Il confronto della corrispondenza di due campioni non ha sensoHo eseguito un confronto di corrispondenza tra due serie di misurazioni (piattaforma: adatta Y per X) utilizzando l'ID campione come variabile corrispondente e il trattamento come variabile di raggruppamento.Ovviamente, l'obiettivo è vedere se il trattamento ha un effetto sulla variabile dipendente.I risultati mostrano che il trattamento è significativo (p = 0,03) mentre i diamanti medi e il buon senso indicano che non lo è.L'omissione dell'osservazione non corrispondente (12,2) dal trattamento No-till in modo che entrambi i campioni abbiano 7 misurazioni non modifica il risultato.Cosa mi manca?
Re: Il confronto tra due campioni non ha sensoSì, a entrambe le tue domande, se non ci sono violazioni dei presupposti.Ti consiglio comunque di guardare le differenze per ID.
Come i dati Dogs.jmp, potresti trovare la differenza grande per un sottoinsieme di soggetti/unità e nulla per un altro gruppo. A mio parere, viene prestata troppa poca attenzione al controllo delle ipotesi di casualità e quindi non alla ricerca di altri fattori che potrebbero causare incongruenze. Per semplicità, mi piace definirla un'interazione terapeutica di blocco*, ma soprattutto è un altro fattore (sconosciuto).
In bocca al lupo!
Re: Il confronto tra due campioni non ha senso
Spero che la mini lezione di statistica sia stata utile.
Oh un ultimo commento mentre il test era statisticamente diverso da zero, la domanda è se la differenza media è di importanza pratica per il tuo lavoro.
Sì, un po' denso, ma utile.Grazie.
Ho ragione nel dire che, sulla base del p=0,03 della statistica F per il trattamento, l'effetto del trattamento è piccolo, sebbene statisticamente significativo a α=0,05?
È anche corretto affermare che, se l'analisi fosse stata condotta su coppie non abbinate, l'effetto del trattamento non sarebbe statisticamente significativo?
Se la differenza è di importanza pratica, sì, perché riguarda un esperimento a lungo termine. La differenza potrebbe sembrarti piccola quest'anno.Mi aspetto che sia più grande l'anno prossimo, e così via.
Saluti
Re: Il confronto tra due campioni non ha sensoEsistono diversi metodi per completare una coppia corrispondente o un'analisi per coppie in JMP.L'analisi Anova Matched Pairs mostra i dati con la propria scala.L'effetto più grande nel tuo modello è l'ID campione (o blocco).Dopo aver rimosso l'effetto Sample ID, il file media la differenza nei metodi Till è 0,036696 = (0,018348 - -0,018348). La somma dei quadrati, SS, delle differenze è 0,0047133 (poiché c'è solo 1 grado di libertà, questo è anche MS). E l'errore MS è 0,00055 (sqrt è una stima dello std dev delle differenze). Il rapporto F con 1 e 6 gradi di libertà è 8,56963 (8,570) che è statisticamente diverso da zero.
Il motivo per cui l'effetto del trattamento non è visibile sul display è perché la variabilità dell'ID è superiore a 100 volte l'effetto del trattamento. Di seguito documenterò un paio di metodi alternativi, che dipendono da come è organizzata la tua tabella.
- Ogni riga rappresenta una coppia con 2 colonne, 1-Till e No-Till. (Questo è spesso chiamato layout accoppiato/multivariato/correlazione. Calcola la differenza e analizza le differenze per verificare se è uguale a zero. Mi piace tracciare le differenze per ID e utilizzare Distribuzione per verificare se la differenza è zero.
- Stesso layout del tavolo, usa Adatta Y per X usa No-Till per Y e 1-Till per X. Quindi richiedere un t-test accoppiato. Per fare ciò, tieni premuto il tasto MAIUSC, quindi seleziona il menu rosso e l'opzione t-test accoppiata è visibile.
- La tabella è impilata, con una colonna per ID campione e un'altra per Trattamento. (Questo è spesso chiamato layout ANOVA).Utilizzare Analizza adattamento Y per X, Y è la risposta e X è il trattamento, quindi selezionare le coppie corrispondenti e selezionare la colonna ID. Questo è quello che hai usato.
Non ho i tuoi dati, quindi utilizzerò Dogs.jmp per dimostrare i 3 metodi della piattaforma JMP visualizzati in un'unica dashboard.Nota:
- tutti e tre hanno la stessa significatività statistica 0,0049
- due usano il t-test (3.29676) e il terzo è un rapporto F (10.868) che è il quadrato di t. Una F con (1, df) gradi di libertà è il quadrato della statistica at con df gradi di libertà.
- la differenza media (1.20195) è pari alla differenza delle 2 stime di trattamento.
- la terza analisi è stata ottenuta impilando LogHist0 e LogHist1, la colonna in pila si chiama Data e il nome della variabile si chiama Label.
- I primi due metodi mostrano una linea grigia, che rappresenta il test: la linea Y==X e Diff==0. Entrambi sono al di fuori degli intervalli di confidenza del 95%, quindi statisticamente significativi.
Tutti questi grafici sono nella scala originale dei dati di esempio Dogs.jmp, il che va bene poiché l'effetto del trattamento è maggiore dell'effetto ID (blocco).Tuttavia, queste immagini non sono ancora il mio display preferito. Vedi sotto.
Utilizzando il layout Dogs.jmp con 2 colonne calcola la differenza accoppiata (già nella tabella). Ora usa Distribuzione per verificare se la media è zero. Verificare anche la normalità approssimativa delle differenze.Nota che il test T della media rispetto a zero è la stessa statistica t dei primi 2 test sopra. Tuttavia, si noti che i dati non sono normali (grafico a riquadri allungato e lacune nei dati).Tracciare le differenze per ID e altri fattori nei dati. In questo set di dati, Droga e dep . Questo tipo di immagine può rilevare valori anomali e altri effetti.
Per i tuoi dati dividi la risposta per trattamento e utilizza l'ID per il raggruppamento. Calcola le differenze accoppiate. Ed esegui il grafico Distribuzione e differenza per ID.Un altro approccio consiste nel creare una nuova colonna con la formula per calcolare la media della risposta in base all'ID (l'ID significa). Quindi calcola la risposta meno la media ID. Chiamo questi dati allineati a blocchi. Usa questi dati per le differenze delle tue coppie abbinate, con le due medie quadri, ecc. (Non dovresti dividere il tuo tavolo).
Spero che la mini lezione di statistica sia stata utile.
Oh un ultimo commento mentre il test era statisticamente diverso da zero, la domanda è se la differenza media è di importanza pratica per il tuo lavoro.
