីមុន AxBជាអថេរឯករាជ្យ។ ការសិក្សាអំពីសារៈសំខាន់សម្រាប់មេគុណតំរែតំរង់នឹងស្របពេលជាមួយនឹងការគណនាក្នុងការវិភាគភាពខុសប្លែកគ្នានៃសារៈសំខាន់នៃឥទ្ធិពលចម្បងនៃកត្តា កនិង ខនិងឥទ្ធិពលអន្តរកម្ម AxB. នៅពេលគណនាម៉ាទ្រីសជាប់ទាក់ទងគ្នាសម្រាប់អថេរទាំងអស់ ឧទាហរណ៍ សម្រាប់ទិន្នន័យដែលបានពិពណ៌នាខាងលើ វាអាចត្រូវបានគេមើលឃើញថាឥទ្ធិពលចម្បងនៃកត្តា កនិង ខនិងឥទ្ធិពលអន្តរកម្ម AxBមិនទាក់ទង។ ទ្រព្យសម្បត្តិនៃឥទ្ធិពលនេះត្រូវបានគេហៅថា orthogonality ផងដែរ។ ពួកគេនិយាយថាផលប៉ះពាល់ កនិង ខ - រាងមូលឬ ឯករាជ្យពីគ្នាទៅវិញទៅមក។ ប្រសិនបើផលប៉ះពាល់ទាំងអស់នៅក្នុងផែនការមានលក្ខណៈផ្ទុយគ្នាដូចក្នុងឧទាហរណ៍ខាងលើ នោះផែនការនេះត្រូវបានគេនិយាយថាជា មានតុល្យភាព. ផែនការដែលមានតុល្យភាពមាន "ទ្រព្យសម្បត្តិល្អ" ។ ការគណនាក្នុងការវិភាគនៃផែនការបែបនេះគឺសាមញ្ញណាស់។ ការគណនាទាំងអស់ត្រូវបានកាត់បន្ថយទៅជាការគណនាការជាប់ទាក់ទងគ្នារវាងផលប៉ះពាល់ និងអថេរអាស្រ័យ។ ដោយហេតុថាផលប៉ះពាល់គឺរាងពងក្រពើ ការជាប់ទាក់ទងគ្នាដោយផ្នែក (ដូចនៅក្នុងពេញលេញ ពហុវិមាត្រការតំរែតំរង់) មិនត្រូវបានគណនាទេ។ ទោះជាយ៉ាងណាក៏ដោយនៅក្នុងជីវិតពិតផែនការមិនតែងតែមានតុល្យភាពទេ។ ពិចារណាទិន្នន័យពិតជាមួយនឹងចំនួនមិនស្មើគ្នានៃការសង្កេតនៅក្នុងកោសិកា។ ប្រសិនបើយើងអ៊ិនកូដទិន្នន័យនេះដូចខាងលើ ហើយគណនាម៉ាទ្រីសជាប់ទាក់ទងគ្នាសម្រាប់អថេរទាំងអស់ នោះវាបង្ហាញថាកត្តារចនាមានទំនាក់ទំនងគ្នាទៅវិញទៅមក។ កត្តានៅក្នុងផែនការឥឡូវនេះមិនមានរាងមូលទេ ហើយផែនការបែបនេះត្រូវបានគេហៅថា គ្មានតុល្យភាព។ចំណាំថាក្នុងឧទាហរណ៍នេះ ការជាប់ទាក់ទងគ្នារវាងកត្តាគឺទាក់ទងទាំងស្រុងទៅនឹងភាពខុសគ្នានៃប្រេកង់ 1 និង -1 នៅក្នុងជួរឈរនៃម៉ាទ្រីសទិន្នន័យ។ ម៉្យាងទៀត ការរចនាពិសោធន៍ដែលមានបរិមាណកោសិកាមិនស្មើគ្នា (កាន់តែច្បាស់ បរិមាណមិនសមាមាត្រ) នឹងមិនមានតុល្យភាព ដែលមានន័យថាឥទ្ធិពល និងអន្តរកម្មសំខាន់ៗនឹងលាយបញ្ចូលគ្នា។ ក្នុងករណីនេះ ដើម្បីគណនាសារៈសំខាន់ស្ថិតិនៃផលប៉ះពាល់ អ្នកត្រូវគណនាយ៉ាងពេញលេញនូវតំរែតំរង់ពហុវ៉ារ្យង់។ មានយុទ្ធសាស្ត្រជាច្រើននៅទីនេះ។ ផលបូកនៃប្រភេទការ៉េខ្ញុំនិងIII.
ដើម្បីសិក្សាពីសារៈសំខាន់នៃកត្តានីមួយៗក្នុងគំរូពហុវ៉ារ្យង់ មួយអាចគណនាការជាប់ទាក់ទងគ្នាមួយផ្នែកនៃកត្តានីមួយៗ ដោយផ្តល់ថាកត្តាផ្សេងទៀតទាំងអស់ត្រូវបានយកមកពិចារណារួចហើយនៅក្នុងគំរូ។ អ្នកក៏អាចបញ្ចូលកត្តាទៅក្នុងគំរូជាជំហានៗ ដោយជួសជុលកត្តាទាំងអស់ដែលបានបញ្ចូលទៅក្នុងគំរូរួចហើយ ហើយមិនអើពើនឹងកត្តាផ្សេងទៀតទាំងអស់។ ជាទូទៅនេះគឺជាភាពខុសគ្នារវាង ប្រភេទ IIIនិង ប្រភេទខ្ញុំផលបូកនៃការ៉េ (វាក្យស័ព្ទនេះត្រូវបានណែនាំនៅក្នុង SAS សូមមើលឧទាហរណ៍ SAS, 1982; ការពិភាក្សាលម្អិតក៏អាចត្រូវបានរកឃើញនៅក្នុង Searle, 1987, p. 461; Woodward, Bonett, and Brecht, 1990, p. 216; ឬ Milliken និង Johnson, 1984, ទំព័រ 138)។ ផលបូកនៃប្រភេទការ៉េII.យុទ្ធសាស្ត្របង្កើតគំរូ "កម្រិតមធ្យម" បន្ទាប់គឺ៖ ដើម្បីគ្រប់គ្រងឥទ្ធិពលសំខាន់ៗទាំងអស់ក្នុងការសិក្សាអំពីសារៈសំខាន់នៃឥទ្ធិពលចម្បងតែមួយ។ នៅក្នុងការគ្រប់គ្រងនៃឥទ្ធិពលចម្បងទាំងអស់ និងអន្តរកម្មជាគូទាំងអស់ នៅពេលដែលសារៈសំខាន់នៃអន្តរកម្មជាគូតែមួយត្រូវបានពិនិត្យ។ ក្នុងការគ្រប់គ្រងឥទ្ធិពលចម្បងនៃអន្តរកម្មជាគូទាំងអស់ និងអន្តរកម្មទាំងអស់នៃកត្តាបី។ ក្នុងការសិក្សាអំពីអន្តរកម្មដាច់ដោយឡែកនៃកត្តាបី។ល។ ផលបូកនៃការ៉េសម្រាប់ផលដែលបានគណនាតាមវិធីនេះត្រូវបានគេហៅថា ប្រភេទIIផលបូកនៃការ៉េ។ ដូច្នេះ ប្រភេទIIផលបូកនៃការ៉េគ្រប់គ្រងឥទ្ធិពលទាំងអស់នៃលំដាប់ដូចគ្នា និងខាងក្រោម ដោយមិនអើពើឥទ្ធិពលទាំងអស់នៃលំដាប់ខ្ពស់ជាងនេះ។ ផលបូកនៃប្រភេទការ៉េIV.
ទីបំផុតសម្រាប់ផែនការពិសេសមួយចំនួនដែលមានក្រឡាដែលបាត់ (ផែនការមិនពេញលេញ) វាគឺអាចធ្វើទៅបានដើម្បីគណនាអ្វីដែលគេហៅថា ប្រភេទ IVផលបូកនៃការ៉េ។ វិធីសាស្រ្តនេះនឹងត្រូវបានពិភាក្សានៅពេលក្រោយទាក់ទងនឹងផែនការមិនពេញលេញ (ផែនការជាមួយកោសិកាដែលបាត់)។ ផលបូកនៃការ៉េ ប្រភេទIIIងាយស្រួលបំផុតក្នុងការបកស្រាយ។ ចូរចាំថាផលបូកនៃការ៉េ ប្រភេទIIIពិនិត្យផលប៉ះពាល់បន្ទាប់ពីការគ្រប់គ្រងសម្រាប់ផលប៉ះពាល់ផ្សេងទៀតទាំងអស់។ ឧទាហរណ៍បន្ទាប់ពីរកឃើញស្ថិតិសំខាន់ ប្រភេទIIIឥទ្ធិពលសម្រាប់កត្តា កនៅក្នុងម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាយើងអាចនិយាយបានថាមានឥទ្ធិពលសំខាន់តែមួយនៃកត្តា កបន្ទាប់ពីណែនាំផលប៉ះពាល់ផ្សេងទៀតទាំងអស់ (កត្តា) និងបកស្រាយឥទ្ធិពលនេះតាម។ ប្រហែលជានៅក្នុង 99% នៃកម្មវិធីទាំងអស់នៃការវិភាគនៃភាពខុសប្លែកគ្នា លក្ខណៈវិនិច្ឆ័យប្រភេទនេះគឺមានការចាប់អារម្មណ៍ចំពោះអ្នកស្រាវជ្រាវ។ ប្រភេទនៃផលបូកនៃការ៉េនេះជាធម្មតាត្រូវបានគណនានៅក្នុងម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាតាមលំនាំដើម ដោយមិនគិតពីថាតើជម្រើសត្រូវបានជ្រើសរើសទេ។ វិធីសាស្រ្តតំរែតំរង់ឬអត់ (វិធីសាស្រ្តស្តង់ដារដែលបានអនុម័តនៅក្នុងម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាពិភាក្សាខាងក្រោម)។ ឥទ្ធិពលសំខាន់ៗដែលទទួលបានដោយប្រើផលបូកនៃការ៉េ ប្រភេទឬ ប្រភេទIIផលបូកនៃការ៉េមិនងាយស្រួលបកស្រាយទេ។ ពួកវាត្រូវបានបកស្រាយយ៉ាងល្អបំផុតនៅក្នុងបរិបទនៃការតំរែតំរង់ពហុវ៉ារ្យង់ជាជំហានៗ។ ប្រសិនបើប្រើផលបូកនៃការ៉េ ប្រភេទខ្ញុំឥទ្ធិពលចម្បងនៃកត្តា B គឺមានសារៈសំខាន់ (បន្ទាប់ពីការបញ្ចូលកត្តា A នៅក្នុងគំរូ ប៉ុន្តែមុនពេលបន្ថែមអន្តរកម្មរវាង A និង B) វាអាចសន្និដ្ឋានបានថាមានផលប៉ះពាល់សំខាន់នៃកត្តា B ដែលផ្តល់ថាមិនមាន អន្តរកម្មរវាងកត្តា A និង B. (ប្រសិនបើប្រើលក្ខណៈវិនិច្ឆ័យ ប្រភេទIIIកត្តា B ក៏ប្រែទៅជាមានសារៈសំខាន់ បន្ទាប់មកយើងអាចសន្និដ្ឋានថាមានផលប៉ះពាល់សំខាន់នៃកត្តា B បន្ទាប់ពីការណែនាំកត្តាផ្សេងទៀតទាំងអស់និងអន្តរកម្មរបស់ពួកគេទៅក្នុងគំរូ) ។ នៅក្នុងន័យនៃមធ្យោបាយរឹមនៃសម្មតិកម្ម ប្រភេទខ្ញុំនិង ប្រភេទIIជាធម្មតាមិនមានការបកស្រាយសាមញ្ញទេ។ ក្នុងករណីទាំងនេះ គេនិយាយថា គេមិនអាចបកស្រាយពីសារៈសំខាន់នៃផលប៉ះពាល់ដោយការពិចារណាតែមធ្យោបាយរឹមនោះទេ។ បានបង្ហាញជាជាង ទំតម្លៃមធ្យមគឺទាក់ទងទៅនឹងសម្មតិកម្មស្មុគស្មាញដែលរួមបញ្ចូលគ្នានូវមធ្យោបាយ និងទំហំគំរូ។ ឧទាហរណ៍, ប្រភេទIIសម្មតិកម្មសម្រាប់កត្តា A ក្នុងឧទាហរណ៍ការរចនាសាមញ្ញ 2 x 2 ដែលបានពិភាក្សាពីមុនគឺ (សូមមើល Woodward, Bonett, and Brecht, 1990, p. 219)៖ នីជ- ចំនួននៃការសង្កេតក្នុងក្រឡាមួយ។ យូ- តម្លៃមធ្យមក្នុងក្រឡាមួយ។ ន.
