La comparación coincidente de dos muestras no tiene sentidoRealicé una comparación coincidente entre dos conjuntos de medidas (Plataforma: Ajustar Y por X) usando ID de muestra como variable coincidente y Tratamiento como variable de agrupación.Obviamente, el objetivo es ver si Tratamiento tiene efecto sobre la variable dependiente.Los resultados muestran que el tratamiento es significativo (p = 0,03), mientras que los rombos medios y el sentido común indican que no lo es.Omitir la observación de no coincidencia (12,2) del tratamiento de labranza cero para que ambas muestras tengan 7 mediciones no cambia el resultado.¿Qué me estoy perdiendo?
Re: La comparación de coincidencias de dos muestras no tiene sentidoSí, a sus dos preguntas, si no hay violaciones de supuestos.Todavía te recomiendo que mires las diferencias por ID.
Al igual que los datos de Dogs.jmp, es posible que la diferencia sea grande para un subconjunto de sujetos/unidades y nada para otro grupo. En mi opinión, se dedica muy poca atención a verificar los supuestos de aleatoriedad y, por lo tanto, no se buscan otros factores que puedan estar causando las inconsistencias. Para simplificar, me gusta llamarlo una interacción de tratamiento de bloque*, pero sobre todo es otro factor (desconocido).
¡Buena suerte!
Re: La comparación de coincidencias de dos muestras no tiene sentido
Espero que la conferencia de mini-estadística haya sido útil.
Oh, un último comentario, mientras que la prueba fue estadísticamente diferente de cero, la pregunta es si la diferencia promedio es de importancia práctica para su trabajo.
Sí, un poco denso, pero útil.Gracias.
¿Estoy en lo cierto al decir que, según la p=0,03 de la estadística F para el tratamiento, el efecto del tratamiento es pequeño, aunque estadísticamente significativo en α=0,05?
¿Es también justo decir que, si el análisis se hubiera realizado en pares no emparejados, el efecto del Tratamiento no sería estadísticamente significativo?
Si la diferencia es de importancia práctica, sí lo es, porque se trata de un experimento a largo plazo. La diferencia puede parecerte pequeña este año.Espero que sea más grande el próximo año, y así sucesivamente.
Salud
Re: La comparación de coincidencias de dos muestras no tiene sentidoHay varios métodos para completar un par emparejado o un análisis emparejado en JMP.El análisis de pares coincidentes de Anova muestra los datos con su propia escala.El efecto más grande en su modelo es ID de muestra (o bloque).Después de eliminar el efecto de ID de muestra, el promedio la diferencia en los métodos Till es 0.036696 = (0.018348 - -0.018348). La Suma de Cuadrados, SS, de las diferencias es 0.0047133 (como solo hay 1 grado de libertad, este también es el MS). Y el error de MS es 0.00055 (la sqrt es una estimación de la desviación estándar de las diferencias). El cociente F con 1 y 6 grados de libertad es 8,56963 (8,570) que es estadísticamente distinto de cero.
La razón por la que el efecto del tratamiento no es visible en su pantalla es porque la variabilidad de ID es más de 100x del efecto del tratamiento. A continuación, documentaré un par de métodos alternativos, que dependen de cómo esté organizada su tabla.
- Cada fila representa un par con 2 columnas, 1-Till y No-Till. (Esto a menudo se denomina diseño emparejado/multivariante/correlación). Calcule la diferencia y analice las diferencias para probar si es equivalente a cero. Me gusta trazar las diferencias por ID y usar Distribución para probar si la diferencia es cero.
- Mismo diseño de mesa, use Fit Y by X use No-Till para Y y 1-Till para X. Luego solicite una prueba t pareada. Para hacer esto, mantenga presionada la tecla MAYÚS y luego seleccione el menú rojo, y la opción de prueba t emparejada estará visible.
- La tabla está apilada, con una columna para ID de muestra y otra para Tratamiento. (Esto a menudo se llama el diseño ANOVA).Use Analizar ajuste Y por X, Y es la respuesta y X es el tratamiento, luego seleccione pares coincidentes y seleccione la columna ID. Esto es lo que usaste.
No tengo sus datos, así que usaré Dogs.jmp para demostrar los 3 métodos de la plataforma JMP que se muestran en un solo tablero.Nota:
- los tres tienen la misma significación estadística 0.0049
- dos usan la prueba t (3.29676) y el tercero es una relación F (10.868) que es el cuadrado de t. Un F con (1, df) grados de libertad es el cuadrado de un estadístico con df grados de libertad.
- la diferencia promedio (1.20195) es igual a la diferencia de las 2 estimaciones de tratamiento.
- el tercer análisis se logró apilando LogHist0 y LogHist1, la columna apilada se llama Datos y el nombre de la variable se llama Etiqueta.
- Los dos primeros métodos muestran una línea gris, que representa la prueba: la línea Y==X y Diff==0. Ambos están fuera de los intervalos de confianza del 95%, por lo que son estadísticamente significativos.
Todos estos gráficos están en la escala original de los datos de muestra de Dogs.jmp, lo cual está bien ya que el efecto del tratamiento es mayor que el efecto ID (bloqueo).Sin embargo, estas imágenes todavía no son mi visualización preferida. Vea abajo.
Usando el diseño Dogs.jmp con 2 columnas, calcule la diferencia emparejada (ya en la tabla). Ahora usa Distribución para probar si la media es cero. Compruebe también la normalidad aproximada de las diferencias.Tenga en cuenta que la prueba T de la media comparada con cero es la misma estadística t de las primeras 2 pruebas anteriores. Sin embargo, tenga en cuenta que los datos no son normales (diagrama de caja alargado y lagunas de datos).Trace las diferencias por ID y otros factores en los datos. En este conjunto de datos, Droga y dep . Este tipo de imagen puede detectar valores atípicos y otros efectos.
Para sus datos, divida la respuesta por tratamiento y use ID para agrupar. Calcule las diferencias pareadas. Y ejecute el gráfico de Distribución y Diferencia por ID.Otro enfoque es crear una nueva columna con la fórmula para calcular la media de respuesta por ID (los medios de ID). Luego calcule la respuesta menos el promedio de ID. A este bloque lo llamo datos alineados. Use estos datos para sus diferencias de pares emparejados, con los dos diamantes medios, etc. (No tendría que dividir su tabla).
Espero que la conferencia de mini-estadística haya sido útil.
Oh, un último comentario, mientras que la prueba fue estadísticamente diferente de cero, la pregunta es si la diferencia promedio es de importancia práctica para su trabajo.
