Łączone odchylenie standardowe dla wielu grup

Czym jest łączone odchylenie standardowe?

Łączone odchylenie standardowe łączy oszacowania wariancji z dwóch lub więcej grup w jedno, ważone oszacowanie. Jest niezbędne w testach t dla dwóch prób przy założeniu równych wariancji.

Koncepcja jest prosta: jeśli wierzymy, że dwie grupy pochodzą z populacji o takiej samej zmienności, możemy połączyć ich dane, aby uzyskać lepsze oszacowanie tej wspólnej zmienności. Więcej danych oznacza dokładniejsze oszacowanie.

Pomyśl o tym w ten sposób: jeśli masz 20 obserwacji z grupy A i 30 z grupy B, a obie grupy mają tę samą prawdziwą wariancję, dysponujesz teraz 50 obserwacjami do oszacowania tej wariancji zamiast szacować ją osobno z mniejszych prób.

Kiedy łączyć

Łącz odchylenia standardowe tylko wtedy, gdy masz powody sądzić, że wariancje populacyjne są równe. Użyj testu Levene’a lub testu F, aby sprawdzić to założenie przed łączeniem.

Wzór na łączone odchylenie

Dla dwóch grup łączone odchylenie standardowe wynosi:

Łączone odchylenie dla dwóch grup

sp = √[((n₁-1)s₁² + (n₂-1)s₂²) / (n₁+n₂-2)]

Gdzie n₁ i n₂ to wielkości prób, a s₁ i s₂ to odchylenia standardowe prób.

Dla k grup (jak w ANOVA) wzór uogólnia się:

Łączone odchylenie dla wielu grup

sp = √[Σ(nᵢ-1)sᵢ² / Σ(nᵢ-1)]

Zauważ, że wzór używa wyrażeń (n-1) zarówno w liczniku, jak i mianowniku. To ważenie zapewnia, że większe próbki wnoszą więcej do łączonego oszacowania, co jest uzasadnione, ponieważ większe próbki dostarczają bardziej wiarygodnych oszacowań wariancji.

Założenia

Łączone odchylenie standardowe zakłada jednorodność wariancji — że wszystkie grupy mają tę samą wariancję populacyjną. Założenie to jest szczególnie istotne, gdy:

Wielkości prób są nierówne (szczególnie problematyczne, gdy większa grupa ma mniejszą wariancję)
Stosunek największej do najmniejszej wariancji przekracza 2–3
Próbki są małe (duże próbki są bardziej odporne na naruszenia)

Gdy wariancje się różnią

Jeśli wariancje są nierówne, użyj testu t Welcha zamiast łączonego testu t lub zastosuj osobne oszacowania wariancji. Test Welcha nie zakłada równych wariancji i jest często rekomendowany jako podejście domyślne.

Rozwiązany przykład

Scenariusz: Porównanie wyników testów między dwiema klasami:

Klasa A: n₁ = 25, średnia = 78, s₁ = 12
Klasa B: n₂ = 30, średnia = 82, s₂ = 14

Obliczenie łączonego odchylenia:

sp = √[((25-1)(12)² + (30-1)(14)²) / (25+30-2)] sp = √[(24×144 + 29×196) / 53] sp = √[(3456 + 5684) / 53] sp = √[9140 / 53] = √172,45 = 13,13

Łączone odchylenie 13,13 mieści się między poszczególnymi odchyleniami (12 i 14), z przechyłem w stronę większej próbki. Ta łączona wartość zostanie następnie użyta we wzorze testu t lub obliczeniu d Cohena.

Zastosowania statystyczne

Test t dla prób niezależnych: Łączone odchylenie służy do obliczenia błędu standardowego różnicy między średnimi.
d Cohena — wielkość efektu: Wielkości efektu są standaryzowane za pomocą łączonego odchylenia: d = (M₁ - M₂) / sp
ANOVA: Średni kwadrat błędu (MSE) w ANOVA jest zasadniczo łączonym oszacowaniem wariancji ze wszystkich grup.
Metaanaliza: Przy łączeniu badań łączone oszacowania pomagają standaryzować efekty w różnych kontekstach.

A statistics tutorial is a practical interpretation guide, not just a formula dump. It refers to the assumptions, notation, and reporting language that analysts need when they explain a result to a teacher, manager, client, or reviewer. The article body covers the specific topic, while the sections below create a common interpretation frame that readers can reuse across related metrics.

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context

Frequently Asked Questions

How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

Authoritative References

These sources define the concepts referenced most often across our articles. Bessel's correction is a sample adjustment, variance is a squared measure of spread, and standard deviation is the square root of variance expressed in the same units as the data.