j- មធ្យមភាគ ដោយមិនចូលទៅក្នុងព័ត៌មានលម្អិត (សម្រាប់ព័ត៌មានលម្អិតសូមមើល Milliken and Johnson, 1984, ជំពូកទី 10) វាច្បាស់ណាស់ថាទាំងនេះមិនមែនជាសម្មតិកម្មសាមញ្ញទេ ហើយក្នុងករណីភាគច្រើនគ្មាននរណាម្នាក់ក្នុងចំណោមពួកគេចាប់អារម្មណ៍ជាពិសេសចំពោះអ្នកស្រាវជ្រាវនោះទេ។ ទោះយ៉ាងណាក៏ដោយមានករណីជាច្រើនដែលសម្មតិកម្ម ប្រភេទខ្ញុំអាចជាចំណាប់អារម្មណ៍។ លំនាំដើម ប្រសិនបើជម្រើសមិនត្រូវបានធីក វិធីសាស្រ្តតំរែតំរង់, ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាប្រើប្រាស់ គំរូកោសិកាមធ្យម. វាជាលក្ខណៈនៃគំរូនេះដែលផលបូកនៃការ៉េសម្រាប់ផលប៉ះពាល់ផ្សេងៗគ្នាត្រូវបានគណនាសម្រាប់បន្សំលីនេអ៊ែរនៃមធ្យោបាយក្រឡា។ នៅក្នុងការពិសោធន៍ហ្វាក់តូរីសពេញលេញ លទ្ធផលនេះទទួលបានផលបូកនៃការ៉េដែលដូចគ្នាទៅនឹងផលបូកនៃការ៉េដែលបានពិភាក្សាពីមុនដូចជា ប្រភេទ III. ទោះយ៉ាងណាក៏ដោយនៅក្នុងជម្រើស ការប្រៀបធៀបដែលបានគ្រោងទុក(នៅក្នុងបង្អួច ការវិភាគលទ្ធផលនៃភាពខុសគ្នា) អ្នកប្រើអាចសន្មត់អំពីការផ្សំលីនេអ៊ែរនៃមធ្យោបាយក្រឡាដែលមានទម្ងន់ ឬគ្មានទម្ងន់។ ដូច្នេះ អ្នកប្រើប្រាស់អាចសាកល្បងមិនត្រឹមតែសម្មតិកម្មប៉ុណ្ណោះទេ ប្រភេទIIIប៉ុន្តែសម្មតិកម្មនៃប្រភេទណាមួយ (រួមទាំង ប្រភេទIV) វិធីសាស្រ្តទូទៅនេះមានប្រយោជន៍ជាពិសេសនៅពេលពិនិត្យមើលការរចនាជាមួយនឹងក្រឡាដែលបាត់ (គេហៅថាការរចនាមិនពេញលេញ)។ សម្រាប់ការរចនារោងចក្រពេញលេញ វិធីសាស្រ្តនេះក៏មានប្រយោជន៍ផងដែរ នៅពេលដែលគេចង់វិភាគមធ្យោបាយរឹមដែលមានទម្ងន់។ ជាឧទាហរណ៍ ឧបមាថាក្នុងការរចនាសាមញ្ញ 2 x 2 ដែលបានពិចារណាមុននេះ យើងចង់ប្រៀបធៀបទម្ងន់ (គិតតាមកម្រិតកត្តា) ខ) មធ្យមភាគរឹមសម្រាប់កត្តា A. វាមានប្រយោជន៍នៅពេលដែលការចែកចាយនៃការសង្កេតលើក្រឡាមិនត្រូវបានរៀបចំដោយអ្នកពិសោធន៍ ប៉ុន្តែត្រូវបានបង្កើតដោយចៃដន្យ ហើយភាពចៃដន្យនេះត្រូវបានឆ្លុះបញ្ចាំងនៅក្នុងការចែកចាយចំនួននៃការសង្កេតដោយកម្រិតនៃកត្តា B ក្នុងការសរុប . ឧទាហរណ៍មានកត្តាមួយ - អាយុរបស់ស្ត្រីមេម៉ាយ។ គំរូនៃអ្នកឆ្លើយសំណួរដែលអាចធ្វើបានត្រូវបានបែងចែកជាពីរក្រុម៖ ក្មេងជាង 40 ឆ្នាំ និងចាស់ជាង 40 (កត្តា B) ។ កត្តាទីពីរ (កត្តា A) នៅក្នុងផែនការគឺថាតើស្ត្រីមេម៉ាយបានទទួលជំនួយសង្គមពីភ្នាក់ងារខ្លះឬអត់ (ខណៈពេលដែលស្ត្រីមេម៉ាយមួយចំនួនត្រូវបានជ្រើសរើសដោយចៃដន្យ ខ្លះទៀតបម្រើជាអ្នកគ្រប់គ្រង)។ ក្នុងករណីនេះ ការចែកចាយអាយុរបស់ស្ត្រីមេម៉ាយនៅក្នុងគំរូឆ្លុះបញ្ចាំងពីការចែកចាយអាយុពិតប្រាកដរបស់ស្ត្រីមេម៉ាយនៅក្នុងចំនួនប្រជាជន។ ការវាយតម្លៃប្រសិទ្ធភាពនៃក្រុមគាំទ្រសង្គមសម្រាប់ស្ត្រីមេម៉ាយ គ្រប់វ័យនឹងត្រូវគ្នានឹងទម្ងន់មធ្យមសម្រាប់ក្រុមអាយុពីរ (មានទម្ងន់ត្រូវនឹងចំនួនការសង្កេតក្នុងក្រុម)។ ចំណាំថាផលបូកនៃសមាមាត្រកម្រិតពណ៌ដែលបានបញ្ចូលគឺមិនចាំបាច់ស្មើនឹង 0 (សូន្យ) ទេ។ ផ្ទុយទៅវិញ កម្មវិធីនឹងធ្វើការកែតម្រូវដោយស្វ័យប្រវត្តិ ដើម្បីកុំឱ្យសម្មតិកម្មដែលទាក់ទងគ្នាជាមួយមធ្យមភាគទាំងមូល។ ដើម្បីបង្ហាញពីចំណុចនេះ ចូរយើងត្រឡប់ទៅគម្រោង 2 x 2 សាមញ្ញដែលបានពិភាក្សាមុននេះ។ សូមចាំថាចំនួនក្រឡានៃការរចនាមិនមានតុល្យភាពនេះគឺ -1, 2, 3, និង 1។ ចូរនិយាយថាយើងចង់ប្រៀបធៀបមធ្យមភាគរឹមដែលមានទម្ងន់សម្រាប់កត្តា A (ថ្លឹងថ្លែងដោយភាពញឹកញាប់នៃកម្រិតកត្តា B)។ អ្នកអាចបញ្ចូលសមាមាត្រកម្រិតពណ៌៖ ចំណាំថាមេគុណទាំងនេះមិនបូករហូតដល់ 0 ទេ។ កម្មវិធីនឹងកំណត់មេគុណ ដូច្នេះពួកវាបន្ថែមរហូតដល់ 0 ខណៈពេលដែលរក្សាតម្លៃដែលទាក់ទងរបស់ពួកគេ ពោលគឺ៖ 1/3 2/3 -3/4 -1/4 ភាពផ្ទុយគ្នាទាំងនេះនឹងប្រៀបធៀបជាមធ្យមទម្ងន់សម្រាប់កត្តា A ។ សម្មតិកម្មអំពីមធ្យមភាគ។សម្មតិកម្មដែលថា មេគុណចម្បងដែលគ្មានទម្ងន់គឺ 0 អាចត្រូវបានរកឃើញដោយប្រើមេគុណ៖ សម្មតិកម្មដែលមធ្យមទម្ងន់សំខាន់គឺ 0 ត្រូវបានសាកល្បងជាមួយ៖ ក្នុងករណីណាក៏ដោយ កម្មវិធីមិនកែសមាមាត្រកម្រិតពណ៌ទេ។ ការរចនា Factorial ដែលមានក្រឡាទទេ (ដំណើរការបន្សំនៃកោសិកាដែលមិនមានការសង្កេត) ត្រូវបានគេហៅថាមិនពេញលេញ។ នៅក្នុងការរចនាបែបនេះ កត្តាមួយចំនួនជាធម្មតាមិនមានរាងមូល ហើយអន្តរកម្មមួយចំនួនមិនអាចគណនាបានទេ។ ជាទូទៅមិនមានវិធីសាស្រ្តល្អជាងសម្រាប់ការវិភាគផែនការបែបនេះទេ។ នៅក្នុងកម្មវិធីចាស់ៗមួយចំនួនដែលផ្អែកលើការវិភាគនៃការរចនា ANOVA ដោយប្រើការតំរែតំរង់ច្រើន កត្តានៅក្នុងការរចនាមិនពេញលេញត្រូវបានកំណត់តាមលំនាំដើមតាមវិធីធម្មតា (ដូចជាប្រសិនបើផែនការបានបញ្ចប់)។ បន្ទាប់មក ការវិភាគតំរែតំរង់ពហុវ៉ារ្យង់ត្រូវបានអនុវត្តសម្រាប់កត្តាដែលសរសេរកូដអត់ចេះសោះទាំងនេះ។ ជាអកុសល វិធីសាស្រ្តនេះនាំទៅរកលទ្ធផលដែលពិបាកបកស្រាយណាស់ ប្រសិនបើមិនអាចបកស្រាយបានទេ ព្រោះវាមិនច្បាស់ថាតើឥទ្ធិពលនីមួយៗរួមចំណែកដល់ការរួមផ្សំគ្នានៃមធ្យោបាយណា។ ពិចារណាឧទាហរណ៍សាមញ្ញខាងក្រោម។ ប្រសិនបើពហុវ៉ារ្យង់តំរែតំរង់នៃទម្រង់ អថេរអាស្រ័យ = ថេរ + កត្តា A + កត្តា Bបន្ទាប់មកសម្មតិកម្មអំពីសារៈសំខាន់នៃកត្តា A និង B ក្នុងន័យបន្សំលីនេអ៊ែរនៃមធ្យោបាយមើលទៅដូចនេះ: កត្តា A៖ ក្រឡា A1,B1 = ក្រឡា A2,B1 កត្តា B៖ ក្រឡា A1,B1 = ក្រឡា A1,B2 ករណីនេះគឺសាមញ្ញ។ នៅក្នុងផែនការស្មុគ្រស្មាញជាងនេះ វាមិនអាចទៅរួចទេក្នុងការកំណត់យ៉ាងពិតប្រាកដនូវអ្វីដែលនឹងត្រូវពិនិត្យ។ វិធីសាស្រ្តដែលត្រូវបានណែនាំនៅក្នុងអក្សរសិល្ប៍ ហើយដែលហាក់ដូចជាល្អជាងគឺការសិក្សាអំពីអត្ថន័យ (ទាក់ទងនឹងកិច្ចការស្រាវជ្រាវ) អាទិភាពសម្មតិកម្មអំពីមធ្យោបាយដែលបានសង្កេតនៅក្នុងកោសិកានៃផែនការ។ ការពិភាក្សាលម្អិតអំពីវិធីសាស្រ្តនេះអាចត្រូវបានរកឃើញនៅក្នុង Dodge (1985), Heiberger (1989), Milliken and Johnson (1984), Searle (1987) ឬ Woodward, Bonett, and Brecht (1990)។ ផលបូកនៃការ៉េដែលភ្ជាប់ជាមួយសម្មតិកម្មអំពីការរួមបញ្ចូលគ្នានៃមធ្យោបាយក្នុងការរចនាមិនពេញលេញ ការស៊ើបអង្កេតការប៉ាន់ប្រមាណនៃផ្នែកនៃផលប៉ះពាល់ ត្រូវបានគេហៅថាផលបូកនៃការ៉េផងដែរ។ IV. ការបង្កើតដោយស្វ័យប្រវត្តិនៃសម្មតិកម្មប្រភេទIV.
