1

ANOVA
 ANalysis Of VAriance
 Permite determinar se as médias de 2 ou mais
populações são iguais.

1
 ANOVA
 A ANOVA é uma ferramenta poderosa para avaliar
tanto o nível quanto o padrão (tendência ou direção)
das mudanças por meio de distintas situações ou
condições.
 A ANOVA, na sua forma mais simples, é um
procedimento para isolar as fontes de variabilidade
num conjunto de medições.

ANOVA
 População: o grupo (universo) do qual se extrai a
 Amostra: parcela do grupo examinada
 Suposições:
 As amostras devem ser aleatórias e independentes
 As amostras devem ser extraídas de populações normais
 As populações devem ter variâncias iguais, isto é:
σ1 = σ2 = σ3 = ..... = σk

2
5

ANOVA
 Duas hipóteses possíveis:
 H0: as médias das populações são todas iguais (nula)
 H1: as médias das populações não são iguais
(alternativa)

3
 ANOVA
 Fundamentos lógicos:
 Se H0 é verdadeira: conceitualmente idêntico a uma
situação em que todas as amostras tenham sido tiradas
de uma única população
 Se H0 é falsa: as amostras vêm de populações com
médias diferentes (porém normais e com variâncias
iguais)

4
 ANOVA
 Exemplo de one-way ANOVA:
 Há diferenças em avaliações de otimismo para os jovens,
jovens adultos e velhos?
 Uma categoria independente com três variáveis ou mais
categorias distintas (pessoas com idade entre 18 e 29
anos; entre 30 e 44 e acima de 44) com uma variável
dependente denominada de otimismo.
 O que faz? A One-way ANOVA verificará se há
diferenças significantes nos escores da variável
dependente entre os 3 grupos.

ANOVA
 Exemplo de two-way ANOVA:
 Qual o impacto da idade e do sexo no otimismo? O sexo
modera o relacionamento entre idade e otimismo?
 Duas variáveis independentes (sexo: homem e mulher e
idade: jovem, jovem adulto e velho) e uma variável
dependente (otimismo).
 O que faz? A two-way ANOVA permitirá simultaneamente
testar o efeito de cada variável independente na variável
dependente assim como identificará os efeitos dessa
interação. Nesse caso, permitirá testar:(a) as diferenças do
sexo no otimismo; (b) as diferenças no otimismo para cada
faixa de idade; e (c) a interação dessas duas variáveis no que se
refere às diferenças no efeito da idade no otimismo para
homens e mulheres.

10

5
 Vamos trabalhar – Caso #1
 H0: O Gênero não tem efeito significante na nota
dos alunos.

 H0: A Idade não tem efeito significante na nota

dos alunos.

 H0: O Gênero e a Idade não têm efeito significante

na nota dos alunos.

11

Levene’s test
Test of Homogeneity of Variances
Nota
Levene Statistic df1 df2 Sig.
1,722 1 16 ,208
A H0 do Levene's test indica que há igualdade de variância entre os grupos.

Se o p-value for < 0,05, rejeitamos a H0. Não há igualdade de variância.

Se o p-value for > 0,05, confirmamos a H0 e assumimos que há igualdade de
variância entre os grupos. Assim, os grupos têm variâncias iguais.

Example:
A Levene's test verified the equality of variances in the samples
(homogeneity of variance) (p>.05).

12

6
 Post-hoc Tests
Gabriel

Slightly
different

Yes Yes
Equal REGWQ or
Equal ns?
Variances? Turkey’s HSD

No Very
different

Others:
Games- Hochberg’s Bonferroni: Conservative
Dunnett’s: compare
Howell GT2 every condition vs.
control

13

Vamos trabalhar – Caso #2

 H0: O Gênero não tem efeito significante nos
níveis de cefaleia.

 H0: O Medicamento não tem efeito significante

nos níveis de cefaleia.

 H0: O Gênero e o Medicamento não têm efeito

significante nos níveis de cefaleia.

14

7
 MANOVA
 Multiple ANalysis Of VAriance
 Extensão da ANOVA
 Utilizada quando há mais de uma variável dependente
 Analisa simultaneamente múltiplas medidas de cada
indivíduo ou objeto sob investigação.

15

MANOVA
 Quatro testes podem ser realizados:
 Traço de Pillai (mais robusto, melhor quando as
amostras são pequenas)
 Traço de Hoetelling
 Lambda de Wilks
 Maior raiz de Roy (depende da condição de
normalidade)

 Embora o traço de Pillai seja o método que

apresenta maior robustez, o teste mais utilizado é
o Lambda de Wilks.

16

8
 MANOVA
 Existe um trade-off no poder estatístico do teste entre
a abordagem univariada (ANOVA) vs. Multivariada
(MANOVA).
 Quando há violação da esfericidade na ANOVA pode-
se recorrer aos testes estatísticos multivariados
(MANOVA).

17

MANOVA
 A MANOVA compara os grupos e informa a
significância das diferenças entre os grupos pela
combinação das variáveis dependentes.
 A MANOVA verificará se há diferenças entre os grupos
no composto das variáveis dependentes assim como
fornece resultados univariados para cada variável
dependente separadamente.

18

9
 MANOVA
 Por que não se conduz então uma série e ANOVAs
separadamente para cada variável dependente?
 Isso é o que alguns pesquisadores fazem, mas isso pode
levar ao Erro do Tipo I.
 Isso significa dizer que quanto mais análises você faz,
maior é a probabilidade de você encontrar resultados
significativos, mesmo se na realidade não haja
diferenças entre os grupos. A vantagem em usar a
MANOVA é que ela controla o risco em se obter o Erro
do Tipo I.

19

MANOVA
 Exemplo de MANOVA:
 Os homens e mulheres diferem em termos gerais da sensação
de bem-estar? Os homens são mais ajustados que as mulheres
em termos de seu estado de bom ou mau humor e de seus
níveis de stress?
 O que faz a MANOVA? Uma variável independente (sexo –
homem e mulher); e duas ou mais variáveis dependentes
(efeito negativo, efeito positivo e stress percebido). Compara
dois ou mais grupos em termos de seus significados por um
grupo de variáveis dependentes. Testa a hipótese nula das
médias populacionais em um conjunto de variáveis
dependentes e verifica a variação de seus níveis.

20

10
 MANOVA
 Condições para a realização da MANOVA:
 Tamanho da amostra e conjunto de variáveis;
 Normalidade (testes de distribuição normal multivariada);
 Outliers (sensível a outliers);
 Linearidade (presença de uma linha reta entre cada par de
suas variáveis dependentes);
 Homogeneidade da regressão (importante apenas se for usar a
análise de desempenho stepdown*);
 Multicolinearidade (a MANOVA trabalha melhor se houver
moderada correlação entre suas variáveis dependentes);
 Homogeneidade das matrizes de variância e covariância
(realizar o Teste de Igualdade das matrizes de covariância
Box's M).

21

MANOVA
 Método/teste stepdown na MANOVA:
 Pode ser usado para avaliar individualmente as
diferenças das variáveis dependentes;
 Este teste procura ver a contribuição parcial de uma
variável dependente na presença de outra;
 Em outras palavras, procura expurgar a correlação entre
elas ou verificar se a correlação entre elas está em um
nível aceitável, semelhante à análise da
multicolinearidade das variáveis independentes na
regressão múltipla.

22

11
 MANOVA – Exemplo no SPSS
 3 Grupos com 11 pessoas cada e escolhidos de forma
aleatória. Grupo 1 – recebe uma dieta de modo técnico
via web; Grupo 2 – recebe a mesma informação por
uma enfermeira; Grupo 3 – recebe a mesma
informação por um vídeo. Cada pessoa avaliou a
informação em três categorias: dificuldade,
usabilidade e importância da apresentação da
informação para determinar se há diferença nos modos
de apresentação. De modo particular, o pesquisador
quer saber se a informação via website é superior pelo
fato de ter o menor custo de entrega.

23

MANOVA – Exemplo no SPSS

Box's Test of Equality of Covariance Matricesa

Box's M 12,022
F ,854
df1 12
df2 4361,538
Sig. ,594 Homogeneidade => valor maior que 0,001 não viola.
Tests the null hypothesis that the observed
covariance matrices of the dependent variables are
equal across groups.
a. Design: Intercept + GROUP

24

12
 MANOVA – Exemplo no SPSS
Levene's Test of Equality of Error Variancesa
F df1 df2 Sig. Homogoneidade -
USEFUL 4,878 2 30 ,015 Igualdade da variância
DIFFICULTY
IMPORTANCE
,992
1,391
2
2
30
30
,383
,264
para cada variável =>
valor maior que 0,05 não
viola.
{
Tests the null hypothesis that the error variance of the dependent
variable is equal across groups.
a. Design: Intercept + GROUP

