Ein passender Vergleich zweier Proben ist nicht sinnvollIch habe einen Matching-Vergleich zwischen zwei Messreihen (Plattform: Fit Y by X) durchgeführt, wobei ich die Proben-ID als Matching-Variable und Treatment als Gruppierungsvariable verwendet habe.Offensichtlich besteht das Ziel darin zu sehen, ob sich die Behandlung auf die abhängige Variable auswirkt.Die Ergebnisse zeigen, dass die Behandlung signifikant ist (p = 0,03), während die mittleren Rauten und der gesunde Menschenverstand darauf hindeuten, dass dies nicht der Fall ist.Das Weglassen der nicht übereinstimmenden Beobachtung (12,2) aus der Direktsaatbehandlung, so dass beide Proben 7 Messungen haben, ändert das Ergebnis nicht.Was vermisse ich?
Betreff: Matching-Vergleich zweier Proben nicht sinnvollJa, zu Ihren beiden Fragen, wenn es keine Verstöße gegen Annahmen gibt.Ich empfehle Ihnen trotzdem, sich die Unterschiede nach ID anzusehen.
Wie bei den Dogs.jmp-Daten stellen Sie möglicherweise fest, dass der Unterschied für eine Teilmenge von Subjekten/Einheiten groß ist und für eine andere Gruppe nicht. Meiner Meinung nach wird zu wenig Aufmerksamkeit darauf verwendet, die Zufälligkeitsannahmen zu überprüfen und daher nicht nach anderen Faktoren zu suchen, die die Inkonsistenzen verursachen könnten. Der Einfachheit halber nenne ich es gerne eine Block*-Behandlungsinteraktion, aber meistens ist es ein anderer (unbekannter) Faktor.
Viel Glück!
Betreff: Matching-Vergleich zweier Proben nicht sinnvoll
Ich hoffe, die Mini-Statistik-Vorlesung war hilfreich.
Oh, eine letzte Bemerkung, während der Test statistisch von Null abweicht, stellt sich die Frage, ob die durchschnittliche Differenz für Ihre Arbeit von praktischer Bedeutung ist.
Ja, etwas schwerfällig, aber hilfreich.Danke dir.
Habe ich Recht, wenn ich sage, dass basierend auf p = 0,03 der F-Statistik für die Behandlung der Behandlungseffekt klein, wenn auch statistisch signifikant bei α = 0,05 ist?
Ist es auch fair zu sagen, dass der Behandlungseffekt statistisch nicht signifikant wäre, wenn die Analyse an nicht übereinstimmenden Paaren durchgeführt worden wäre?
Ob der Unterschied von praktischer Bedeutung ist, ja, denn es handelt sich um ein Langzeitexperiment. Der Unterschied mag Ihnen dieses Jahr gering erscheinen.Ich erwarte, dass es nächstes Jahr größer wird, und so weiter.
Beifall
Betreff: Matching-Vergleich zweier Proben nicht sinnvollEs gibt mehrere Methoden, um ein übereinstimmendes Paar oder eine gepaarte Analyse in JMP abzuschließen.Die Anova Matched Pairs-Analyse zeigt die Daten mit einer eigenen Skala an.Der größte Effekt in Ihrem Modell ist die Proben-ID (oder Block).Nach dem Entfernen des Proben-ID-Effekts wird die Durchschnitt Unterschied in den Till-Methoden ist 0,036696 = (0,018348 - -0,018348). Die Summe der Quadrate, SS, der Differenzen ist 0,0047133 (da es nur 1 Freiheitsgrad gibt, ist dies auch die MS). Und der MS-Fehler beträgt 0,00055 (das Quadrat ist eine Schätzung der Standardabweichung der Unterschiede). Das F-Verhältnis mit 1 und 6 Freiheitsgraden beträgt 8,56963 (8,570), was statistisch von Null verschieden ist.
Der Behandlungseffekt ist in Ihrem Display nicht sichtbar, weil die ID-Variabilität mehr als das 100-fache des Behandlungseffekts beträgt. Im Folgenden werde ich einige alternative Methoden dokumentieren, die davon abhängen, wie Ihre Tabelle organisiert ist.