នៅពេលដែលការរចនាពហុវ៉ារ្យង់មានលំនាំក្រឡាដែលបាត់ដ៏ស្មុគស្មាញ វាគឺជាការចង់កំណត់សម្មតិកម្មរាងពងក្រពើ (ឯករាជ្យ) ដែលការស៊ើបអង្កេតគឺស្មើនឹងការស៊ើបអង្កេតលើផលប៉ះពាល់ ឬអន្តរកម្មសំខាន់ៗ។ យុទ្ធសាស្រ្តនៃក្បួនដោះស្រាយ (តាមការគណនា) (ផ្អែកលើម៉ាទ្រីសរចនាបញ្ច្រាស pseudo-inverse) ត្រូវបានបង្កើតឡើងដើម្បីបង្កើតទម្ងន់សមរម្យសម្រាប់ការប្រៀបធៀបបែបនេះ។ ជាអកុសល សម្មតិកម្មចុងក្រោយមិនត្រូវបានកំណត់ដោយឡែកទេ។ ជាការពិតណាស់ ពួកគេពឹងផ្អែកលើលំដាប់ដែលឥទ្ធិពលត្រូវបានកំណត់ ហើយកម្រនឹងងាយស្រួលក្នុងការបកស្រាយ។ ដូច្នេះវាត្រូវបានផ្ដល់អនុសាសន៍ឱ្យសិក្សាដោយប្រុងប្រយ័ត្ននូវធម្មជាតិនៃកោសិកាដែលបាត់បន្ទាប់មកបង្កើតសម្មតិកម្ម ប្រភេទIV,
ដែលពាក់ព័ន្ធបំផុតទៅនឹងគោលបំណងនៃការសិក្សា។ បន្ទាប់មករុករកសម្មតិកម្មទាំងនេះដោយប្រើជម្រើស ការប្រៀបធៀបដែលបានគ្រោងទុកនៅក្នុងបង្អួច លទ្ធផល. មធ្យោបាយងាយស្រួលបំផុតដើម្បីបញ្ជាក់ការប្រៀបធៀបក្នុងករណីនេះគឺតម្រូវឱ្យមានការបញ្ចូលវ៉ិចទ័រនៃភាពផ្ទុយគ្នាសម្រាប់កត្តាទាំងអស់ ជាមួយគ្នានៅក្នុងបង្អួច ការប្រៀបធៀបដែលបានគ្រោងទុក។បន្ទាប់ពីហៅប្រអប់ ការប្រៀបធៀបដែលបានគ្រោងទុកក្រុមទាំងអស់នៃផែនការបច្ចុប្បន្ននឹងត្រូវបានបង្ហាញ ហើយក្រុមដែលត្រូវបានលុបចោលនឹងត្រូវបានសម្គាល់។ មានផែនការជាច្រើនប្រភេទ ដែលទីតាំងនៃកោសិកាដែលបាត់គឺមិនចៃដន្យ ប៉ុន្តែត្រូវបានគ្រោងទុកយ៉ាងប្រុងប្រយ័ត្ន ដែលអនុញ្ញាតឱ្យមានការវិភាគសាមញ្ញអំពីឥទ្ធិពលចម្បងដោយមិនប៉ះពាល់ដល់ផលប៉ះពាល់ផ្សេងទៀត។ ជាឧទាហរណ៍ នៅពេលដែលចំនួនក្រឡាដែលត្រូវការនៅក្នុងផែនការមិនមាន នោះគម្រោងត្រូវបានប្រើប្រាស់ជាញឹកញាប់។ ការ៉េឡាតាំងដើម្បីប៉ាន់ប្រមាណឥទ្ធិពលចម្បងនៃកត្តាជាច្រើនជាមួយនឹងកម្រិតមួយចំនួនធំ។ ឧទាហរណ៍ ការរចនារោងចក្រទំហំ 4 x 4 x 4 x 4 ទាមទារ 256 ក្រឡា។ ក្នុងពេលជាមួយគ្នាអ្នកអាចប្រើ ការ៉េក្រិក-ឡាតាំងដើម្បីប៉ាន់ប្រមាណផលប៉ះពាល់សំខាន់ៗ មានតែកោសិកាចំនួន 16 នៅក្នុងផែនការ (ជំពូក។ ការធ្វើផែនការពិសោធន៍វគ្គទី៤ មានការពិពណ៌នាលំអិតអំពីផែនការបែបនេះ)។ ការរចនាមិនពេញលេញដែលឥទ្ធិពលចម្បង (និងអន្តរកម្មមួយចំនួន) អាចត្រូវបានប៉ាន់ស្មានដោយប្រើបន្សំលីនេអ៊ែរសាមញ្ញត្រូវបានគេហៅថា ផែនការមិនពេញលេញមានតុល្យភាព. នៅក្នុងការរចនាដែលមានតុល្យភាព វិធីសាស្ត្រស្តង់ដារ (លំនាំដើម) នៃការបង្កើតភាពផ្ទុយគ្នា (ទម្ងន់) សម្រាប់ឥទ្ធិពលចម្បង និងអន្តរកម្មនឹងបង្កើតការវិភាគតារាងបំរែបំរួល ដែលផលបូកនៃការ៉េសម្រាប់ផលប៉ះពាល់រៀងៗខ្លួនមិនលាយឡំគ្នា។ ជម្រើស ផលប៉ះពាល់ជាក់លាក់បង្អួច លទ្ធផលនឹងបង្កើតភាពផ្ទុយគ្នាដែលបាត់ដោយសរសេរលេខសូន្យទៅក្រឡាផែនការដែលបាត់។ ភ្លាមៗបន្ទាប់ពីជម្រើសត្រូវបានស្នើសុំ ផលប៉ះពាល់ជាក់លាក់សម្រាប់អ្នកប្រើប្រាស់ដែលកំពុងសិក្សាសម្មតិកម្មមួយចំនួន តារាងលទ្ធផលបង្ហាញជាមួយនឹងទម្ងន់ជាក់ស្តែង។ ចំណាំថានៅក្នុងការរចនាដែលមានតុល្យភាព ផលបូកនៃការ៉េនៃផលប៉ះពាល់រៀងៗខ្លួនត្រូវបានគណនាលុះត្រាតែផលប៉ះពាល់ទាំងនោះមានលក្ខណៈជារាងពងក្រពើ (ឯករាជ្យ) ចំពោះផលប៉ះពាល់ និងអន្តរកម្មសំខាន់ៗផ្សេងទៀត។ បើមិនដូច្នោះទេសូមប្រើជម្រើស ការប្រៀបធៀបដែលបានគ្រោងទុកដើម្បីស្វែងរកការប្រៀបធៀបដ៏មានអត្ថន័យរវាងមធ្យោបាយ។ ប្រសិនបើជម្រើស វិធីសាស្រ្តតំរែតំរង់នៅក្នុងបន្ទះចាប់ផ្តើមនៃម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាមិនត្រូវបានជ្រើសទេ គំរូមធ្យមក្រឡានឹងត្រូវបានប្រើនៅពេលគណនាផលបូកនៃការេសម្រាប់ផលប៉ះពាល់ (ការកំណត់លំនាំដើម)។ ប្រសិនបើការរចនាមិនមានតុល្យភាព នោះនៅពេលរួមបញ្ចូលគ្នានូវឥទ្ធិពលមិនរាងជ្រុង (សូមមើលការពិភាក្សាខាងលើនៃជម្រើស បាត់កោសិកា និងឥទ្ធិពលជាក់លាក់) គេអាចទទួលបានផលបូកនៃការ៉េដែលមានធាតុផ្សំមិនរាងជ្រុង (ឬត្រួតលើគ្នា)។ លទ្ធផលដែលទទួលបានតាមវិធីនេះជាធម្មតាមិនអាចបកស្រាយបានទេ។ ដូច្នេះ មនុស្សម្នាក់ត្រូវតែមានការប្រុងប្រយ័ត្នខ្ពស់នៅពេលជ្រើសរើស និងអនុវត្តការរចនាពិសោធន៍មិនពេញលេញដ៏ស្មុគស្មាញ។ មានសៀវភៅជាច្រើនដែលមានការពិភាក្សាលម្អិតនៃប្រភេទផ្សេងៗនៃផែនការ។ (Dodge, 1985; Heiberger, 1989; Lindman, 1974; Milliken and Johnson, 1984; Searle, 1987; Woodward and Bonett, 1990) ប៉ុន្តែព័ត៌មានប្រភេទនេះគឺនៅក្រៅវិសាលភាពនៃសៀវភៅសិក្សានេះ។ ទោះជាយ៉ាងណាក៏ដោយ ការវិភាគលើប្រភេទផ្សេងៗនៃផែនការនឹងត្រូវបានបង្ហាញនៅពេលក្រោយនៅក្នុងផ្នែកនេះ។ សន្មតថាអថេរអាស្រ័យត្រូវបានវាស់លើមាត្រដ្ឋានលេខ។ ចូរសន្មតថាអថេរអាស្រ័យមានការចែកចាយធម្មតានៅក្នុងក្រុមនីមួយៗ។ ការវិភាគនៃភាពខុសគ្នាមានជួរដ៏ធំទូលាយនៃក្រាហ្វ និងស្ថិតិ ដើម្បីបញ្ជាក់ពីការសន្មត់នេះ។ ផលប៉ះពាល់នៃការបំពាន។ជាទូទៅ ចលក្ខណៈវិនិច្ឆ័យគឺមានភាពធន់នឹងគម្លាតពីភាពធម្មតា (សូមមើល Lindman, 1974 សម្រាប់លទ្ធផលលម្អិត)។ ប្រសិនបើ kurtosis ធំជាង 0 នោះតម្លៃនៃស្ថិតិ ចអាចក្លាយជាតូចណាស់។ សម្មតិកម្មគ្មានន័យត្រូវបានទទួលយក ទោះបីជាវាប្រហែលជាមិនពិតក៏ដោយ។ ស្ថានភាពនេះត្រូវបានបញ្ច្រាស់នៅពេលដែល kurtosis តិចជាង 0។ ភាពមិនច្បាស់នៃការចែកចាយជាធម្មតាមានឥទ្ធិពលតិចតួចលើ ចស្ថិតិ។ ប្រសិនបើចំនួននៃការសង្កេតក្នុងក្រឡាមួយមានទំហំធំល្មម នោះគម្លាតពីភាពធម្មតាមិនមានបញ្ហាច្រើនទេ ដោយសារ ទ្រឹស្តីបទដែនកំណត់កណ្តាលយោងតាមនោះ ការចែកចាយតម្លៃមធ្យមគឺនៅជិតធម្មតា ដោយមិនគិតពីការចែកចាយដំបូងឡើយ។ ការពិភាក្សាលម្អិតអំពីនិរន្តរភាព ចស្ថិតិអាចត្រូវបានរកឃើញនៅក្នុង Box and Anderson (1955) ឬ Lindman (1974)។ ការសន្មត់។វាត្រូវបានសន្មត់ថាភាពខុសគ្នានៃក្រុមផ្សេងគ្នានៃផែនការគឺដូចគ្នា។ ការសន្មតនេះត្រូវបានគេហៅថាការសន្មត់ ភាពដូចគ្នានៃការបែកខ្ញែក។សូមចាំថានៅដើមផ្នែកនេះ នៅពេលពិពណ៌នាអំពីការគណនាផលបូកនៃកំហុសការ៉េ យើងធ្វើការបូកសរុបនៅក្នុងក្រុមនីមួយៗ។ ប្រសិនបើវ៉ារ្យ៉ង់នៅក្នុងក្រុមពីរខុសគ្នាពីគ្នាទៅវិញទៅមក នោះការបន្ថែមពួកវាមិនមានលក្ខណៈធម្មជាតិទេ ហើយមិនផ្តល់ការប៉ាន់ប្រមាណនៃភាពខុសប្លែកគ្នាក្នុងក្រុមសរុប (ចាប់តាំងពីក្នុងករណីនេះវាមិនមានការប្រែប្រួលជាទូទៅទាល់តែសោះ)។ ម៉ូឌុល ការវិភាគការបែកខ្ញែក -អាណូវ៉ា/ ម៉ាណូវ៉ាមានសំណុំលក្ខណៈវិនិច្ឆ័យស្ថិតិដ៏ធំមួយសម្រាប់ការរកឃើញគម្លាតពីការសន្មតនៃភាពដូចគ្នានៃការប្រែប្រួល។ ផលប៉ះពាល់នៃការបំពាន។ Lindman (1974, ទំព័រ 33) បង្ហាញដូច្នេះ ចលក្ខណៈវិនិច្ឆ័យមានស្ថេរភាពណាស់ទាក់ទងនឹងការរំលោភលើការសន្មត់នៃភាពដូចគ្នានៃការប្រែប្រួល ( តំណពូជការបែកខ្ចាត់ខ្ចាយ សូមមើលផងដែរ Box, 1954a, 1954b; Hsu, 1938) ។ ករណីពិសេស៖ ការជាប់ទាក់ទងគ្នានៃមធ្យោបាយ និងភាពខុសគ្នា។មានពេលខ្លះ ចស្ថិតិអាច បំភាន់។វាកើតឡើងនៅពេលដែលតម្លៃមធ្យមនៅក្នុងក្រឡារចនាត្រូវបានជាប់ទាក់ទងជាមួយវ៉ារ្យង់។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាអនុញ្ញាតឱ្យអ្នកបង្កើត scatterplots នៃភាពខុសគ្នាឬគម្លាតស្តង់ដារធៀបនឹងមធ្យោបាយដើម្បីរកឃើញការជាប់ទាក់ទងគ្នាបែបនេះ។ មូលហេតុដែលការជាប់ទាក់ទងគ្នាបែបនេះមានគ្រោះថ្នាក់មានដូចខាងក្រោម។ ចូរយើងស្រមៃថាមានកោសិកាចំនួន 8 នៅក្នុងផែនការ ដែល 7 មានកោសិកាជាមធ្យមដូចគ្នា ហើយក្នុងមួយកោសិកាជាមធ្យមគឺធំជាងនៅសល់។ បន្ទាប់មក ចការធ្វើតេស្តអាចរកឃើញឥទ្ធិពលស្ថិតិ។ ប៉ុន្តែឧបមាថានៅក្នុងក្រឡាដែលមានតម្លៃមធ្យមធំ និងបំរែបំរួលគឺធំជាងកោសិកាផ្សេងទៀត ពោលគឺឧ។ មធ្យម និងភាពខុសប្លែកគ្នានៅក្នុងកោសិកាគឺអាស្រ័យ (មធ្យមកាន់តែធំ ភាពខុសគ្នាកាន់តែធំ)។ ក្នុងករណីនេះ មធ្យមធំគឺមិនអាចជឿទុកចិត្តបានទេព្រោះវាអាចបណ្តាលមកពីភាពខុសគ្នាធំនៅក្នុងទិន្នន័យ។ ទោះយ៉ាងណាក៏ដោយ ចស្ថិតិផ្អែកលើ រួបរួមភាពខុសប្លែកគ្នានៅក្នុងកោសិកានឹងចាប់យកមធ្យមភាគធំ ទោះបីជាលក្ខណៈវិនិច្ឆ័យដែលផ្អែកលើភាពខុសប្លែកគ្នានៅក្នុងក្រឡានីមួយៗនឹងមិនចាត់ទុកភាពខុសគ្នាទាំងអស់នៅក្នុងមធ្យោបាយមានសារៈសំខាន់ក៏ដោយ។ លក្ខណៈនៃទិន្នន័យនេះ (មធ្យមធំ និងបំរែបំរួលធំ) ត្រូវបានជួបប្រទះជាញឹកញាប់នៅពេលដែលមានការសង្កេតខាងក្រៅ។ គម្លាតមួយ ឬពីរនឹងផ្លាស់ប្តូរយ៉ាងខ្លាំងនូវមធ្យម និងបង្កើនភាពប្រែប្រួលយ៉ាងខ្លាំង។ ការសន្មត់។នៅក្នុងការរចនាពហុវ៉ារ្យង់ ជាមួយនឹងវិធានការអាស្រ័យលើពហុវ៉ារ្យង់ ភាពដូចគ្នានៃការសន្មត់ភាពខុសគ្នាដែលបានពិពណ៌នាពីមុនក៏អនុវត្តផងដែរ។ ទោះយ៉ាងណាក៏ដោយ ដោយសារមានអថេរអាស្រ័យពហុវ៉ារ្យង់ វាត្រូវបានទាមទារផងដែរដែលការជាប់ទាក់ទងគ្នារបស់ពួកគេ (ភាពប្រែប្រួល) មានឯកសណ្ឋាននៅទូទាំងក្រឡាផែនការទាំងអស់។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាផ្តល់នូវវិធីផ្សេងគ្នាដើម្បីសាកល្បងការសន្មត់ទាំងនេះ។ ផលប៉ះពាល់នៃការបំពាន.
