Přednáška IX.
Analýza rozptylu (ANOVA)
Princip a metodika výpočtu
Předpoklady analýzy rozptylu a jejich ověření
Rozbor rozdílů jednotlivých skupin – násobné testování hypotéz
Analýza rozptylu jako lineární model
Tomáš Pavlík Biostatistika
Opakování – parametrické a neparametrické testy
Jmenujte příklad parametrického a neparametrického testu.
Znáte jejich předpoklady?
1. Motivace
Tomáš Pavlík Biostatistika
Příklad – CHOPN
Sledujeme plicní funkce u pacientů s chronickou obstrukční plicní nemocí 
(CHOPN) ve stadiu II, III a IV. Zajímá nás, jestli se u pacientů v jednotlivých 
stadiích liší maximální inspirační tlak (PImax).
Tomáš Pavlík Biostatistika
Příklad – CHOPN
Jak můžeme pro CHOPN stadia II, III a IV ověřit rozdíl (resp. rovnost) v 
maximálním inspiračním tlaku (PImax)?
A. Můžeme použít vhodný test pro dva výběry (např. t‐test) a otestovat, jak 
se liší stadium II od III, II od IV a III od IV – tedy provést 3 testy.
B. Musíme použít vhodný test pro více než dvě srovnávané skupiny.
V čem je zásadní rozdíl mezi A a B?
Tomáš Pavlík Biostatistika
Problém násobného testování hypotéz
Problém s možností A je v násobném testování hypotéz – pro připomenutí: 
S narůstajícím počtem testovaných hypotéz nám roste také pravděpodobnost 
získání falešně pozitivního výsledku, tedy pravděpodobnost toho, že se při 
našem testování zmýlíme a ukážeme na statisticky významný rozdíl tam, kde ve 
skutečnosti žádný neexistuje (chyba I. druhu).
Máme tři testy, v každém 95% pravděpodobnost, že neuděláme chybu I. druhu.
Pro všechny tři testy to tedy znamená: 0,95 × 0,95 × 0,95 = 0,857.
Pravděpodobnost, že neuděláme chybu I. druhu nám celkově klesla na 0,857.
Pravděpodobnost, že uděláme chybu I. druhu nám celkově stoupla na 0,143.
Tomáš Pavlík Biostatistika
Analýza rozptylu
Lepší volbou je:
B.   Musíme použít vhodný test pro více než dvě srovnávané skupiny.
Analýza rozptylu (ANOVA  = „ANalysis Of VAriance“) je statistickou 
metodou, která umožňuje testovat rozdíl v průměrech více než dvou 
skupin. Přitom se jedná o jeden test.
Více než dvě skupiny mohou být dány přirozeně (např. sledujeme rozdíl 
mezi věkovými kategoriemi) nebo uměle (např. sledujeme rozdíl v účinnosti 
několika typů léčby).
2. Princip výpočtu
Tomáš Pavlík Biostatistika
Náhodné výběry a hypotéza
Máme k nezávislých realizací náhodného výběru rozsahu: n1, n2, … , nk.
Předpoklady:
Hypotézy: kH   210 :
ostatníchododlišnéjejednonejméně: i1 H
),(~ 2
11 NY j
),(~ 2
22 NY j
),(~ 2
kkj NY
…
Normalita hodnot všech k výběrů
Homogenita rozptylů všech k výběrů
Tomáš Pavlík Biostatistika
Příklady – hypotézy
1. Liší se účinnost dvou různých dávek léčiva XYZ od placeba?
Střední hodnota účinnosti placeba, XYZ v dávce 1 a XYZ v dávce 2:
2. Liší se AML, ALL, CML a CLL v aktivitě vybraných genů?
Střední hodnota exprese genu g u AML, ALL, CML, CLL: g
CLL
g
CML
g
ALL
g
AML  ,,,
g
CLL
g
CML
g
ALL
g
AMLH  :0
ostatníchododlišnéjejednonejméně:1
g
H 
21
,, XYZXYZP 
ostatníchododlišnéjejednonejméně:1 H
21
:0 XYZXYZPH  
Tomáš Pavlík Biostatistika
Pozorované hodnoty
Výběr 1
…
Výběr 2 Výběr 3 Výběr k Všechny výběry
2
1
1
1
s
y
n
2
2
2
2
s
y
n
2
3
3
3
s
y
n
2
k
k
k
s
y
n
2
s
y
n
Výběrový průměr
Rozsah výběru
Výběrový rozptyl
Skupinový průměr
(„population mean“)
Celkový průměr
(„grand mean“)
Tomáš Pavlík Biostatistika
Příklad – CHOPN
kPa5,3
kPa9,8
9
1
1
1