25

MANOVA – Exemplo no SPSS

Multivariate Testsc

Partial Eta
Effect Value F Hypothesis df Error df Sig. Squared
Intercept Pillai's Trace ,986 657,857a 3,000 28,000 ,000 ,986

Wilks' Lambda ,014 657,857a 3,000 28,000 ,000 ,986

Hotelling's Trace 70,485 657,857a 3,000 28,000 ,000 ,986

Roy's Largest 70,485 657,857a 3,000 28,000 ,000 ,986

Root

GROUP Pillai's Trace ,477 3,025 6,000 58,000 ,012 ,238

Wilks' Lambda ,526 3,538a 6,000 56,000 ,005 ,275

Hotelling's Trace ,897 4,038 6,000 54,000 ,002 ,310

Roy's Largest ,892 8,623b 3,000 29,000 ,000 ,471

Root

a. Exact statistic

b. The statistic is an upper bound on F that yields a lower bound on the significance level. Sig. menor que 0,05, demostra que a
c. Design: Intercept + GROUP
essa significância estatística há
diferenças entre os três grupos.

26

13
 Tests of Between-Subjects Effects
Dependent Type III Sum of Partial Eta
Source Variable Squares df Mean Square F Sig. Squared
Corrected Model USEFUL 52,924a 2 26,462 2,701 ,083 ,153
DIFFICULTY 3,975b 2 1,988 ,472 ,628 ,031
IMPORTANCE 81,830c 2 40,915 2,879 ,072 ,161
Intercept USEFUL 8800,400 1 8800,400 898,106 ,000 ,968
DIFFICULTY 1077,878 1 1077,878 256,054 ,000 ,895
IMPORTANCE 1383,869 1 1383,869 97,371 ,000 ,764
GROUP USEFUL 52,924 2 26,462 2,701 ,083 ,153
DIFFICULTY 3,975 2 1,988 ,472 ,628 ,031
IMPORTANCE 81,830 2 40,915 2,879 ,072 ,161
Error USEFUL 293,965 30 9,799
DIFFICULTY 126,287 30 4,210
IMPORTANCE 426,371 30 14,212
Total USEFUL 9147,290 33
DIFFICULTY 1208,140 33
IMPORTANCE 1892,070 33
Corrected Total USEFUL 346,890 32
DIFFICULTY 130,262 32
Sig. menor que 0,05, o que
IMPORTANCE 508,201 32
significância estatística que há
a. R Squared = ,153 (Adjusted R Squared = ,096) Será que há diferenças em todas as pessoas pesquisadas ou são apenas
diferenças entre os três grupos.
algumas pessoas de algum grupo em específico? Ajustamento de Bonferroni
b. R Squared = ,031 (Adjusted R Squared = -,034)
=> dividir o alfa 0,05 pelo número de variáveis dependentes (no nosso caso 3 =
c. R Squared = ,161 (Adjusted R Squared = ,105) 0,017). Dessa forma, houve diferença, mas não se sabe dentre que grupos para
a usabilidade, a dificuldade e a importância.

27

GROUP

95% Confidence Interval

Dependent
Variable GROUP Mean Std. Error Lower Bound Upper Bound
USEFUL 1,00 18,118 ,944 16,191 20,046
2,00 15,527 ,944 13,600 17,455

3,00 15,345 ,944 13,418 17,273

DIFFICULTY 1,00 6,191 ,619 4,928 7,454

2,00 5,582 ,619 4,318 6,845

3,00 5,373 ,619 4,109 6,636

IMPORTANCE 1,00 8,682 1,137 6,360 11,003

2,00 5,109 1,137 2,788 7,430

3,00 5,636 1,137 3,315 7,958

Quanto cada grupo se difencia para cada atributo? Percebe-se que há aproximadamente
quase nenhuma diferença para os grupos 2 e 3 em todos os atributos, contudo verifica-se
que o atributo usabilidade foi que indicou maior média e as diferenças entre o Grupo 1 –
informação via website em todos os atributos obtiveram diferenças que variam entre 0,609
no atributo dificuldade para 3,573 para o atributo importância. Fazer ANOVA para verificar
especificamente aonde as diferenças dos grupos ocorrem.

28

14
29

15