អាណាឡូកពហុវិមាត្រ ច-
លក្ខណៈវិនិច្ឆ័យ - λ - ការធ្វើតេស្តរបស់ Wilks ។ មិនត្រូវបានគេដឹងច្រើនអំពីស្ថេរភាព (ភាពរឹងមាំ) នៃ Wilks λ-test ទាក់ទងនឹងការរំលោភលើការសន្មត់ខាងលើ។ ទោះយ៉ាងណាក៏ដោយចាប់តាំងពីការបកស្រាយលទ្ធផលម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាជាធម្មតាផ្អែកលើសារៈសំខាន់នៃឥទ្ធិពលឯកវចនៈ (បន្ទាប់ពីបង្កើតសារៈសំខាន់នៃលក្ខណៈវិនិច្ឆ័យទូទៅ) ការពិភាក្សាអំពីភាពរឹងមាំនៃការព្រួយបារម្ភជាចម្បង ការវិភាគភាពខុសប្លែកគ្នានៃការប្រែប្រួល។ ដូច្នេះសារៈសំខាន់នៃផលប៉ះពាល់មួយវិមាត្រគួរតែត្រូវបានពិនិត្យយ៉ាងប្រុងប្រយ័ត្ន។ ករណីពិសេស៖ ការវិភាគនៃភាពខុសគ្នា។ការបំពានយ៉ាងធ្ងន់ធ្ងរជាពិសេសនៃភាពដូចគ្នានៃភាពខុសគ្នា/ភាពប្រែប្រួលអាចកើតឡើងនៅពេលដែល covariates ត្រូវបានរួមបញ្ចូលនៅក្នុងការរចនា។ ជាពិសេស ប្រសិនបើទំនាក់ទំនងរវាង covariates និងវិធានការអាស្រ័យមានភាពខុសគ្នានៅក្នុងកោសិកាផ្សេងគ្នានៃការរចនា ការបកស្រាយខុសនៃលទ្ធផលអាចនឹងកើតឡើង។ វាគួរតែត្រូវបានចងចាំក្នុងចិត្តថា នៅក្នុងការវិភាគនៃភាពប្រែប្រួល ជាសំខាន់ ការវិភាគតំរែតំរង់ត្រូវបានអនុវត្តនៅក្នុងកោសិកានីមួយៗ ដើម្បីញែកផ្នែកនៃការប្រែប្រួលដែលត្រូវគ្នាទៅនឹង covariate ។ ភាពដូចគ្នា។ ប្រសិនបើវាមិនមានបំណងទេនោះ កំហុសធំអាចនឹងកើតឡើង។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នាមានលក្ខណៈវិនិច្ឆ័យពិសេសមួយចំនួនដើម្បីសាកល្បងការសន្មត់នេះ។ វាអាចត្រូវបានគេណែនាំឱ្យប្រើលក្ខណៈវិនិច្ឆ័យទាំងនេះ ដើម្បីប្រាកដថាសមីការតំរែតំរង់សម្រាប់កោសិកាផ្សេងៗគ្នាគឺប្រហាក់ប្រហែលគ្នា។ នៅក្នុងការរចនាដែលមានកត្តារង្វាស់ម្តងហើយម្តងទៀតដែលមានកម្រិតលើសពីពីរ ការអនុវត្តការវិភាគឯកតានៃភាពប្រែប្រួលតម្រូវឱ្យមានការសន្មត់បន្ថែម៖ ការសន្មត់ស៊ីមេទ្រីស្មុគ្រស្មាញ និងការសន្មត់រាងស្វ៊ែរ។ ការសន្មត់ទាំងនេះកម្រនឹងជួបណាស់ (សូមមើលខាងក្រោម)។ ដូច្នេះហើយ ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ ការវិភាគចម្រុះនៃភាពខុសគ្នាបានទទួលប្រជាប្រិយភាពនៅក្នុងផែនការបែបនេះ (វិធីសាស្រ្តទាំងពីរត្រូវបានបញ្ចូលគ្នានៅក្នុងម៉ូឌុល ការវិភាគនៃភាពខុសគ្នា). ការសន្មតស៊ីមេទ្រីស្មុគស្មាញការសន្មត់ស៊ីមេទ្រីស្មុគ្រស្មាញគឺថាវ៉ារ្យ៉ង់ (សរុបក្នុងក្រុម) និងភាពខុសគ្នា (តាមក្រុម) សម្រាប់វិធានការម្តងហើយម្តងទៀតខុសគ្នាគឺឯកសណ្ឋាន (ដូចគ្នា) ។ នេះគឺជាលក្ខខណ្ឌគ្រប់គ្រាន់សម្រាប់វិធានការម្តងហើយម្តងទៀតនៃការធ្វើតេស្ត F ដើម្បីឱ្យមានសុពលភាព (ឧទាហរណ៍ តម្លៃ F ដែលបានរាយការណ៍គឺជាមធ្យម ស្របតាមការចែកចាយ F)។ ទោះយ៉ាងណាក៏ដោយក្នុងករណីនេះលក្ខខណ្ឌនេះមិនចាំបាច់ទេ។ ការសន្មត់នៃភាពស្វ៊ែរ។ការសន្មត់នៃភាពស្វ៊ែរគឺជាលក្ខខណ្ឌចាំបាច់ និងគ្រប់គ្រាន់សម្រាប់លក្ខណៈវិនិច្ឆ័យ F ដើម្បីឱ្យមានភាពយុត្តិធម៌។ វាមាននៅក្នុងការពិតដែលថានៅក្នុងក្រុមការសង្កេតទាំងអស់គឺឯករាជ្យនិងចែកចាយស្មើៗគ្នា។ ធម្មជាតិនៃការសន្មត់ទាំងនេះ ក៏ដូចជាផលប៉ះពាល់នៃការបំពានរបស់ពួកគេ ជាធម្មតាមិនត្រូវបានពិពណ៌នាយ៉ាងល្អនៅក្នុងសៀវភៅស្តីពីការវិភាគនៃភាពខុសគ្នានោះទេ - វានឹងត្រូវបានពិពណ៌នានៅក្នុងកថាខណ្ឌខាងក្រោម។ វាក៏នឹងត្រូវបានបង្ហាញផងដែរថាលទ្ធផលនៃវិធីសាស្រ្ត univariate អាចខុសគ្នាពីលទ្ធផលនៃវិធីសាស្រ្ត multivariate ហើយវានឹងត្រូវបានពន្យល់ពីអត្ថន័យនេះ។ តម្រូវការឯករាជ្យនៃសម្មតិកម្ម។វិធីទូទៅក្នុងការវិភាគទិន្នន័យក្នុងការវិភាគភាពប្រែប្រួលគឺ ម៉ូដែលសម. ប្រសិនបើទាក់ទងនឹងគំរូដែលត្រូវគ្នានឹងទិន្នន័យមានមួយចំនួន អាទិភាពសម្មតិកម្មបន្ទាប់មកភាពខុសគ្នាត្រូវបានបំបែកដើម្បីសាកល្បងសម្មតិកម្មទាំងនេះ (លក្ខណៈវិនិច្ឆ័យសម្រាប់ឥទ្ធិពលចម្បង អន្តរកម្ម) ។ តាមទស្សនៈនៃការគណនា វិធីសាស្រ្តនេះបង្កើតភាពផ្ទុយគ្នាមួយចំនួន (សំណុំនៃការប្រៀបធៀបមធ្យោបាយក្នុងការរចនា)។ ទោះយ៉ាងណាក៏ដោយ ប្រសិនបើភាពផ្ទុយគ្នាមិនឯករាជ្យពីគ្នាទៅវិញទៅមក ការបែងចែកភាពខុសប្លែកគ្នានឹងក្លាយជាគ្មានន័យ។ ឧទាហរណ៍ប្រសិនបើភាពផ្ទុយគ្នាពីរ កនិង ខគឺដូចគ្នាបេះបិទ ហើយផ្នែកដែលត្រូវគ្នាត្រូវបានជ្រើសរើសពីភាពខុសគ្នា បន្ទាប់មកផ្នែកដូចគ្នាត្រូវបានជ្រើសរើសពីរដង។ ជាឧទាហរណ៍ វាឆ្កួតហើយគ្មានន័យទេក្នុងការបញ្ចេញសម្មតិកម្មពីរ៖ "មធ្យមក្នុងក្រឡា 1 ខ្ពស់ជាងមធ្យមក្នុងក្រឡា 2" និង "មធ្យមក្នុងក្រឡា 1 ខ្ពស់ជាងមធ្យមក្នុងក្រឡា 2" ។ ដូច្នេះសម្មតិកម្មត្រូវតែឯករាជ្យ ឬរាងពងក្រពើ។ សម្មតិកម្មឯករាជ្យនៅក្នុងការវាស់វែងម្តងហើយម្តងទៀត។ក្បួនដោះស្រាយទូទៅត្រូវបានអនុវត្តនៅក្នុងម៉ូឌុល ការវិភាគនៃភាពខុសគ្នានឹងព្យាយាមបង្កើតភាពផ្ទុយគ្នា (រាងពងក្រពើ) ឯករាជ្យសម្រាប់ឥទ្ធិពលនីមួយៗ។ សម្រាប់កត្តាវិធានការម្តងហើយម្តងទៀត ភាពផ្ទុយគ្នាទាំងនេះផ្តល់នូវសម្មតិកម្មជាច្រើនអំពី ភាពខុសគ្នារវាងកម្រិតនៃកត្តាដែលបានពិចារណា។ ទោះជាយ៉ាងណាក៏ដោយ ប្រសិនបើភាពខុសគ្នាទាំងនេះត្រូវបានទាក់ទងគ្នាជាក្រុម នោះភាពផ្ទុយគ្នាជាលទ្ធផលនឹងលែងឯករាជ្យទៀតហើយ។ ជាឧទាហរណ៍ នៅក្នុងការបណ្តុះបណ្តាលដែលអ្នកសិក្សាត្រូវបានវាស់បីដងក្នុងឆមាសមួយ វាអាចកើតឡើងដែលការផ្លាស់ប្តូររវាងវិមាត្រទី 1 និងទី 2 ត្រូវបានទាក់ទងអវិជ្ជមានជាមួយនឹងការផ្លាស់ប្តូររវាងវិមាត្រទី 2 និងទី 3 នៃមុខវិជ្ជា។ អ្នកទាំងឡាយណាដែលស្ទាត់ជំនាញសម្ភារៈភាគច្រើនរវាងវិមាត្រទី 1 និងទី 2 ធ្វើជាម្ចាស់ផ្នែកតូចជាងក្នុងអំឡុងពេលដែលបានកន្លងផុតទៅរវាងវិមាត្រទី 2 និងទី 3 ។ ជាការពិត សម្រាប់ករណីភាគច្រើនដែលការវិភាគនៃភាពខុសគ្នាត្រូវបានប្រើក្នុងការវាស់វែងម្តងហើយម្តងទៀត វាអាចត្រូវបានសន្មត់ថាការផ្លាស់ប្តូរកម្រិតត្រូវបានជាប់ទាក់ទងគ្នាលើប្រធានបទ។ ទោះយ៉ាងណាក៏ដោយ នៅពេលដែលវាកើតឡើង ការសន្មត់ស៊ីមេទ្រី និងស្វ៊ែរស្មុគ្រស្មាញមិនត្រូវបានបំពេញ ហើយភាពផ្ទុយគ្នាឯករាជ្យមិនអាចគណនាបានទេ។ ឥទ្ធិពលនៃការរំលោភបំពាន និងវិធីដើម្បីកែតម្រូវពួកគេ។នៅពេលដែលការសន្មត់ស៊ីមេទ្រីស្មុគ្រស្មាញ ឬការសន្មត់រាងស្វ៊ែរមិនត្រូវបានបំពេញ ការវិភាគនៃភាពប្រែប្រួលអាចបង្កើតលទ្ធផលខុស។ មុនពេលនីតិវិធីពហុវ៉ារ្យង់ត្រូវបានបង្កើតឡើងគ្រប់គ្រាន់ ការសន្មត់ជាច្រើនត្រូវបានធ្វើឡើងដើម្បីទូទាត់សងសម្រាប់ការរំលោភលើការសន្មត់ទាំងនេះ។ (សូមមើលឧទាហរណ៍ Greenhouse & Geisser, 1959 និង Huynh & Feldt, 1970)។ វិធីសាស្រ្តទាំងនេះនៅតែត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនាពេលបច្ចុប្បន្ននេះ (នោះហើយជាមូលហេតុដែលពួកគេត្រូវបានបង្ហាញនៅក្នុងម៉ូឌុល ការវិភាគនៃភាពខុសគ្នា). ការវិភាគពហុវ៉ារ្យង់នៃវិធីសាស្រ្តបំរែបំរួលចំពោះការវាស់វែងម្តងហើយម្តងទៀត។ជាទូទៅបញ្ហានៃស៊ីមេទ្រីស្មុគ្រស្មាញនិងស្វ៊ែរសំដៅទៅលើការពិតដែលថាសំណុំនៃភាពផ្ទុយគ្នាដែលបានរួមបញ្ចូលនៅក្នុងការសិក្សាអំពីឥទ្ធិពលនៃកត្តាវាស់វែងម្តងហើយម្តងទៀត (ដែលមានលើសពី 2 កម្រិត) មិនឯករាជ្យពីគ្នាទៅវិញទៅមក។ ទោះជាយ៉ាងណាក៏ដោយពួកគេមិនចាំបាច់ឯករាជ្យទេប្រសិនបើពួកគេត្រូវបានគេប្រើ។ ពហុវិមាត្រលក្ខណៈវិនិច្ឆ័យសម្រាប់ការធ្វើតេស្តក្នុងពេលដំណាលគ្នាអំពីសារៈសំខាន់ស្ថិតិនៃកត្តាផ្ទុយគ្នានៃវិធានការម្តងហើយម្តងទៀតពីរ។ នេះជាហេតុផលដែលការវិភាគពហុវ៉ារ្យង់នៃវិធីសាស្ត្របំរែបំរួលត្រូវបានប្រើប្រាស់កាន់តែខ្លាំងឡើងដើម្បីសាកល្បងសារៈសំខាន់នៃកត្តាវិធានការម្តងហើយម្តងទៀតដែលមានលើសពី 2 កម្រិត។ វិធីសាស្រ្តនេះត្រូវបានគេប្រើយ៉ាងទូលំទូលាយព្រោះវាជាទូទៅមិនតម្រូវឱ្យមានការសន្មត់នៃស៊ីមេទ្រីស្មុគ្រស្មាញ និងការសន្មត់នៃភាពស្វ៊ែរ។ ករណីដែលការវិភាគចម្រុះនៃវិធីសាស្រ្តបំរែបំរួលមិនអាចប្រើបាន។មានឧទាហរណ៍ (ផែនការ) នៅពេលដែលការវិភាគចម្រុះនៃវិធីសាស្រ្តបំរែបំរួលមិនអាចត្រូវបានអនុវត្ត។ ទាំងនេះជាធម្មតាជាករណីដែលមានមុខវិជ្ជាមួយចំនួនតូចនៅក្នុងការរចនា និងកម្រិតជាច្រើននៅក្នុងកត្តាវាស់វែងម្តងហើយម្តងទៀត។ បន្ទាប់មកប្រហែលជាមានការសង្កេតតិចតួចពេកដើម្បីអនុវត្តការវិភាគចម្រុះ។ ឧទាហរណ៍ប្រសិនបើមាន 12 អង្គភាព។ ទំ = 4
កត្តាវាស់វែងម្តងហើយម្តងទៀត ហើយកត្តានីមួយៗមាន k = 3
កម្រិត។ បន្ទាប់មកអន្តរកម្មនៃកត្តា 4 នឹង "ចំណាយ" (k-1) ភី = 2
4
= 16
កម្រិតនៃសេរីភាព។ ទោះយ៉ាងណាក៏ដោយ មានតែ 12 មុខវិជ្ជាប៉ុណ្ណោះ ដូច្នេះហើយ ការធ្វើតេស្តចម្រុះមិនអាចត្រូវបានអនុវត្តនៅក្នុងឧទាហរណ៍នេះទេ។ ម៉ូឌុល ការវិភាគនៃភាពខុសគ្នានឹងរកឃើញការសង្កេតទាំងនេះដោយឯករាជ្យ និងគណនាលក្ខណៈវិនិច្ឆ័យវិមាត្រតែមួយប៉ុណ្ណោះ។ ភាពខុសគ្នានៃលទ្ធផល univariate និង multivariate ។ប្រសិនបើការសិក្សារួមបញ្ចូលនូវវិធានការម្តងហើយម្តងទៀតមួយចំនួនធំ វាអាចមានករណីដែលវិធីសាស្រ្តវាស់វែងម្តងហើយម្តងទៀតនៃ ANOVA ផ្តល់លទ្ធផលដែលខុសគ្នាខ្លាំងពីអ្វីដែលទទួលបានជាមួយនឹងវិធីសាស្រ្តពហុវ៉ារ្យង់។ នេះមានន័យថាភាពខុសគ្នារវាងកម្រិតនៃការវាស់វែងម្តងហើយម្តងទៀតរៀងៗខ្លួនត្រូវបានជាប់ទាក់ទងគ្នានៅទូទាំងមុខវិជ្ជា។ ពេលខ្លះការពិតនេះគឺជាការចាប់អារម្មណ៍ឯករាជ្យខ្លះ។ ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ គំរូសមីការរចនាសម្ព័ន្ធបានក្លាយជាការពេញនិយមជាជម្រើសមួយសម្រាប់ការវិភាគការបែកខ្ចាត់ខ្ចាយចម្រុះ (សូមមើលឧទាហរណ៍ Bagozzi និង Yi, 1989; Bagozzi, Yi, and Singh, 1991; Cole, Maxwell, Arvey, and Salas, 1993)។ វិធីសាស្រ្តនេះអនុញ្ញាតឱ្យអ្នកសាកល្បងសម្មតិកម្មមិនត្រឹមតែអំពីមធ្យោបាយនៅក្នុងក្រុមផ្សេងៗគ្នាប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងអំពីម៉ាទ្រីសទំនាក់ទំនងនៃអថេរអាស្រ័យផងដែរ។ ជាឧទាហរណ៍ អ្នកអាចបន្ធូរបន្ថយការសន្មត់អំពីភាពដូចគ្នានៃភាពខុសគ្នា និងភាពដូចគ្នា ហើយរួមបញ្ចូលយ៉ាងច្បាស់នូវកំហុសនៅក្នុងគំរូសម្រាប់ក្រុមនីមួយៗនៃភាពខុសប្លែកគ្នា និងភាពខុសគ្នា។ ម៉ូឌុល ស្ថិតិគំរូសមីការរចនាសម្ព័ន្ធ (SEPATH)
(សូមមើលភាគទី III) អនុញ្ញាតឱ្យមានការវិភាគបែបនេះ។ វិធីសាស្រ្តដែលបានពិភាក្សាខាងលើសម្រាប់ការសាកល្បងសម្មតិកម្មស្ថិតិអំពីសារៈសំខាន់នៃភាពខុសគ្នារវាងមធ្យោបាយពីរគឺត្រូវបានប្រើប្រាស់ក្នុងការអនុវត្តមានកម្រិត។ នេះគឺដោយសារតែការពិតដែលថាដើម្បីកំណត់ពីឥទ្ធិពលនៃលក្ខខណ្ឌនិងកត្តាដែលអាចធ្វើបានទាំងអស់លើលក្ខណៈលទ្ធផល ការពិសោធន៍វាលនិងមន្ទីរពិសោធន៍ជាក្បួនត្រូវបានអនុវត្តដោយមិនប្រើពីរទេប៉ុន្តែចំនួនគំរូធំជាង (1220 ឬច្រើនជាងនេះ។ ) ជាញឹកញយ អ្នកស្រាវជ្រាវប្រៀបធៀបមធ្យោបាយនៃសំណាកជាច្រើនបញ្ចូលគ្នាទៅក្នុងស្មុគស្មាញតែមួយ។ ជាឧទាហរណ៍ នៅពេលសិក្សាពីឥទ្ធិពលនៃប្រភេទផ្សេងៗ និងកម្រិតនៃជីលើទិន្នផលដំណាំ ការពិសោធន៍ត្រូវបានធ្វើម្តងទៀតក្នុងកំណែផ្សេងៗគ្នា។ នៅក្នុងករណីទាំងនេះ ការប្រៀបធៀបជាគូក្លាយជារឿងពិបាក ហើយការវិភាគស្ថិតិនៃស្មុគស្មាញទាំងមូលទាមទារឱ្យប្រើវិធីសាស្ត្រពិសេសមួយ។ វិធីសាស្រ្តនេះដែលត្រូវបានបង្កើតឡើងនៅក្នុងស្ថិតិគណិតវិទ្យាត្រូវបានគេហៅថាការវិភាគនៃការប្រែប្រួល។ វាត្រូវបានប្រើជាលើកដំបូងដោយអ្នកស្ថិតិជនជាតិអង់គ្លេស R. Fisher នៅពេលដំណើរការលទ្ធផលនៃការពិសោធន៍កសិកម្ម (1938) ។ ការវិភាគនៃភាពខុសគ្នា- នេះគឺជាវិធីសាស្រ្តនៃការវាយតម្លៃស្ថិតិនៃភាពអាចជឿជាក់បាននៃការបង្ហាញនៃការពឹងផ្អែកនៃលក្ខណៈពិសេសមានប្រសិទ្ធិភាពលើកត្តាមួយឬច្រើន។ ដោយប្រើវិធីសាស្រ្តនៃការវិភាគនៃភាពខុសគ្នា សម្មតិកម្មស្ថិតិត្រូវបានសាកល្បងទាក់ទងនឹងមធ្យមភាគក្នុងចំនួនប្រជាជនទូទៅមួយចំនួនដែលមានការបែងចែកធម្មតា។ ការវិភាគភាពខុសប្លែកគ្នា គឺជាវិធីសាស្រ្តសំខាន់មួយនៃការវាយតម្លៃស្ថិតិនៃលទ្ធផលនៃការពិសោធន៍មួយ។ វាក៏ត្រូវបានគេប្រើកាន់តែខ្លាំងឡើងក្នុងការវិភាគព័ត៌មានសេដ្ឋកិច្ច។ ការវិភាគលើភាពខុសប្លែកគ្នាធ្វើឱ្យវាអាចបង្កើតថាតើសូចនាករជ្រើសរើសនៃទំនាក់ទំនងរវាងសញ្ញាប្រសិទ្ធភាព និងកត្តាគឺគ្រប់គ្រាន់ដើម្បីផ្សព្វផ្សាយទិន្នន័យដែលទទួលបានពីគំរូដល់ប្រជាជនទូទៅយ៉ាងដូចម្តេច។ អត្ថប្រយោជន៍នៃវិធីសាស្រ្តនេះគឺថាវាផ្តល់នូវការសន្និដ្ឋានដែលអាចទុកចិត្តបានពីគំរូតូចៗ។ តាមរយៈការពិនិត្យមើលបំរែបំរួលនៃគុណលក្ខណៈលទ្ធផលក្រោមឥទ្ធិពលនៃកត្តាមួយ ឬច្រើន ដោយប្រើការវិភាគនៃការប្រែប្រួល មនុស្សម្នាក់អាចទទួលបាន បន្ថែមពីលើការប៉ាន់ប្រមាណទូទៅនៃសារៈសំខាន់នៃភាពអាស្រ័យ ក៏ជាការវាយតម្លៃពីភាពខុសគ្នានៃតម្លៃមធ្យមផងដែរ។ ត្រូវបានបង្កើតឡើងនៅកម្រិតផ្សេងៗគ្នានៃកត្តា និងសារៈសំខាន់នៃអន្តរកម្មនៃកត្តា។ ការវិភាគបែកខ្ញែកត្រូវបានប្រើដើម្បីសិក្សាពីភាពអាស្រ័យនៃលក្ខណៈបរិមាណ និងគុណភាព ក៏ដូចជាការរួមផ្សំរបស់វា។ ខ្លឹមសារនៃវិធីសាស្រ្តនេះស្ថិតនៅក្នុងការសិក្សាស្ថិតិអំពីប្រូបាប៊ីលីតេនៃឥទ្ធិពលនៃកត្តាមួយ ឬច្រើន ព្រមទាំងអន្តរកម្មរបស់ពួកគេលើលក្ខណៈមានប្រសិទ្ធភាព។ អាស្រ័យហេតុនេះ កិច្ចការសំខាន់ៗចំនួនបីត្រូវបានដោះស្រាយដោយជំនួយនៃការវិភាគភាពប្រែប្រួល៖ 1) ការវាយតម្លៃទូទៅអំពីសារៈសំខាន់នៃភាពខុសគ្នារវាងមធ្យោបាយក្រុម។ 2) ការវាយតម្លៃនៃប្រូបាប៊ីលីតេនៃអន្តរកម្មនៃកត្តា; 