2 つのサンプルの一致比較は意味がありませんサンプル ID をマッチング変数として使用し、治療をグループ化変数として使用して、2 つの測定セット (プラットフォーム: Y による X に適合) 間のマッチング比較を実行しました。明らかに、目的は治療が従属変数に影響を与えるかどうかを確認することです。結果は、処理が有意である (p = 0.03) ことを示していますが、平均ダイヤモンドと常識はそうではないことを示しています。No-till 処理から一致しない観測値 (12,2) を省略して、両方のサンプルが 7 回の測定値を持つようにしても、結果は変わりません。私は何が欠けていますか？
Re: 2 つのサンプルの一致比較は意味がありませんはい、両方の質問に対して、仮定に違反していない場合。ID ごとに違いを確認することをお勧めします。
Dogs.jmp データのように、サブジェクト/ユニットのサブセットでは差が大きく、別のグループでは差がないことがわかる場合があります。 私の意見では、ランダム性の仮定をチェックすることにほとんど注意が払われていないため、不一致を引き起こしている可能性のある他の要因を探していません。 簡単にするために、私はこれをブロック*処理相互作用と呼んでいますが、ほとんどは別の (未知の) 要因です。
幸運を！
Re: 2 つのサンプルの一致比較は意味がありません
ミニ統計の講義がお役に立てば幸いです。
テストがゼロから統計的に異なっていた間、最後にもう1つコメントします。問題は、平均差があなたの仕事にとって実際に重要かどうかです。
はい、少し濃いですが、役に立ちます。ありがとう。
治療の F 統計量の p=0.03 に基づいて、α=0.05 で統計的に有意であるにもかかわらず、治療効果は小さいと言うのは正しいですか?
また、分析が一致しないペアで行われた場合、治療効果は統計的に有意ではないと言っても過言ではありませんか?
違いが実際に重要かどうかは、長期的な実験に関係するため、そうです。 今年の違いは小さいように見えるかもしれません。来年はもっと大きくなると思います。
乾杯
Re: 2 つのサンプルの一致比較は意味がありませんJMPでマッチドペアまたはペア分析を完了するには、いくつかの方法があります。Anova Matched Pairs 分析では、データが独自のスケールで表示されます。モデルの最大の効果は、サンプル ID (またはブロック) です。サンプル ID 効果を除去した後、平均Till メソッドの違いは 0.036696 = (0.018348 - -0.018348) です。 差の平方和 SS は 0.0047133 です (自由度が 1 しかないため、これも MS です)。 また、MS エラーは 0.00055 です (平方根は、差の標準偏差の推定値です)。 自由度 1 と 6 の F 比は 8.56963 (8.570) で、統計的にゼロとは異なります。
処理効果がディスプレイに表示されない理由は、ID の変動性が処理効果の 100 倍を超えているためです。 以下では、テーブルの編成方法に応じて、いくつかの代替方法について説明します。
- 各行は、1-Till と No-Till の 2 つの列のペアを表します。 (これは、ペア/多変量/相関レイアウトと呼ばれることがよくあります。 差を計算し、差を分析してゼロに等しいかどうかをテストします。 ID ごとに違いをプロットし、Distribution を使用して違いがゼロかどうかをテストするのが好きです。
- 同じテーブル レイアウトで、Fit Y by X を使用し、Y には No-Till を使用し、X には 1-Till を使用します。 次に、対応のある t 検定を要求します。 これを行うには、Shift キーを押しながら赤いメニューを選択すると、対応のある t 検定オプションが表示されます。
- テーブルは積み重ねられており、サンプル ID の列と処理の列があります。 (これはよく ANOVA レイアウトと呼ばれます)。Analyze Fit Y by X を使用します。Y は応答、X は処理です。次に、一致したペアを選択し、ID 列を選択します。 これはあなたが使用したものです。
私はあなたのデータを持っていないので、Dogs.jmp を使用して、1 つのダッシュボードに表示される 3 つの JMP プラットフォーム メソッドのデモを行います。ノート：
- 3 つすべてが同じ統計的有意性を持つ 0.0049
- 2 つは t 検定 (3.29676) を使用し、3 番目は t の 2 乗である F 比 (10.868) です。 (1, df) 自由度の F は、自由度 df の at 統計量の 2 乗です。
- 平均差 (1.20195) は、2 つの治療推定値の差に等しくなります。
- 3 番目の分析は、LogHist0 と LogHist1 を積み重ねることによって達成されました。積み重ねられた列は Data と呼ばれ、変数名は Label と呼ばれます。
- 最初の 2 つの方法は、テストを表す灰色の線を示します: Y==X と Diff==0 の線です。 どちらも 95% 信頼区間の外にあるため、統計的に有意です。
これらのグラフはすべて、Dogs.jmp サンプル データの元の縮尺で表示されています。これは、処理効果が ID (ブロッキング) 効果よりも大きいため問題ありません。ただし、これらの写真はまだ私の好みのディスプレイではありません。 下記参照。
2 列の Dogs.jmp レイアウトを使用すると、一対の差が計算されます (既に表に含まれています)。 今すぐ使用分布平均がゼロかどうかをテストします。 また、差のおおよその正規性を確認します。ゼロと比較した平均の T 検定は、上記の最初の 2 つの検定と同じ t 統計量であることに注意してください。 ただし、データが正常ではないことに注意してください (細長い箱ひげ図とデータのギャップ)。データ内の ID およびその他の要因による違いをプロットします。 このデータセットでは、薬と出発地. このタイプの画像は、外れ値やその他の効果を検出できます。
データについては、応答を処理ごとに分割し、ID を使用してグループ化します。 一対の差を計算します。 ID グラフによる分布と差分を実行します。もう 1 つの方法は、式を使用して新しい列を作成し、ID ごとの応答平均 (ID 平均) を計算することです。 次に、応答から ID 平均を差し引いた値を計算します。 これをブロック整列データと呼びます。 このデータを、2 つの平均ダイヤモンドなどを使用して、一致したペアの違いに使用します (テーブルを分割する必要はありません)。
ミニ統計の講義がお役に立てば幸いです。
テストがゼロから統計的に異なっていた間、最後にもう1つコメントします。問題は、平均差があなたの仕事にとって実際に重要かどうかです。
