일반 MANOVA(General MANOVA)

일반 MANOVA는 둘 이상의 연속형 반응을 하나 이상의 범주형 요인에 대해 함께 검정하며, 선택적으로 공변량과 2차 교호작용을 포함할 수 있습니다. 하나의 결합 검정으로 전체 오경보율을 선택한 수준으로 유지하고 반응 간 상관을 반영합니다. 관측값은 독립이고 오차는 공분산 행렬이 같은 다변량 정규분포를 따른다고 가정합니다. 출력에는 Wilks, Pillai, Hotelling-Lawley, Roy 통계량, 일변량 ANOVA, 선택적 고유값 분석이 포함됩니다.

최종 검토

핵심 요점

일반 MANOVA(다변량 분산분석)는 하나 이상의 요인이 인장 강도와 연신율처럼 서로 관련된 여러 반응을 함께 변화시키는지 검정합니다.

이 페이지 내용
  1. 목적
  2. 주요 기능
  3. 통계적 방법
  4. 입력 항목 및 옵션
  5. 출력 설명
  6. 계산 예제

목적

일반 MANOVA(다변량 분산분석)는 하나 이상의 요인이 서로 관련된 여러 반응, 예를 들어 같은 시편의 인장 강도와 연신율을 함께 변화시키는지 검정합니다. 각 단위에서 둘 이상의 특성을 측정할 때 사용합니다. 하나의 결합 검정으로 전체 오경보율을 선택한 수준으로 유지하고, 반응 간 상관을 반영하며, 개별 ANOVA가 놓치는 특성 조합의 변화를 탐지할 수 있습니다.

주요 기능

  • 둘 이상의 연속형 반응을 하나 이상의 범주형 요인에 대해 함께 검정합니다.
  • 선택적 연속형 공변량과 모든 2차 요인 교호작용을 지원합니다.
  • 모든 항에 대해 Wilks 람다, Pillai 대각합, Hotelling-Lawley 대각합, Roy의 최대 근을 제공합니다.
  • 각 반응에 대한 일변량 ANOVA(제III종 제곱합)를 제공합니다.
  • 요청 시 가설 및 오차 SSCP 행렬과 편상관, 고유값 분석을 제공합니다.
  • Data Options: 분석 전에 행의 부분집합을 지정합니다.

통계적 방법

모형은 일반 선형 모형과 같으며 모든 반응에 한꺼번에 적합합니다. 요인은 합이 0이 되는(−1, 0, +1) 코딩을 사용하고, 공변량은 주효과로 포함하며, 선택하면 2차 요인 교호작용을 포함합니다(요인이 둘 이상일 때만 해당). 선택한 열 중 하나라도 결측값이 있는 행은 제외됩니다. 각 항에 대해 도구는 가설 행렬 H(그 항이 설명하는 제곱합과 교차곱합)와 오차 행렬 E를 구성하고, E⁻¹H의 고유값 λ로 그 항을 검정합니다.

Wilks 람다 = det(E) / det(H + E) = Π 1/(1 + λ)이며 그 항이 중요할수록 작아집니다. Pillai 대각합 = Σ λ/(1 + λ); Hotelling-Lawley 대각합 = Σ λ; Roy의 최대 근 = 가장 큰 λ. 각각 표시된 분자 및 분모 자유도를 갖는 근사 F 통계량으로 변환됩니다. Pillai 대각합은 집단 크기와 공분산 행렬이 다를 때 가장 관대하며, Roy의 근은 집단이 하나의 방향으로만 다를 때 가장 민감하지만 그 F는 상한이므로 p-값이 낙관적입니다.

고유값 분석은 E⁻¹H의 고유값과 그 비율, 그리고 v'(E / DF error)v = 1이 되도록 척도화한 고유벡터를 나열합니다. 첫 번째 고유벡터는 요인 수준을 가장 잘 분리하는 반응의 가중 조합을 나타냅니다. 일변량 표는 각 반응을 개별적으로 분석한 제III종 ANOVA입니다. MANOVA는 관측값이 독립이고 오차가 모든 집단에서 같은 공분산 행렬을 갖는 다변량 정규분포를 따른다고 가정합니다.

입력 항목 및 옵션

항목

설명

Responses (Y)

함께 검정하는 둘 이상의 연속형 열입니다. 필수입니다.

Factors (categorical)

하나 이상의 범주형 예측변수 열입니다. 필수입니다.

Covariates (continuous)

선택 숫자형 열이며 주효과로만 입력합니다.

Include all 2-way factor interactions

기본값은 선택됨이며, 요인을 둘 이상 선택했을 때만 활성화됩니다.

Show univariate ANOVA per response

기본값은 선택됨입니다.

Matrices (hypothesis, error, partial correlations)

기본값은 꺼짐입니다. SSCP 행렬과 반응의 편상관을 추가합니다.