s
y
n
kPa9,2
kPa6,6
12
2
2
2



s
y
n
kPa5,2
kPa4,5
27
3
3
3



s
y
n
Stadium
III IVII
Celkový průměr („grand mean“)
kPa0,3
kPa4,6
48



s
y
n
Tomáš Pavlík Biostatistika
Značení
Součty:
Průměry:
Celková variabilita v souboru:
Variabilita v rámci skupin (reziduální součet čtverců):
Variabilita mezi skupinami (příslušná sledovanému vlivu = proměnné):
   
k
i
n
j iije
i
yYS 1 1
2
)(
  
k
i iiA yynS 1
2
)(
   in
j iji YY 1    
k
i
n
j ij
i
YY 1 1
iii nYy /  nYy / 
Skupinový průměr
(„population mean“)
Celkový průměr
(„grand mean“)
   
k
i
n
j ijT
i
yYS 1 1
2
)( Stupně volnosti: 1 ndfT
Stupně volnosti: kndfe 
Stupně volnosti: 1 kdfA
Tomáš Pavlík Biostatistika
Vztahy mezi odhady variability
Platí:
Dále se dá ukázat, že platí:
Tedy platí, že celková variabilita se dá 
rozložit na variabilitu v rámci skupin a 
variabilitu mezi skupinami:
)()(   yyyYyY iiijij
Stadium
III IVII
AeT SSS 
 
 
   
  


k
i ii
k
i
n
j iij
k
i
n
j ij
yynyY
yY
i
i
1
2
1 1
2
1 1
2
)()(
)(
Tomáš Pavlík Biostatistika
Umělý příklad
Léčba
Pozorovaná 
hodnota
Skupinový 
průměr
Skupinový průměr 
– celkový průměr
Pozorovaná hodnota 
– skupinový průměr
Pozorovaná hodnota 
– celkový průměr
1 10 12 ‐4 ‐2 ‐6
1 12 12 ‐4 0 ‐4
1 14 12 ‐4 2 ‐2
2 19 20 4 ‐1 3
2 20 20 4 0 4
2 21 20 4 1 5
3 14 16 0 ‐2 ‐2
3 16 16 0 0 0
3 18 16 0 2 2
Celkový průměr = 16 Součet čtverců = 96 Součet čtverců = 18 Součet čtverců = 114
Stupně volnosti = 2 Stupně volnosti = 6 Stupně volnosti = 8
Tomáš Pavlík Biostatistika
Jak testuje t‐test pro dva výběry?
Nulová hypotéza:
Testová statistika:
210 :  H
)2(~ 2111
* 21



 nnt
s
YX
T
nn
Rozdíl (variabilita) mezi výběry
Variabilita uvnitř výběrů
T
Rozdíl (variabilita) mezi výběry
Variabilita uvnitř výběrů
Tomáš Pavlík Biostatistika
Princip analýzy rozptylu
Princip analýzy rozptylu je stejný, tedy ANOVA srovnává pozorovanou 
variabilitu mezi výběry s pozorovanou variabilitou uvnitř výběrů. Na rozdíl 
od t‐testu však pracuje s výběrovými rozptyly.
Testová statistika analýzy rozptylu:
F
Odhad rozptylu založený na výběrových průměrech
Odhad rozptylu založený pozorovaných hodnotách
ee
AA
k
i
n
j iij
k
i ii
dfS
dfS
kn
yY
k
yyn
F i
/
/
)(
1
)(
1 1
2
1
2






 

  
 
