স্থির-প্রভাব অ্যানোভা (বা এর লিনিয়ার রিগ্রেশন সমতুল্য) এই ডেটাগুলি বিশ্লেষণের জন্য পদ্ধতিগুলির একটি শক্তিশালী পরিবার সরবরাহ করে। উদাহরণস্বরূপ, এখানে প্রতি সন্ধ্যায় গড় এইচসির প্লটগুলির সাথে সামঞ্জস্যপূর্ণ একটি ডেটাসেট রয়েছে (রঙের জন্য একটি প্লট):
| Color
Day | B G R | Total
-------+---------------------------------+----------
1 | 117 176 91 | 384
2 | 208 193 156 | 557
3 | 287 218 257 | 762
4 | 256 267 271 | 794
5 | 169 143 163 | 475
6 | 166 163 163 | 492
7 | 237 214 279 | 730
8 | 588 455 457 | 1,500
9 | 443 428 397 | 1,268
10 | 464 408 441 | 1,313
11 | 470 473 464 | 1,407
12 | 171 185 196 | 552
-------+---------------------------------+----------
Total | 3,576 3,323 3,335 | 10,234
আনোভা এই টেবিলের count
বিরুদ্ধে day
এবং color
উত্পাদন করে:
Number of obs = 36 R-squared = 0.9656
Root MSE = 31.301 Adj R-squared = 0.9454
Source | Partial SS df MS F Prob > F
-----------+----------------------------------------------------
Model | 605936.611 13 46610.5085 47.57 0.0000
|
day | 602541.222 11 54776.4747 55.91 0.0000
colorcode | 3395.38889 2 1697.69444 1.73 0.2001
|
Residual | 21554.6111 22 979.755051
-----------+----------------------------------------------------
Total | 627491.222 35 17928.3206
model
0.0000 এর পি-মানটি ফিটটি অত্যন্ত তাৎপর্যপূর্ণ দেখায়। day
০.০০০০ এর পি-মানটিও অত্যন্ত তাৎপর্যপূর্ণ: আপনি দিনের পর দিন পরিবর্তনগুলি সনাক্ত করতে পারেন। যাইহোক, color
0.2001 এর (সেমিস্টার) পি-মানটিকে উল্লেখযোগ্যভাবে বিবেচনা করা উচিত নয়: আপনি প্রতিদিনের বিভিন্নতার জন্য নিয়ন্ত্রন করার পরেও তিনটি সেমিস্টারের মধ্যে পদ্ধতিগত পার্থক্য সনাক্ত করতে পারবেন না ।
টুকির এইচএসডি ("সৎ উল্লেখযোগ্য পার্থক্য") পরীক্ষাটি 0.05 স্তরে প্রতিদিনের উপায়ে (সেমিস্টার নির্বিশেষে) নিম্নলিখিত উল্লেখযোগ্য পরিবর্তনগুলি (অন্যদের মধ্যে) চিহ্নিত করে:
1 increases to 2, 3
3 and 4 decrease to 5
5, 6, and 7 increase to 8,9,10,11
8, 9, 10, and 11 decrease to 12.
এটি গ্রাফগুলিতে চোখ কী দেখতে পারে তা নিশ্চিত করে।
কারণ গ্রাফগুলি বেশ খানিকটা লাফিয়ে যায়, তাই দিন-দিনের পারস্পরিক সম্পর্ক (সিরিয়াল পারস্পরিক সম্পর্ক) সনাক্ত করার উপায় নেই, যা পুরো সিরিজ বিশ্লেষণের পুরো বিষয়। অন্য কথায়, সময় সিরিজের কৌশলগুলি নিয়ে বিরক্ত করবেন না: তাদের আরও বৃহত্তর অন্তর্দৃষ্টি দেওয়ার জন্য এখানে পর্যাপ্ত ডেটা নেই।
যে কোনও পরিসংখ্যানগত বিশ্লেষণের ফলাফলকে কতটা বিশ্বাস করা উচিত তা সর্বদা অবাক করা উচিত। হিটারোসিসেস্টাস্টিটির জন্য বিভিন্ন ডায়াগনস্টিকস (যেমন ব্রুশ-পৌত্তলিক পরীক্ষা ) কোনও লাভজনক দেখায় না। অবশিষ্টাংশগুলি খুব সাধারণ দেখাচ্ছে না - এগুলি কয়েকটি দলে পড়ে যায় - সুতরাং সমস্ত পি-মানগুলি লবণের দানা দিয়ে নিতে হবে। তবুও, তারা যুক্তিসঙ্গত দিকনির্দেশনা সরবরাহ করেছে এবং গ্রাফগুলি দেখে আমরা যে ডেটা পেতে পারি তা উপলব্ধি করতে সহায়তা করে।
আপনি প্রতিদিনের মিনিমা বা প্রতিদিনের ম্যাক্সিমায় একটি সমান্তরাল বিশ্লেষণ চালিয়ে যেতে পারেন। গাইড হিসাবে অনুরূপ প্লট দিয়ে শুরু করার এবং স্ট্যাটিস্টিকাল আউটপুট পরীক্ষা করার বিষয়টি নিশ্চিত করুন।