3) ការវាយតម្លៃពីសារៈសំខាន់នៃភាពខុសគ្នារវាងមធ្យោបាយជាគូ។ ភាគច្រើនជាញឹកញាប់ អ្នកស្រាវជ្រាវត្រូវដោះស្រាយបញ្ហាបែបនេះនៅពេលធ្វើការពិសោធន៍លើវាលស្រែ និងសួនសត្វ នៅពេលដែលឥទ្ធិពលនៃកត្តាជាច្រើនលើលក្ខណៈលទ្ធផលត្រូវបានសិក្សា។ គ្រោងការណ៍គោលការណ៍នៃការវិភាគការបែកខ្ញែករួមមានការបង្កើតប្រភពសំខាន់នៃការប្រែប្រួលនៃគុណលក្ខណៈលទ្ធផលនិងការកំណត់បរិមាណនៃការប្រែប្រួល (ផលបូកនៃគម្លាតការ៉េ) យោងទៅតាមប្រភពនៃការបង្កើតរបស់វា; ការកំណត់ចំនួនដឺក្រេនៃសេរីភាពដែលត្រូវគ្នានឹងធាតុផ្សំនៃការប្រែប្រួលសរុប; ការគណនានៃបំរែបំរួលជាសមាមាត្រនៃបរិមាណដែលត្រូវគ្នានៃការប្រែប្រួលទៅនឹងចំនួនដឺក្រេនៃសេរីភាពរបស់ពួកគេ; ការវិភាគនៃទំនាក់ទំនងរវាងការបែកខ្ញែក; ការវាយតម្លៃនៃភាពអាចជឿជាក់បាននៃភាពខុសគ្នារវាងមធ្យមភាគ និងការបង្កើតការសន្និដ្ឋាន។ គ្រោងការណ៍នេះត្រូវបានរក្សាទុកទាំងនៅក្នុងគំរូ ANOVA សាមញ្ញ នៅពេលដែលទិន្នន័យត្រូវបានដាក់ជាក្រុមយោងទៅតាមគុណលក្ខណៈមួយ និងនៅក្នុងគំរូស្មុគស្មាញ នៅពេលដែលទិន្នន័យត្រូវបានដាក់ជាក្រុមយោងទៅតាមគុណលក្ខណៈពីរឬច្រើន។ ទោះជាយ៉ាងណាក៏ដោយជាមួយនឹងការកើនឡើងនៃចំនួនលក្ខណៈក្រុមដំណើរការនៃការ decomposition នៃការប្រែប្រួលទូទៅយោងទៅតាមប្រភពនៃការបង្កើតរបស់វាកាន់តែស្មុគស្មាញ។ យោងតាមដ្យាក្រាមគំនូសតាង ការវិភាគនៃភាពប្រែប្រួលអាចត្រូវបានតំណាងជាប្រាំជំហានជាប់ៗគ្នា៖ 1) និយមន័យនិងការបំបែកបំរែបំរួល; 2) ការកំណត់ចំនួនដឺក្រេនៃសេរីភាពនៃការប្រែប្រួល; 3) ការគណនានៃការបែកខ្ញែកនិងសមាមាត្ររបស់ពួកគេ; 4) ការវិភាគនៃការបែកខ្ញែកនិងសមាមាត្ររបស់ពួកគេ; 5) ការវាយតម្លៃនៃភាពអាចជឿជាក់បាននៃភាពខុសគ្នារវាងមធ្យោបាយនិងការបង្កើតការសន្និដ្ឋានលើការធ្វើតេស្តសម្មតិកម្មទទេ។ ផ្នែកដែលប្រើពេលវេលាច្រើនបំផុតនៃការវិភាគនៃការប្រែប្រួលគឺជាដំណាក់កាលដំបូង - និយមន័យ និងការបំបែកបំរែបំរួលដោយប្រភពនៃការបង្កើតរបស់វា។ លំដាប់នៃការពង្រីកបរិមាណសរុបនៃការប្រែប្រួលត្រូវបានពិភាក្សាលម្អិតនៅក្នុងជំពូកទី 5 ។ មូលដ្ឋានសម្រាប់ការដោះស្រាយបញ្ហានៃការវិភាគបំរែបំរួលគឺជាច្បាប់នៃការពង្រីក (ការបន្ថែម) នៃបំរែបំរួល យោងទៅតាមការបំរែបំរួលសរុប (ការប្រែប្រួល) នៃគុណលក្ខណៈលទ្ធផលត្រូវបានបែងចែកជាពីរ៖ បំរែបំរួលដោយសារសកម្មភាពនៃកត្តាដែលបានសិក្សា (កត្តា ) និងបំរែបំរួលដែលបណ្តាលមកពីសកម្មភាពនៃមូលហេតុចៃដន្យ នោះគឺជា ឧបមាថាចំនួនប្រជាជនដែលកំពុងសិក្សាត្រូវបានបែងចែកទៅជាក្រុមជាច្រើនយោងទៅតាមកត្តាកត្តា ដែលនីមួយៗត្រូវបានកំណត់លក្ខណៈដោយតម្លៃមធ្យមរបស់វានៃគុណលក្ខណៈប្រសិទ្ធភាព។ ក្នុងពេលជាមួយគ្នានេះ ការប្រែប្រួលនៃតម្លៃទាំងនេះអាចត្រូវបានពន្យល់ដោយហេតុផលពីរប្រភេទ៖ ដែលមានលក្ខណៈជាប្រព័ន្ធលើមុខងារដ៏មានប្រសិទ្ធភាព និងអាចកែប្រែបានក្នុងវគ្គនៃការពិសោធន៍ និងមិនអាចកែប្រែបានឡើយ។ វាច្បាស់ណាស់ថាបំរែបំរួលអន្តរក្រុម (កត្តា ឬជាប្រព័ន្ធ) អាស្រ័យជាចម្បងលើសកម្មភាពនៃកត្តាដែលបានសិក្សា ហើយក្រុមក្នុងក្រុម (សំណល់ ឬចៃដន្យ) - លើសកម្មភាពនៃកត្តាចៃដន្យ។ ដើម្បីវាយតម្លៃពីសារៈសំខាន់នៃភាពខុសគ្នារវាងមធ្យោបាយជាក្រុម ចាំបាច់ត្រូវកំណត់ការប្រែប្រួលរវាងក្រុម និងក្នុងក្រុម។ ប្រសិនបើបំរែបំរួលអន្តរក្រុម (កត្តា) លើសពីការបំរែបំរួលក្នុងក្រុម (សំណល់) យ៉ាងខ្លាំង នោះកត្តាបានជះឥទ្ធិពលលើលក្ខណៈលទ្ធផល ដោយផ្លាស់ប្តូរតម្លៃនៃមធ្យមភាគក្រុមយ៉ាងខ្លាំង។ ប៉ុន្តែសំណួរកើតឡើង តើសមាមាត្ររវាងអន្តរក្រុម និងបំរែបំរួលក្នុងក្រុម ជាអ្វីដែលអាចចាត់ទុកថាគ្រប់គ្រាន់សម្រាប់ការសន្និដ្ឋានអំពីភាពអាចជឿជាក់បាន (សារៈសំខាន់) នៃភាពខុសគ្នារវាងមធ្យោបាយក្រុម។ ដើម្បីវាយតម្លៃពីសារៈសំខាន់នៃភាពខុសគ្នារវាងមធ្យោបាយ និងបង្កើតការសន្និដ្ឋានលើការធ្វើតេស្តសម្មតិកម្មគ្មានន័យ (H0: x1 = x2 = ... = xn) ការវិភាគនៃវ៉ារ្យ៉ង់ប្រើប្រភេទស្តង់ដារ - លក្ខណៈវិនិច្ឆ័យ G ដែលជាច្បាប់ចែកចាយនៃ ដែលត្រូវបានបង្កើតឡើងដោយ R. Fisher ។ លក្ខណៈវិនិច្ឆ័យនេះគឺជាសមាមាត្រនៃបំរែបំរួលពីរ៖ ហ្វាក់តូរីល បង្កើតដោយសកម្មភាពនៃកត្តាដែលកំពុងសិក្សា និងសំណល់ដោយសារសកម្មភាពនៃមូលហេតុចៃដន្យ៖ សមាមាត្រការបែកខ្ញែក r = t > u :
£ * 2 ដោយអ្នកស្ថិតិអាមេរិក Snedecor ស្នើឱ្យតំណាងដោយអក្សរ G ក្នុងកិត្តិយសរបស់អ្នកបង្កើតការវិភាគនៃការប្រែប្រួល R. Fisher ។ ការបែកខ្ញែក°2 io2 គឺជាការប៉ាន់ប្រមាណនៃភាពខុសប្លែកគ្នានៃចំនួនប្រជាជនទូទៅ។ ប្រសិនបើគំរូដែលមានការបែកខ្ញែកនៃ°2°2 ត្រូវបានធ្វើឡើងពីប្រជាជនទូទៅដូចគ្នា ដែលការប្រែប្រួលនៃតម្លៃគឺចៃដន្យ នោះភាពខុសគ្នានៃតម្លៃ°2°2 ក៏ចៃដន្យផងដែរ។ ប្រសិនបើការពិសោធន៍ពិនិត្យមើលឥទ្ធិពលនៃកត្តាជាច្រើន (A, B, C ។ °e.gP, i.e ប្រសិនបើតម្លៃនៃភាពខុសគ្នានៃកត្តាគឺធំជាងសំណល់ នោះកត្តាបានជះឥទ្ធិពលយ៉ាងខ្លាំងទៅលើគុណលក្ខណៈលទ្ធផល និងច្រាសមកវិញ។ នៅក្នុងការពិសោធន៍ពហុកត្តា បន្ថែមពីលើការប្រែប្រួលដោយសារសកម្មភាពនៃកត្តានីមួយៗ វាស្ទើរតែតែងតែមានការប្រែប្រួលដោយសារអន្តរកម្មនៃកត្តា ($av: ^ls ^ss $liіs)។ ខ្លឹមសារនៃអន្តរកម្មគឺថាឥទ្ធិពលនៃកត្តាមួយផ្លាស់ប្តូរយ៉ាងខ្លាំងនៅកម្រិតផ្សេងគ្នានៃទីពីរ (ឧទាហរណ៍ប្រសិទ្ធភាពនៃគុណភាពដីក្នុងកម្រិតផ្សេងគ្នានៃជី) ។ អន្តរកម្មនៃកត្តាក៏គួរត្រូវបានវាយតម្លៃដោយការប្រៀបធៀបការប្រែប្រួលរៀងៗខ្លួន 3 ^w.gr៖ នៅពេលគណនាតម្លៃជាក់ស្តែងនៃ B-criterion ភាពប្រែប្រួលដ៏ធំបំផុតត្រូវបានយកក្នុងភាគយក ដូច្នេះ B > 1. វាច្បាស់ណាស់ថា B-criterion ធំជាង ភាពខុសគ្នារវាង Variances កាន់តែធំ។ ប្រសិនបើ B = 1 នោះសំណួរនៃការវាយតម្លៃសារៈសំខាន់នៃភាពខុសគ្នានៃការប្រែប្រួលត្រូវបានដកចេញ។ ដើម្បីកំណត់ដែនកំណត់នៃការប្រែប្រួលចៃដន្យ សមាមាត្រនៃការប្រែប្រួល G. Fisher បានបង្កើតតារាងពិសេសនៃការចែកចាយ B (ឧបសម្ព័ន្ធទី 4 និង 5) ។ លក្ខណៈវិនិច្ឆ័យ B មានមុខងារទាក់ទងនឹងប្រូបាប៊ីលីតេ ហើយអាស្រ័យលើចំនួនដឺក្រេនៃសេរីភាពនៃការបំរែបំរួល k1និង k2 នៃភាពខុសគ្នាទាំងពីរប្រៀបធៀប។ តារាងពីរជាធម្មតាត្រូវបានប្រើដើម្បីធ្វើការសន្និដ្ឋានអំពីតម្លៃអតិបរមានៃលក្ខណៈវិនិច្ឆ័យសម្រាប់កម្រិតសារៈសំខាន់នៃ 0.05 និង 0.01 ។ កម្រិតសារៈសំខាន់នៃ 0.05 (ឬ 5%) មានន័យថាមានតែក្នុង 5 ករណីក្នុងចំណោម 100 លក្ខណៈវិនិច្ឆ័យ B អាចទទួលយកតម្លៃស្មើនឹង ឬខ្ពស់ជាងដែលបានបញ្ជាក់ក្នុងតារាង។ ការថយចុះកម្រិតសារៈសំខាន់ពី 0.05 ដល់ 0.01 នាំឱ្យមានការកើនឡើងនៃតម្លៃនៃលក្ខណៈវិនិច្ឆ័យ B រវាងការប្រែប្រួលពីរដោយសារតែសកម្មភាពនៃមូលហេតុចៃដន្យប៉ុណ្ណោះ។ តម្លៃនៃលក្ខណៈវិនិច្ឆ័យក៏អាស្រ័យដោយផ្ទាល់ទៅលើចំនួនដឺក្រេនៃសេរីភាពនៃការបែកខ្ចាត់ខ្ចាយប្រៀបធៀបទាំងពីរ។ ប្រសិនបើចំនួនដឺក្រេនៃសេរីភាពមានទំនោរទៅរកភាពគ្មានទីបញ្ចប់ (k-me) នោះសមាមាត្រនៃឆន្ទៈសម្រាប់ការបែកខ្ញែកពីរមានទំនោរទៅជាឯកភាព។ តម្លៃតារាងនៃលក្ខណៈវិនិច្ឆ័យ B បង្ហាញពីតម្លៃចៃដន្យដែលអាចកើតមាននៃសមាមាត្រនៃវ៉ារ្យ៉ង់ពីរនៅកម្រិតសារៈសំខាន់ដែលបានផ្តល់ឱ្យ និងចំនួនដឺក្រេនៃសេរីភាពដែលត្រូវគ្នាសម្រាប់ការប្រែប្រួលប្រៀបធៀបនីមួយៗ។ នៅក្នុងតារាងទាំងនេះតម្លៃនៃ B ត្រូវបានផ្តល់ឱ្យសម្រាប់គំរូដែលធ្វើពីប្រជាជនទូទៅដូចគ្នាដែលហេតុផលសម្រាប់ការផ្លាស់ប្តូរតម្លៃគឺចៃដន្យតែប៉ុណ្ណោះ។ តម្លៃ G ត្រូវបានរកឃើញពីតារាង (ឧបសម្ព័ន្ធទី ៤ និង ៥) នៅចំនុចប្រសព្វនៃជួរឈរដែលត្រូវគ្នា (ចំនួនដឺក្រេនៃសេរីភាពសម្រាប់ការបែកខ្ញែកធំជាង - k1) និងជួរ (ចំនួនដឺក្រេនៃសេរីភាពសម្រាប់ការបែកខ្ញែកតូចជាង។ - k2) ។ ដូច្នេះប្រសិនបើបំរែបំរួលធំជាង (លេខ G) k1 = 4 និងតូចជាង (ភាគបែង G) k2 = 9 នោះ Ga នៅកម្រិតសារៈសំខាន់ a = 0.05 នឹងមាន 3.63 (កម្មវិធី 4) ។ ដូច្នេះ ជាលទ្ធផលនៃសកម្មភាពនៃមូលហេតុចៃដន្យ ដោយសារសំណាកគំរូតូច ភាពខុសប្លែកគ្នានៃគំរូមួយអាចក្នុងកម្រិតសារៈសំខាន់ 5% លើសពីការប្រែប្រួលសម្រាប់គំរូទីពីរ 3.63 ដង។ ជាមួយនឹងការថយចុះនៃកម្រិតសារៈសំខាន់ពី 0.05 ទៅ 0.01 តម្លៃតារាងនៃលក្ខណៈវិនិច្ឆ័យ D ដូចដែលបានកត់សម្គាល់ខាងលើនឹងកើនឡើង។ ដូច្នេះជាមួយនឹងដឺក្រេនៃសេរីភាពដូចគ្នា k1 = 4 និង k2 = 9 និង a = 0.01 តម្លៃតារាងនៃលក្ខណៈវិនិច្ឆ័យ G នឹងមាន 6.99 (កម្មវិធី 5) ។ ពិចារណាពីនីតិវិធីសម្រាប់កំណត់ចំនួនដឺក្រេនៃសេរីភាពក្នុងការវិភាគនៃការប្រែប្រួល។ ចំនួនដឺក្រេនៃសេរីភាពដែលត្រូវគ្នានឹងផលបូកសរុបនៃគម្លាតការេត្រូវបាន decomposed ទៅជាសមាសធាតុដែលត្រូវគ្នា ស្រដៀងគ្នាទៅនឹង decomposition នៃផលបូកនៃគម្លាតការេ (k1) និង intragroup (k2) បំរែបំរួល។ ដូច្នេះប្រសិនបើចំនួនប្រជាជនគំរូដែលមាន នការសង្កេតបែងចែកដោយ t
ក្រុម (ចំនួនជម្រើសពិសោធន៍) និង ទំ
ក្រុមរង (ចំនួនពាក្យដដែលៗ) បន្ទាប់មកចំនួនដឺក្រេនៃសេរីភាព k រៀងគ្នានឹងមានៈ ក) សម្រាប់ផលបូកសរុបនៃគម្លាតការេ (dszar) ខ) សម្រាប់ផលបូកអន្តរក្រុមនៃគម្លាតការេ ^m.gP) គ) សម្រាប់ផលបូកក្នុងក្រុមនៃគម្លាតការេ ក្នុង w.gr) យោងតាមច្បាប់បន្ថែមនៃការប្រែប្រួល៖ ឧទាហរណ៍ ប្រសិនបើការពិសោធន៍ចំនួនបួនត្រូវបានបង្កើតឡើងនៅក្នុងការពិសោធន៍ (m = 4) ក្នុង 5 ពាក្យដដែលៗនីមួយៗ (n = 5) ហើយចំនួនសរុបនៃការសង្កេត N = = t o p \u003d 4 * 5 \u003d 20 បន្ទាប់មកចំនួនដឺក្រេនៃសេរីភាពរៀងគ្នាគឺស្មើនឹង៖ ដោយដឹងពីផលបូកនៃគម្លាតការេនៃចំនួនដឺក្រេនៃសេរីភាព គេអាចកំណត់ការប៉ាន់ប្រមាណដែលមិនលំអៀង (កែតម្រូវ) សម្រាប់បំរែបំរួលបីយ៉ាង៖ សម្មតិកម្មគ្មានន័យ H0 ដោយលក្ខណៈវិនិច្ឆ័យ B ត្រូវបានសាកល្បងតាមរបៀបដូចគ្នានឹងការធ្វើតេស្ត u របស់សិស្ស។ ដើម្បីធ្វើការសម្រេចចិត្តលើការពិនិត្យមើល H0 វាចាំបាច់ត្រូវគណនាតម្លៃជាក់ស្តែងនៃលក្ខណៈវិនិច្ឆ័យ ហើយប្រៀបធៀបវាជាមួយនឹងតម្លៃតារាង Ba សម្រាប់កម្រិតនៃសារៈសំខាន់ដែលទទួលយកបាន a និងចំនួនដឺក្រេនៃសេរីភាព។ k1និង k2 សម្រាប់ការបែកខ្ញែកពីរ។ ប្រសិនបើ Bfakg > Ba នោះ ស្របតាមកម្រិតនៃសារៈសំខាន់ដែលទទួលយកបាន យើងអាចសន្និដ្ឋានថាភាពខុសគ្នានៃភាពខុសគ្នានៃគំរូត្រូវបានកំណត់មិនត្រឹមតែដោយកត្តាចៃដន្យប៉ុណ្ណោះទេ។ ពួកគេមានសារៈសំខាន់។ ក្នុងករណីនេះ សម្មតិកម្មទុកជាមោឃៈត្រូវបានច្រានចោល ហើយមានហេតុផលដើម្បីជឿថាកត្តានេះប៉ះពាល់យ៉ាងខ្លាំងដល់គុណលក្ខណៈលទ្ធផល។ ប្រសិនបើ< Ба, то нулевую гипотезу принимают и есть основание утверждать, что различия между сравниваемыми дисперсиями находятся в границах возможных случайных колебаний: действие фактора на результативный признак не является существенным. ការប្រើប្រាស់គំរូ ANOVA មួយ ឬមួយផ្សេងទៀតគឺអាស្រ័យលើចំនួនកត្តាដែលបានសិក្សា និងលើវិធីសាស្រ្តនៃគំរូ។ អាស្រ័យលើចំនួនកត្តាដែលកំណត់ការប្រែប្រួលនៃមុខងារមានប្រសិទ្ធភាព គំរូអាចត្រូវបានបង្កើតឡើងដោយកត្តាមួយ ពីរ ឬច្រើន។ យោងតាមការវិភាគនេះ ភាពខុសគ្នាត្រូវបានបែងចែកទៅជាកត្តាតែមួយ និងកត្តាពហុកត្តា។ បើមិនដូច្នេះទេ វាក៏ត្រូវបានគេហៅថាស្មុគស្មាញបំបែកកត្តាតែមួយ និងពហុកត្តា។ គ្រោងការណ៍នៃការរលួយនៃការប្រែប្រួលទូទៅអាស្រ័យលើការបង្កើតក្រុម។ វាអាចជាចៃដន្យ (ការសង្កេតរបស់ក្រុមមួយមិនទាក់ទងនឹងការសង្កេតរបស់ក្រុមទីពីរ) និងមិនមែនចៃដន្យ (ការសង្កេតនៃសំណាកពីរត្រូវបានទាក់ទងគ្នាដោយលក្ខខណ្ឌទូទៅនៃការពិសោធន៍)។ ដូច្នោះហើយសំណាកឯករាជ្យនិងអាស្រ័យត្រូវបានទទួល។ សំណាកឯករាជ្យអាចបង្កើតបានទាំងលេខស្មើគ្នា និងមិនស្មើគ្នា។ ការបង្កើតគំរូអាស្រ័យសន្មតថាចំនួនស្មើគ្នារបស់ពួកគេ។ ប្រសិនបើក្រុមត្រូវបានបង្កើតឡើងក្នុងលំដាប់អហិង្សា នោះចំនួនសរុបនៃបំរែបំរួលនៃលក្ខណៈលទ្ធផលរួមមាន រួមជាមួយនឹងបំរែបំរួលកត្តា (ក្រុមអន្តរក្រុម) និងបំរែបំរួលសំណល់ បំរែបំរួលនៃពាក្យដដែលៗ នោះគឺ នៅក្នុងការអនុវត្ត ក្នុងករណីភាគច្រើន ចាំបាច់ត្រូវពិចារណាលើគំរូដែលពឹងផ្អែក នៅពេលដែលលក្ខខណ្ឌសម្រាប់ក្រុម និងក្រុមរងត្រូវបានស្មើគ្នា។ ដូច្នេះនៅក្នុងការពិសោធន៍វាល តំបន់ទាំងមូលត្រូវបានបែងចែកទៅជាប្លុកដោយមានលក្ខខណ្ឌដែលអាចសម្រេចបានច្រើនបំផុត។ នៅពេលជាមួយគ្នានោះ វ៉ារ្យ៉ង់នីមួយៗនៃការពិសោធន៍ទទួលបានឱកាសស្មើគ្នាក្នុងការតំណាងនៅក្នុងប្លុកទាំងអស់ ដែលសម្រេចបាននូវភាពស្មើគ្នានៃលក្ខខណ្ឌសម្រាប់ជម្រើសដែលបានសាកល្បងទាំងអស់ បទពិសោធន៍។ វិធីសាស្រ្តនៃការសាងសង់បទពិសោធន៍នេះត្រូវបានគេហៅថាវិធីសាស្រ្តនៃប្លុកចៃដន្យ។ ការពិសោធន៍ជាមួយសត្វត្រូវបានអនុវត្តស្រដៀងគ្នា។ នៅពេលដំណើរការទិន្នន័យសេដ្ឋកិច្ចសង្គមដោយវិធីសាស្រ្តនៃការវិភាគបែកខ្ញែក វាត្រូវតែចងចាំថា ដោយសារកត្តាជាច្រើន និងការទាក់ទងគ្នារបស់វា វាពិបាកណាស់ សូម្បីតែជាមួយនឹងការតម្រឹមយ៉ាងប្រុងប្រយ័ត្នបំផុតនៃលក្ខខណ្ឌ ដើម្បីបង្កើតកម្រិតនៃ ឥទ្ធិពលគោលបំណងនៃកត្តាបុគ្គលនីមួយៗលើគុណលក្ខណៈមានប្រសិទ្ធភាព។ ដូច្នេះកម្រិតនៃបំរែបំរួលសំណល់ត្រូវបានកំណត់មិនត្រឹមតែដោយមូលហេតុចៃដន្យប៉ុណ្ណោះទេ ប៉ុន្តែក៏មានកត្តាសំខាន់ៗដែលមិនត្រូវបានយកមកពិចារណានៅពេលសាងសង់គំរូ ANOVA ។ ជាលទ្ធផល ការបែកខ្ចាត់ខ្ចាយដែលនៅសេសសល់ជាមូលដ្ឋានសម្រាប់ការប្រៀបធៀប ជួនកាលក្លាយទៅជាមិនគ្រប់គ្រាន់សម្រាប់គោលបំណងរបស់វា វាត្រូវបានប៉ាន់ប្រមាណយ៉ាងច្បាស់ក្នុងទំហំ និងមិនអាចដើរតួជាលក្ខណៈវិនិច្ឆ័យសម្រាប់សារៈសំខាន់នៃឥទ្ធិពលនៃកត្តានោះទេ។ ក្នុងន័យនេះនៅពេលសាងសង់គំរូនៃការវិភាគការបែកខ្ញែកបញ្ហានៃការជ្រើសរើសកត្តាសំខាន់បំផុតនិងកម្រិតលក្ខខណ្ឌសម្រាប់ការបង្ហាញនៃសកម្មភាពរបស់ពួកគេម្នាក់ៗក្លាយជាពាក់ព័ន្ធ។ ក្រៅពីនេះ។ ការប្រើប្រាស់ការវិភាគនៃភាពខុសគ្នាសន្មត់ថាជាការចែកចាយធម្មតា ឬជិតទៅនឹងការចែកចាយធម្មតានៃចំនួនប្រជាជនស្ថិតិដែលកំពុងសិក្សា។ ប្រសិនបើលក្ខខណ្ឌនេះមិនត្រូវបានបំពេញ នោះការប៉ាន់ប្រមាណដែលទទួលបានក្នុងការវិភាគនៃភាពប្រែប្រួលនឹងត្រូវបានបំផ្លើស។