Za platnosti H0 platí:
),1(~ knkFF 
Tomáš Pavlík Biostatistika
Výsledek dle platnosti nulové hypotézy
Za předpokladu rovnosti rozptylů jednotlivých výběrů představuje člen ve 
jmenovateli statistiky F výběrový odhad σ2.
Za platnosti H0 představuje i člen v čitateli statistiky F výběrový odhad σ2.
Platí‐li nulová hypotéza, čitatel statistiky F (počítaný na základě výběrových 
průměrů) bude zhruba stejný jako její jmenovatel (počítaný na základě 
pozorovaných hodnot).
Neplatí‐li nulová hypotéza, čitatel statistiky F bude větší než jmenovatel.
Samotné rozhodnutí o platnosti H0 je tak založeno na srovnání průměrných 
čtverců a .AA dfS / ee dfS /
Tomáš Pavlík Biostatistika
Výsledek analýzy rozptylu
Výsledné počty se standardně zaznamenávají do tzv. tabulky analýzy 
rozptylu:
Nulovou hypotézu zamítneme/nezamítneme buď na základě srovnání 
výsledné p‐hodnoty se zvolenou hladinou významnosti testu α, nebo 
srovnáním výsledné F statistiky s kritickou hodnotou (kvantilem) rozdělení 
F(k – 1, n – k) příslušnou zvolené hladině významnosti testu α.
Variabilita
Součet 
čtverců
Počet stupňů
volnosti
Průměrný 
čtverec
F statistika p‐hodnota
Mezi skupinami SA = 96 dfA = k – 1 = 2 MSA = 48 F = 16 0,004
Uvnitř skupin Se = 18 dfe = n – k = 6 MSe = 3
Celkem ST = 114 dfT = n – 1 = 8
Tomáš Pavlík Biostatistika
Výsledek umělého příkladu
16F14,5)6,2(
95,0
),1(
1 
 FF knk

),1( knkFf 
Na hladině významnosti 
α =0,05 zamítáme H0 o 
rovnosti středních 
hodnot.
3. Předpoklady analýzy rozptylu a 
jejich ověření
Tomáš Pavlík Biostatistika
Předpoklady analýzy rozptylu
Nezávislost jednotlivých pozorování – sice téměř automatický předpoklad, 
nicméně je třeba se nad ním alespoň zamyslet.
Normalita pozorovaných hodnot obou náhodných výběrů – velmi silný 
předpoklad. Nutno otestovat nebo alespoň graficky ověřit (histogram, box 
plot).
Stejný rozptyl náhodné veličiny v obou srovnávaných skupinách – také 
silný předpoklad. Opět nutno otestovat nebo alespoň graficky ověřit 
(histogram, box plot).
Tomáš Pavlík Biostatistika
Testování shody rozptylů
Grafické ověření –
histogram, box plot.
Levenův test – často 
používaný, nevyžaduje 
předpoklad normality 
původních hodnot.
Bartlettův test – velkou 
nevýhodou je předpoklad 
normality původních 
hodnot.
Tomáš Pavlík Biostatistika
Levenův test
Jeho výhoda je, že nevyžaduje předpoklad normality původních hodnot.
Jedná se o analýzu rozptylu na hodnotách
Označme a
Testová statistika: 
Používá se také jeho robustní varianta s použitím absolutních odchylek od 
mediánu místo od průměru:
||  iijij yYZ
kn
zZ
k
zzn
W k
i
n
j iij
k
i ii
i





 

  
 
1 1
2
1
2
)(
1
)(
Při rovnosti rozptylů opět platí:
),1(~ knkFF 
   i
i
n
j ijni Zz 1
1
   