- Jede Zeile stellt ein Paar mit 2 Spalten dar, 1-Till und No-Till. (Dies wird oft als gepaartes/multivariates/Korrelations-Layout bezeichnet. Berechnen Sie die Differenz und analysieren Sie die Differenzen, um zu testen, ob sie gleich Null sind. Ich zeichne gerne die Unterschiede nach ID auf und verwende Distribution, um zu testen, ob die Differenz Null ist.
- Gleiches Tabellenlayout, verwenden Sie Fit Y by X, verwenden Sie No-Till für Y und 1-Till für X. Fordern Sie dann einen gepaarten t-Test an. Halten Sie dazu die UMSCHALTTASTE gedrückt und wählen Sie dann das rote Menü aus, und die Option für den gepaarten t-Test wird angezeigt.
- Die Tabelle ist gestapelt, mit einer Spalte für die Proben-ID und einer weiteren für die Behandlung. (Dies wird oft als ANOVA-Layout bezeichnet).Verwenden Sie „Anpassen von Y nach X analysieren“, Y ist die Antwort und X ist die Behandlung, wählen Sie dann übereinstimmende Paare und die ID-Spalte aus. Das hast du verwendet.
Ich habe Ihre Daten nicht, daher werde ich Dogs.jmp verwenden, um die 3 JMP-Plattformmethoden zu demonstrieren, die in einem einzigen Dashboard angezeigt werden.Notiz:
- alle drei haben die gleiche statistische Signifikanz 0,0049
- zwei verwenden den t-Test (3,29676) und der dritte ist ein F-Verhältnis (10,868), das das Quadrat von t ist. Ein F mit (1, df) Freiheitsgraden ist das Quadrat der at-Statistik mit df Freiheitsgraden.
- die durchschnittliche Differenz (1,20195) ist gleich der Differenz der 2 Behandlungsschätzungen.
- Die dritte Analyse wurde durch Stapeln von LogHist0 und LogHist1 erreicht. Die gestapelte Spalte heißt Data und der Variablenname heißt Label.
- Die ersten beiden Methoden zeigen eine graue Linie, die den Test darstellt: die Linie Y==X und Diff==0. Beide liegen außerhalb des 95-%-Konfidenzintervalls und sind daher statistisch signifikant.
Alle diese Diagramme sind im Originalmaßstab der Dogs.jmp-Beispieldaten, was in Ordnung ist, da der Behandlungseffekt größer ist als der ID-(Blockierungs-)Effekt.Diese Bilder sind jedoch immer noch nicht meine bevorzugte Anzeige. Siehe unten.
Verwenden Sie das Dogs.jmp-Layout mit 2 Spalten, um die gepaarte Differenz zu berechnen (bereits in der Tabelle). Jetzt benutzen Verteilung um zu testen, ob der Mittelwert null ist. Überprüfen Sie auch die ungefähre Normalität der Unterschiede.Beachten Sie, dass der T-Test des Mittelwerts im Vergleich zu Null dieselbe t-Statistik aus den ersten beiden obigen Tests ist. Beachten Sie jedoch, dass die Daten nicht normal sind (verlängerter Boxplot und Datenlücken).Zeichnen Sie die Unterschiede nach ID und anderen Faktoren in den Daten. In diesem Datensatz Arzneimittel und abh . Diese Art von Bild kann Ausreißer und andere Effekte erkennen.
Teilen Sie für Ihre Daten die Antwort nach Behandlung auf und verwenden Sie die ID zur Gruppierung. Berechnen Sie die gepaarten Differenzen. Und führen Sie das Diagramm Verteilung und Diff nach ID aus.Ein anderer Ansatz besteht darin, eine neue Spalte mit der Formel zum Berechnen des Antwortmittelwerts nach ID (das ID-Mittel) zu erstellen. Berechnen Sie dann die Antwort abzüglich des ID-Durchschnitts. Ich nenne diese blockausgerichteten Daten. Verwenden Sie diese Daten für die Differenzen Ihrer übereinstimmenden Paare, mit den beiden Mitteln Karo usw. (Sie müssten Ihre Tabelle nicht aufteilen).
Ich hoffe, die Mini-Statistik-Vorlesung war hilfreich.
Oh, eine letzte Bemerkung, während der Test statistisch von Null abweicht, stellt sich die Frage, ob die durchschnittliche Differenz für Ihre Arbeit von praktischer Bedeutung ist.