សញ្ញាដែលមានប្រសិទ្ធភាព គឺជាសញ្ញាដែលផ្លាស់ប្តូរនៅក្រោមឥទ្ធិពលនៃសញ្ញាកត្តា។
វិធីសាស្រ្តនេះត្រូវបានអនុវត្តនៅក្នុងការវិភាគមួយផ្លូវនៃវ៉ារ្យង់ នៅពេលដែលវ៉ារ្យង់បន្តនៃតម្លៃដែលបានសង្កេតទាំងអស់ត្រូវបាន decomposed ទៅជាវ៉ារ្យង់ក្នុងក្រុមបុគ្គល និងភាពខុសគ្នារវាងក្រុម។
វាត្រូវបានផ្អែកលើការវិភាគទំនាក់ទំនង ឬតំរែតំរង់ដែលប្រើក្នុងការវិភាគពហុវ៉ារ្យង់។
__________________________________
* ប្រូបាប៊ីលីតេដែលអាចទទួលយកបានអតិបរមានៃការបដិសេធសម្មតិកម្ម null ពិតត្រូវបានគេហៅថាកម្រិតសារៈសំខាន់ និងតំណាងដោយ α = 0.05 ។សញ្ញាលទ្ធផល (ចំនួនថ្ងៃចូលគេងជាមធ្យម)
កត្តា Etiological ក្នុងការវិវត្តនៃជំងឺរលាកសួត
ក១
ក២
ក៣
H1
H2
H1
H2
H1
H2
M = 14 ថ្ងៃ។
ដែល N គឺជាផលបូកនៃចំនួននៃការសង្កេតសម្រាប់ចំណាត់ថ្នាក់ទាំងអស់នៃកត្តាដែលខ្ញុំបង្ហាញ (Σn តាមក្រុម)។
D ការពិត។ - បំរែបំរួល Factorial (ក្រុមអន្តរក្រុម) កំណត់លក្ខណៈនៃការរីករាលដាលនៃមធ្យមភាគក្រុមពីមធ្យមភាគទូទៅ។
ឃ សម្រាក។ - បំរែបំរួលសំណល់ (ក្នុងក្រុម) កំណត់លក្ខណៈនៃការបែកខ្ញែកនៃវ៉ារ្យ៉ង់នៅក្នុងក្រុម។
F - លក្ខណៈវិនិច្ឆ័យរបស់អ្នកនេសាទ;
Fst. - តម្លៃតារាង (សូមមើលឧបសម្ព័ន្ធទី 1) ។
σ 2 ការពិត σ 2 សល់។ - គម្លាតកត្តា និងសំណល់ (ពី lat. de - from, via - road) - គម្លាតពីបន្ទាត់កណ្តាល ដែលកំណត់ដោយរូបមន្ត៖
r គឺជាចំនួននៃជម្រាលនៃគុណលក្ខណៈកត្តា។
v 2 \u003d N - 1
បញ្ជាក់ ឬបដិសេធសម្មតិកម្មទុកជាមោឃៈ ដោយប្រើការវិភាគមួយផ្លូវនៃការប្រែប្រួល៖
ដើម្បីកំណត់ឥទ្ធិពលនៃកត្តាមួយ (បទពិសោធន៍ការងារ) លើលទ្ធផល (អត្រារបួស)
1
2
3
4
5
6
7
8
9
10
11
6
6,0
13,4
5,1
10,9
4,8
9,8
4,5
9,2
4,4
8,8
4,3
8,5
4,2
8,3
4,1
8,1
4,1
8,0
4,1
7,9
4,0
7,8
7
5,6
12,3
4,7
9,6
4,4
8,5
4,1
7,9
4,0
7,5
3,9
7,2
3,8
7,0
3,7
6,8
3,7
6,7
3,6
6,6
3,6
6,5
8
5,3
11,3
4,6
8,7
4,1
7,6
3,8
7,0
3,7
6,6
3,6
6,4
3,5
6,2
3,4
6,0
3,4
5,9
3,3
5,8
3,1
5,7
9
5,1
10,6
4,3
8,0
3,6
7,0
3,6
6,4
3,5
6,1
3,4
5,8
3,3
5,6
3,2
5,5
3,2
5,4
3,1
5,3
3,1
5,2
10
5,0
10,0
4,1
7,9
3,7
6,6
3,5
6,0
3,3
5,6
3,2
5,4
3,1
5,2
3,1
5,1
3,0
5,0
2,9
4,5
2,9
4,8
11
4,8
9,7
4,0
7,2
3,6
6,2
3,6
5,7
3,2
5,3
3,1
5,1
3,0
4,9
3,0
4,7
2,9
4,6
2,9
4,5
2,8
4,5
12
4,8
9,3
3,9
6,9
3,5
6,0
3,3
5,4
3,1
5,1
3,0
4,7
2,9
4,7
2,9
4,5
2,8
4,4
2,8
4,3
2,7
4,2
13
4,7
9,1
3,8
6,7
3,4
5,7
3,2
5,2
3,0
4,9
2,9
4,6
2,8
4,4
2,8
4,3
2,7
4,2
2,7
4,1
2,6
4,0
14
4,6
8,9
3,7
6,5
3,3
5,6
3,1
5,0
3,0
4,7
2,9
4,5
2,8
4,3
2,7
4,1
2,7
4,0
2,6
3,9
2,6
3,9
15
4,5
8,7
3,7
6,4
3,3
5,4
3,1
4,9
2,9
4,6
2,8
4,3
2,7
4,1
2,6
4,0
2,6
3,9
2,5
3,8
2,5
3,7
16
4,5
8,5
3,6
6,2
3,2
5,3
3,0
4,8
2,9
4,4
2,7
4,2
2,7
4,0
2,6
3,9
2,5
3,8
2,5
3,7
2,5
3,6
17
4,5
8,4
3,6
6,1
3,2
5,2
3,0
4,7
2,8
4,3
2,7
4,1
2,6
3,9
2,6
3,8
2,5
3,8
2,5
3,6
2,4
3,5
18
4,4
8,3
3,5
6,0
3,2
5,1
2,9
4,6
2,8
4,2
2,7
4,0
2,6
3,8
2,5
3,7
2,7
3,6
2,4
3,6
3,4
3,5
19
4,4
8,2
3,5
5,9
3,1
5,0
2,9
4,5
2,7
4,2
2,6
3,9
2,5
3,8
2,5
3,6
2,4
3,5
2,4
3,4
2,3
3,4
20
4,3
8,1
3,5
5,8
3,1
4,9
2,9
4,4
2,7
4,1
2,6
3,9
2,5
3,7
2,4
3,6
2,4
3,4
2,3
3,4
2,3
3,3
ការវិភាគនៃភាពខុសគ្នា
ទិដ្ឋភាពទូទៅនៃការណែនាំ
គំនិតសំខាន់ៗ
ការបំបែកផលបូកនៃការ៉េ
ការវិភាគពហុវ៉ារ្យង់នៃវ៉ារ្យង់
ពិសោធន៍។ ក្រុមទី 1
ពិសោធន៍។ ក្រុមទី 2
បុរស 2
6
3
7
1
5
មធ្យម 2
6
ស្ត្រី 4
8
5
9
3
7
មធ្យម 4
8
ផលប៉ះពាល់អន្តរកម្ម
ផែនការស្មុគស្មាញ
ផែនការអន្តរក្រុម និងក្នុងក្រុម (ផែនការវាស់វែងឡើងវិញ)
ផែនការមិនពេញលេញ (ដាក់)
ការវិភាគភាពប្រែប្រួល
គំនិតចម្បង
ជួសជុល covariates
covariates អថេរ
ការរចនាពហុវ៉ារ្យង់៖ ពហុវ៉ារ្យង់ ANOVA និងការវិភាគ Covariance
ផែនការអន្តរក្រុម
ផែនការជាមួយនឹងការវាស់វែងម្តងហើយម្តងទៀត
ការបូកសរុបនៃតម្លៃអថេរ និងការវិភាគពហុវ៉ារ្យង់នៃការប្រែប្រួល
ការវិភាគកម្រិតពណ៌ និងការធ្វើតេស្តក្រោយម៉ោង
ហេតុអ្វីបានជាសំណុំមធ្យោបាយបុគ្គលប្រៀបធៀប?
ការវិភាគកម្រិតពណ៌
ក្រោយការប្រៀបធៀប
ផលបូកនៃការ៉េប្រភេទ I, II, III និង IV
ការតំរែតំរង់ពហុវ៉ារ្យង់និងការវិភាគនៃការប្រែប្រួល
DV ក ខ AxB
3
1
1
1
4
1
1
1
4
1
-1
-1
5
1
-1
-1
6
-1
1
-1
6
-1
1
-1
3
-1
-1
1
2
-1
-1
1
ផែនការគ្មានតុល្យភាព និងតុល្យភាព
កត្តា ក កត្តា ខ
ខ១ ខ២
ក១ 3
4, 5
ក២ 6, 6, 7
2
ផលបូកនៃការ៉េប្រភេទ I, II, III និង IV
ការបកស្រាយការសន្និដ្ឋាននៃផលបូកនៃការ៉េនៃប្រភេទ I, II, និង III
វិធីសាស្រ្តគណនាលំនាំដើមនៅក្នុងម៉ូឌុល ការវិភាគនៃភាពខុសគ្នា
ការប្រៀបធៀបដែលបានគ្រោងទុក
ការវិភាគផែនការជាមួយកោសិកាដែលបាត់ (ផែនការមិនពេញលេញ)
វិធីសាស្រ្តតំរែតំរង់
កត្តា ក កត្តា ខ
ខ១ ខ២
ក១ 3
4, 5
ក២ 6, 6, 7
ខកខាន
កោសិកាមធ្យម ការវិភាគវិធីសាស្រ្តបំរែបំរួល ,
សម្មតិកម្មប្រភេទ IV
ក្រឡារំលង និងពិនិត្យប្រសិទ្ធភាពជាក់លាក់
ក្រឡាដែលបាត់ និងឥទ្ធិពលកំហុសរួមបញ្ចូលគ្នា/សមាជិក
ឥទ្ធិពលនៃការបំពានការសន្មត់ និងការសន្មត់
គម្លាតពីការសន្មតនៃការចែកចាយធម្មតា។
ភាពដូចគ្នានៃការបែកខ្ញែក
ភាពដូចគ្នានៃភាពខុសគ្នា និងភាពខុសគ្នា
ភាពស្វ៊ែរ និងស៊ីមេទ្រីស្មុគ្រស្មាញ៖ ហេតុផលសម្រាប់ការប្រើប្រាស់វិធីសាស្ត្រវាស់វែងម្តងហើយម្តងទៀតក្នុងការវិភាគភាពខុសប្លែកគ្នា
ការវិភាគពហុវ៉ារ្យង់នៃវ៉ារ្យង់និងគំរូរចនាសម្ព័ន្ធនៃសមីការ