تحلیل_واریانس_چند_متغیره ( MANOVA):

#تحلیل_واریانس_چند_متغیره (#MANOVA):

 🔸اغلب اتفاق می افتد زمانی که هدف محقق بررسی بیش از یک متغیر وابسته است، به جای استفاده از روش های چند متغیری هر بار یکی از متغیرهای وابسته را در نظر گرفته و از روش  ANOVA برای تحلیل استفاده می نماید. استفاده از این روش می تواند اشکالاتی را به وجود آورد که در ادامه به بیان آن ها می پردازیم :

1️⃣ آزمون های آماری تک متغیری به طور معمول همبستگی متقابل متغیرهای وابسته را نادیده می گیرد. در حالیکه روش #MANOVA همبستگی متقابل بین متغیرهای وابسته را با بررسی ماتریس های واریانس کواریانس در نظر می گیرد.

2️⃣ روش #MANOVA محققان را قادر می سازد تا روابط بین متغیرهای وابسته را در هر سطحی از متغیرهای مستقل بررسی کنند.

3️⃣ این روش به شناسایی متغیرهای وابسته با بیشترین توان تفکیک در گروه بندی کمک می کند.

4️⃣ روش   MANOVA به واسطه توان افزایش یافته در موقعیت چند متغیری می تواند تفاوت های گروهی نامشخص تحت شرایط تحلیل های آماری تک متغیری را آشکار نماید.

5️⃣ روش  MANOVA سطح آلفای کلی یا میزان خطای نوع اول (یعنی احتمال این که فرض صفر درست بوده و به اشتباه رد شود)را کنترل می کند. برای مثال اگر بخواهیم تفاوت های جنسیتی(متغیر مستقل) را با چهار متغیر وابسته رضایت شغلی (پرداخت، مزایا، همکاران و محل کار) بررسی کنیم و برای این کار از چهار آزمون جداگانه #t و یا روش  ANOVA استفاده نماییم، با سطح خطای ۵% برای هر آزمون با خطای نوع اول برابر ۰٫۰۵۴ مواجه خواهیم شد. در این حالات استفاده از روش  MANOVA این مشکل را برطرف می کند.