Eigen analysis

기본값은 꺼짐입니다. 각 항에 대한 E⁻¹H의 고유값과 고유벡터를 제공합니다.

Data Options: Subset (optional)

행 번호 및/또는 조건으로 일치하는 행을 제외(Exclude matching rows, 기본값)하거나 일치하는 행만 포함(Include only matching rows)합니다.

general-manova-inputs


그림 1 — 재료 예제의 옵션: 인장 강도와 연신율을 반응으로, Treatment를 요인으로 지정하고 일변량 ANOVA와 고유값 분석을 선택했습니다.

출력 설명

  • MANOVA — 각 항에 대한 네 가지 다변량 통계량의 Value, Num DF, Den DF, F Value, P-Value.
  • Univariate Analysis of Variance — 반응마다 ANOVA 표 하나.
  • SSCP 행렬과 편상관 — Matrices를 선택한 경우.
  • Eigen Analysis — 선택한 경우 각 항의 고유값, 비율, 누적 비율, 고유벡터.
  • Download를 통한 PDF 내보내기.

general-manova-output


그림 2 — 두 특성의 MANOVA: 네 통계량 모두 처리 평균이 같다는 가설을 기각합니다(Wilks 람다 0.11217, F = 19.86, p < 0.001).

계산 예제

한 재료 엔지니어가 대조군과 두 가지 처리 A, B를 비교하며, 각각 시편 8개의 인장 강도(MPa)와 파단 연신율(%)을 시험합니다. 두 개의 개별 ANOVA를 수행하면 오경보 가능성이 높아지므로, 엔지니어는 Treatment를 요인으로 하여 두 특성을 함께 검정하고 일변량 ANOVA와 고유값 분석을 선택합니다.

처리는 두 특성의 쌍을 분명히 변화시킵니다. Wilks 람다는 0.11217(자유도 4와 40에서 F = 19.86), Pillai 대각합은 1.28404(F = 18.83)이며 네 검정 모두 p < 0.001입니다. 일변량 표는 각 특성도 개별적으로 변한다는 것을 보여 줍니다. 강도 F = 25.75, 연신율 F = 18.60이며 둘 다 p < 0.001입니다. 평균 강도는 211.9 MPa(대조군)에서 225.7(A), 238.1(B)로 상승하고, 평균 연신율은 12.6%, 14.6%, 10.9%입니다.

고유값 분석이 이 패턴을 설명합니다. 첫 번째 방향(분리의 75.7%)은 강도에 양의 가중치(0.114)를, 연신율에 음의 가중치(−0.518)를 줍니다. 이는 강도가 가장 높고 연성이 가장 낮은 처리 B를 구별하는 상충 관계입니다. 두 번째 방향(24.3%)은 두 특성 모두에 양의 가중치를 주며, 처리 A가 다른 점이 바로 이것입니다. 강도와 연신율을 함께 높입니다. 부품에 두 특성이 모두 필요하다면 처리 A가 더 안전한 선택입니다.

자주 묻는 질문

개별 ANOVA 대신 MANOVA는 언제 사용해야 합니까?

각 단위에서 둘 이상의 특성을 측정할 때 MANOVA를 사용합니다. 하나의 결합 검정으로 전체 오경보율을 선택한 수준으로 유지하고, 반응 간 상관을 반영하며, 개별 ANOVA가 놓치는 특성 조합의 변화를 탐지할 수 있습니다. 개별 ANOVA를 여러 번 수행하면 오경보 가능성이 높아집니다.

Wilks 람다, Pillai 대각합, Hotelling-Lawley 대각합, Roy의 근은 어떻게 다릅니까?

네 통계량 모두 오차 행렬의 역행렬과 가설 행렬의 곱의 고유값으로 각 항을 검정하며, 각각 근사 F로 변환됩니다. Wilks 람다는 그 항이 중요할수록 작아집니다. Pillai 대각합은 집단 크기와 공분산 행렬이 다를 때 가장 관대합니다. Roy의 근은 한 방향의 차이에 가장 민감하지만 p-값이 낙관적입니다.

MANOVA의 가정은 무엇입니까?

MANOVA는 관측값이 독립이고 오차가 모든 집단에서 같은 공분산 행렬을 갖는 다변량 정규분포를 따른다고 가정합니다. 선택한 열 중 하나라도 결측값이 있는 행은 제외됩니다. 집단 크기나 공분산 행렬이 다르면 Pillai 대각합이 네 가지 다변량 통계량 중 가장 관대합니다.

MANOVA의 고유값 분석은 무엇을 알려 줍니까?

고유값 분석은 고유값과 그 비율, 그리고 고유벡터를 나열합니다. 첫 번째 고유벡터는 요인 수준을 가장 잘 분리하는 반응의 가중 조합을 나타냅니다. 재료 예제에서 첫 번째 방향은 강도에 양의 가중치, 연신율에 음의 가중치를 주어, 처리 B를 구별하는 강도-연성 상충 관계를 보여 주었습니다.