k
i
n
j ij
i
Zz 1 1
|~|  iijij yYZ
Tomáš Pavlík Biostatistika
Příklad – Levenův test u CHOPN dat
Sledujeme plicní funkce u pacientů s chronickou obstrukční plicní nemocí 
(CHOPN) ve stadiu II, III a IV.
Levenův test probíhá stejně jako jednoduchá ANOVA – opět srovnáváme 
průměrné čtverce – reziduální a příslušné sledovaným faktorům.
Na hladině významnosti α =0,05 nezamítáme H0 o rovnosti rozptylů.
Variabilita
Součet 
čtverců
Počet stupňů
volnosti
Průměrný 
čtverec
F statistika p‐hodnota
Mezi skupinami SA = 5,30 dfA = k – 1 = 2 MSA = 2,65 F = 1,13 0,331
Uvnitř skupin Se = 105,35 dfe = n – k = 45 MSe = 2,34
Celkem ST = 110,65 dfT = n – 1 = 47
Tomáš Pavlík Biostatistika
Hodnocení normality dat
Hodnocení normality je klíčovým postupem v biostatistice. Testy nejsou 
vždy nejlepším nástrojem! Vždy je důležité se podívat i očima!
Zamítnutí normality rozdělení neznamená jenom výběr příslušného testu, 
ALE může indikovat odlehlé a nelogické hodnoty v souboru dat. 
Pokud o sledované veličině prokazatelně víme, že v cílové populaci nabývá 
normální rozdělení (např. výška lidské postavy), ale v daném souboru 
normální rozdělení nepotvrdíme, pak s naším náhodným výběrem není 
něco v pořádku – např. není reprezentativní.
Tomáš Pavlík Biostatistika
Grafické metody – box plot a histogram
Normální 
rozdělení
Log‐normální 
rozdělení
Tomáš Pavlík Biostatistika
Grafické metody – box plot a histogram
Normální 
rozdělení 
s odlehlými 
hodnotami
Rovnoměrně 
spojité 
rozdělení
Tomáš Pavlík Biostatistika
Grafické metody – Q‐Q plot
Q‐Q plot proti sobě zobrazuje kvantily pozorovaných hodnot a kvantily 
teoretického rozdělení pravděpodobnosti (zde normálního rozdělení).
V případě shody leží všechny body na přímce.
Normální rozdělení:
Tomáš Pavlík Biostatistika
Grafické metody – Q‐Q plot
1. Log‐normální rozdělení:
2. Normální rozdělení s odlehlými hodnotami:
3. Rovnoměrně spojité rozdělení
1. 2. 3.
Tomáš Pavlík Biostatistika
Testy pro ověření normality dat
Shapirův‐Wilkův test – v podstatě se jedná o proložení seřazených hodnot 
regresní přímkou vzhledem k očekávaným hodnotám normálního rozdělení. 
Má tedy přímý vztah k Q‐Q plotu – vyhodnocuje, jak moc se Q‐Q plot liší od 
ideální přímky. Doporučován pro menší vzorky, může být „moc“ přísný pro 
velké vzorky.
Kolmogorovův‐Smirnovovův test – založen na srovnání výběrové distribuční 
funkce s teoretickou distribuční funkcí odpovídající normálnímu rozdělení. K‐S 
test hodnotí maximální vzdálenost mezi těmito dvěma distribučními funkcemi. 
V praxi se používá korekce dle Lillieforse.
Tomáš Pavlík Biostatistika
Příklad – Shapirův‐Wilkův test u CHOPN dat
Sledujeme plicní funkce u pacientů s chronickou obstrukční plicní nemocí 
(CHOPN) ve stadiu II, III a IV.
Test pro všechna stadia:
p = 0,073  (to nás nezajímá)
Stadium II:  p = 0,090
Stadium III: p = 0,247
Stadium IV: p = 0,815
H0 o normalitě dat nezamítáme 
na hladině α =0,05.
n = 9 n = 12 n = 27
Tomáš Pavlík Biostatistika
Příklad – Shapirův‐Wilkův test u CHOPN dat
Srovnáme výsledky S‐W testu s Q‐Q ploty pro jednotlivé kategorie.
Vzhledem k malým velikostem souborů lze odchylky od normality dat tolerovat.
Stadium II (n = 9)
p = 0,090 
Stadium III (n = 12)
p = 0,247 
Stadium IV (n = 27)
p = 0,815 
Tomáš Pavlík Biostatistika
Příklad – analýza rozptylu u CHOPN dat
Liší se pacienti s CHOPN (stadium II, III, IV) v maximálním inspiračním tlaku (PImax)?
Máme ověřenu homogenitu rozptylů i přibližnou normalitu dat → ANOVA.
Kritická hodnota pro α =0,05 F(k – 1, n – k) = 3,20.
Na hladině významnosti α =0,05 zamítáme H0 o rovnosti středních hodnot.
Variabilita
Součet 
čtverců
Počet stupňů
volnosti
Průměrný 
čtverec
F statistika p‐hodnota
Mezi skupinami SA = 80,54 dfA = k – 1 = 2 MSA = 40,27 F = 5,10 0,010
Uvnitř skupin Se = 355,50 dfe = n – k = 45 MSe = 7,90
Celkem ST = 436,04 dfT = n – 1 = 47
Tomáš Pavlík Biostatistika
Co dělat, když nejsou splněny předpoklady?
Máme dvě možnosti:
1. Zkusit data transformovat – např. logaritmická transformace by měla 
pomoci s normalizací rozdělení a stabilizací rozptylu u log‐normálních dat.
2. Použít neparametrické testy – např. Kruskalův‐Wallisův test nevyžaduje 
předpoklad normality, pracuje stejně jako neparametrický Mannův‐
Whitneyův test.
Tomáš Pavlík Biostatistika
Kruskalův – Wallisův test
Jedná se o zobecnění neparametrického Mannova – Whitneyho testu.
Netestuje shodu parametrů, ale stejné distribuční funkce srovnávaných 
souborů (klíčový je zde předpoklad nezávislosti pozorovaných dat).
Pro výpočet opět seřadíme všechna pozorování podle velikosti (jako by byly 
z jednoho vzorku) a přiřadíme jednotlivým hodnotám jejich pořadí.
Pointa Kruskalova – Wallisova testu: za platnosti H0 jsou spojená data 
dobře promíchaná a průměrná pořadí v jednotlivých souborech jsou 
podobná.
...)()()(:0  zFyFxFH
Tomáš Pavlík Biostatistika
Kruskalův – Wallisův test
Označme Ti součet pořadí v i‐té skupině: 
Počet skupin: k, Celkem pozorování: n = n1 + n2 + … + nk.
Testová statistika:
Nulovou hypotézu H0 zamítáme na hladině významnosti, když je testová 
statistika větší nebo rovna kritické hodnotě chí‐kvadrát rozdělení:
Pro malé velikosti souboru je třeba srovnat statistiku Q s tabulkami pro 
Kruskalův‐Wallisův test.
)1(3
)1(
12
1
2


