La comparaison d'appariement de deux échantillons n'a pas de sensJ'ai effectué une comparaison d'appariement entre deux ensembles de mesures (plate-forme : Ajuster Y par X) en utilisant l'ID d'échantillon comme variable d'appariement et le traitement comme variable de regroupement.Évidemment, l'objectif est de voir si le traitement a un effet sur la variable dépendante.Les résultats montrent que le traitement est significatif (p = 0,03) alors que les losanges moyens et le bon sens indiquent qu'il ne l'est pas.L'omission de l'observation non concordante (12,2) du traitement sans labour de sorte que les deux échantillons aient 7 mesures ne change pas le résultat.Qu'est-ce que je rate?
Re : La comparaison de deux échantillons n'a pas de sensOui, à vos deux questions, s'il n'y a pas de violation des hypothèses.Je vous recommande toujours de regarder les différences par ID.
Comme pour les données Dogs.jmp, vous pouvez constater que la différence est importante pour un sous-ensemble de sujets/unités et nulle pour un autre groupe. À mon avis, trop peu d'attention est consacrée à la vérification des hypothèses de caractère aléatoire et donc à la recherche d'autres facteurs susceptibles d'être à l'origine des incohérences. Pour simplifier, j'aime appeler cela une interaction de traitement bloc*, mais c'est surtout un autre facteur (inconnu).
Bonne chance!
Re : La comparaison de deux échantillons n'a pas de sens
J'espère que la conférence sur les mini-statistiques a été utile.
Oh, un dernier commentaire alors que le test était statistiquement différent de zéro, la question est de savoir si la différence moyenne a une importance pratique pour votre travail.
Oui, un peu dense, mais utile.Merci.
Ai-je raison de dire que, sur la base du p = 0,03 de la statistique F pour le traitement, l'effet du traitement est faible, bien que statistiquement significatif à α = 0,05 ?
Est-il également juste de dire que, si l'analyse avait été menée sur des paires non appariées, l'effet Traitement ne serait pas statistiquement significatif ?
Que la différence ait une importance pratique, oui, car il s'agit d'une expérience à long terme. La différence peut vous sembler minime cette année.Je m'attends à ce qu'il soit plus grand l'année prochaine, et ainsi de suite.
Salutations
Re : La comparaison de deux échantillons n'a pas de sensIl existe plusieurs méthodes pour effectuer une paire appariée ou une analyse par paires dans JMP.L'analyse Anova Matched Pairs affiche les données avec sa propre échelle.L'effet le plus important dans votre modèle est l'ID d'échantillon (ou bloc).Après avoir supprimé l'effet Sample ID, le moyenne différence dans les méthodes de Till est de 0,036696 = (0,018348 - -0,018348). La somme des carrés, SS, des différences est de 0,0047133 (puisqu'il n'y a qu'un seul degré de liberté, c'est aussi le MS). Et l'erreur MS est de 0,00055 (le sqrt est une estimation de l'écart type des différences). Le rapport F avec 1 et 6 degrés de liberté est de 8,56963 (8,570), ce qui est statistiquement différent de zéro.
La raison pour laquelle l'effet du traitement n'est pas visible sur votre écran est que la variabilité de l'ID est supérieure à 100 fois l'effet du traitement. Ci-dessous, je documenterai quelques méthodes alternatives, qui dépendent de la façon dont votre table est organisée.
- Chaque ligne représente une paire avec 2 colonnes, 1-Till et No-Till. (Ceci est souvent appelé la disposition appariée/multivariée/corrélation. Calculez la différence et analysez les différences pour tester si elles sont équivalentes à zéro. J'aime tracer les différences par ID et utiliser Distribution pour tester si la différence est nulle.
- Même disposition de table, utilisez Fit Y by X utilisez No-Till pour Y et 1-Till pour X. Demandez ensuite un test t apparié. Pour ce faire, maintenez la touche SHIFT enfoncée puis sélectionnez le menu rouge et l'option de test t apparié est visible.
- Le tableau est empilé, avec une colonne pour l'ID de l'échantillon et une autre pour le traitement. (Ceci est souvent appelé la disposition ANOVA).Utilisez Analyze Fit Y by X, Y est la réponse et X est le traitement, puis sélectionnez les paires appariées et sélectionnez la colonne ID. C'est ce que vous avez utilisé.
Je n'ai pas vos données, je vais donc utiliser Dogs.jmp pour démontrer les 3 méthodes de la plateforme JMP affichées dans un seul tableau de bord.Note:
- tous les trois ont la même signification statistique 0,0049
- deux utilisent le test t (3,29676) et le troisième est un rapport F (10,868) qui est le carré de t. Un F avec (1, df) degrés de liberté est le carré de la statistique at avec df degrés de liberté.
- la différence moyenne (1,20195) est égale à la différence des 2 estimations de traitement.
- la 3ème analyse a été réalisée en empilant LogHist0 et LogHist1 la colonne empilée s'appelle Data et le nom de la variable s'appelle Label.
- Les deux premières méthodes montrent une ligne grise, représentant le test : la ligne Y==X et Diff==0. Les deux sont en dehors des intervalles de confiance à 95 %, donc statistiquement significatifs.
Tous ces graphiques sont à l'échelle d'origine des exemples de données Dogs.jmp, ce qui est correct puisque l'effet du traitement est plus important que l'effet ID (blocage).Cependant, ces images ne sont toujours pas mon affichage préféré. Voir ci-dessous.
En utilisant la disposition Dogs.jmp avec 2 colonnes, calculez la différence appariée (déjà dans le tableau). Utilisez maintenant Distribution pour tester si la moyenne est nulle. Vérifiez également la normalité approximative des différences.Notez que le test T de la moyenne par rapport à zéro est la même statistique t des 2 premiers tests ci-dessus. Cependant, notez que les données ne sont pas normales (boîte à moustaches allongée et lacunes dans les données).Tracez les différences par ID et d'autres facteurs dans les données. Dans cet ensemble de données, Drogue et dép . Ce type d'image peut détecter des valeurs aberrantes et d'autres effets.
Pour vos données, divisez la réponse par traitement et utilisez l'ID pour le regroupement. Calculez les différences appariées. Et exécutez le graphique Distribution et Diff par ID.Une autre approche consiste à créer une nouvelle colonne avec la formule pour calculer la moyenne des réponses par ID (la moyenne des ID). Calculez ensuite la réponse moins la moyenne de l'ID. J'appelle cela des données alignées par blocs. Utilisez ces données pour vos différences de paires appariées, avec les deux diamants moyens, etc. (vous n'auriez pas à diviser votre tableau).
J'espère que la conférence sur les mini-statistiques a été utile.
Oh, un dernier commentaire alors que le test était statistiquement différent de zéro, la question est de savoir si la différence moyenne a une importance pratique pour votre travail.