 
n
n
T
nn
Q
k
i i
i


in
j
iji RT
1
)(2
1   kQ
4. Násobné testování podskupin
Tomáš Pavlík Biostatistika
Korekce na násobné srovnání výběrů
Zamítneme‐li analýzou rozptylu nulovou hypotézu o celkové rovnosti 
středních hodnot, má smysl se ptát, jaké skupiny se od sebe nejvíce liší.
Toto srovnání lze provést pomocí testů pro dva výběry, ale je nutné korigovat 
výslednou hladinu významnosti testu, abychom se vyhnuli chybě I. druhu.
Nejjednodušší metoda: Bonferroniho procedura ‐ korekce hladiny 
významnosti: α* = α/m, kde m je počet provedených testů. Ekvivalentně lze 
vynásobit p‐hodnotu počtem provedených testů. Nevýhodou je, že je 
konzervativní pro velké m, tedy počet provedených testů.
Pro analýzu rozptylu: Tukeyho a Scheffého post hoc testy.
Pro neparametrický K‐W test: metoda dle Steela a Dwasse.
Tomáš Pavlík Biostatistika
Příklad – korekce u CHOPN dat
ANOVA na hladině významnosti α =0,05 zamítla H0 o rovnosti středních hodnot 
PImax. Jaké skupiny se od sebe nejvíce liší?
Bonferroniho procedura
Tukeyho post hoc test
Scheffého post hoc test
Zde nám všechny tři analýzy vyšly stejně, ale obecně to neplatí!
Stadium III IV
II 0,398 0,009
III ‐ 0,571
Stadium III IV
II 0,186 0,008
III ‐ 0,433
Stadium III IV
II 0,214 0,011
III ‐ 0,466
Tomáš Pavlík Biostatistika
Poděkování…
Rozvoj studijního oboru „Matematická biologie“ PřF MU 
Brno je finančně podporován prostředky projektu ESF č. 
CZ.1.07/2.2.00/07.0318 „Víceoborová inovace studia 
Matematické biologie“ a státním rozpočtem České republiky