Ces méthodes sont-elles équivalentes pour modéliser la variable de réponse?Bonjour,
Mon exemple implique une expérience de mesures répétées dans laquelle un point de données échantillon est collecté toutes les 10 minutes pour chaque sujet, pour un total de 10 mesures (t0, t1, ..., t9).
À titre d’exemple simple, la variable de réponse d’intérêt est la suivante: l’intervalle de temps entre deux clignements d’œil consécutifs.
Ma question... les deux définitions suivantes de la variable de réponse sont-elles équivalentes?
1) Le nombre de clignements des yeux enregistrés dans chaque fenêtre temporelle de 10 minutes
2) La durée moyenne entre les clignotements consécutifs dans chaque fenêtre temporelle de 10 minutes
En outre, seraient-ils classés comme Poisson, binomiaux ou sont-ils normalement distribués?
Je vous remercie,
JP
Re: Ces moyens sont-ils équivalents pour modéliser la variable de réponse?Si vous essayez finalement de construire des modèles de régression avec beaucoup de «zéros» dans l'ensemble des variables de réponse, il existe une famille de techniques de régression connue sous le nom générique de «zéro gonflé». La fonction de modélisation «gonflée à zéro» fait partie de JMP Pro dans le modèle Fit -> Personnalité par régression généralisée, Distribution: Binomial ZI (et autres). Voici un lien vers les sections correspondantes de la documentation en ligne de JMP:
http://www.jmp.com/support/help/13/Distribution.shtml
Re: Ces moyens sont-ils équivalents pour modéliser la variable de réponse?Je vous remercie. J'examinerai la littérature sur les données «volumineuses».
Re: Ces moyens sont-ils équivalents pour modéliser la variable de réponse?Je conviens que les deux méthodes ne sont pas les mêmes. Voici un exemple un peu extrême, mais utile: Supposons que vous traquiez les blessures enregistrables par mois sur le site de votre entreprise via des tableaux de comportement des processus. Certains mois, il n'y a pas de blessure, d'autres mois, il y en a 1 ou 2, o3, etc. Si le nombre moyen de blessures enregistrables par mois est faible (<6), alors les données sont "volumineuses" (voir les articles du Dr Donald Wheeler sur les données Chunky) et la méthode de la carte de contrôle ne donne pas de résultats / conclusions utiles. CEPENDANT, si vous effectuez un suivi par "Nombre de jours entre deux blessures enregistrables", la carte de contrôle fonctionne assez bien.
Quelle est la distribution des données? Qu'importe? La carte I-MR n'exige pas que les données aient une distribution particulière!
Re: Ces moyens sont-ils équivalents pour modéliser la variable de réponse?Merci pour votre réponse.
La personne 1 pourrait probablement avoir plus de 10 clignotements, car il reste 15 secondes (9 * 5 + 40 = 85 vs 10 * 10 = 100) si le délai d’examen est de 100 secondes. Cela suppose que le 11ème clignotement potentiel pour la personne 1 ne dure pas plus de 15 secondes à partir du 10, ce qui contribuerait au prochain intervalle de temps.
Cela étant dit, votre argument était clair et très sensé.
Re: Ces moyens sont-ils équivalents pour modéliser la variable de réponse?Je pense que vous ne devriez pas traiter ces deux réponses de la même manière. Il suffit de comparer les deux scénarios:
La personne 1 a une fréquence très régulière de clignotement.
La personne 2 a une fréquence de clignotement plus élevée, mais une fois pour une raison quelconque une fois, elle a eu une longue période entre deux clignotements.
Les données 
Moyens et Std. Devs
Les deux peuvent se retrouver avec le même nombre de clignotements, mais ils ont des temps moyens différents entre les clignotements.
Le nombre de clignotements est probablement poisson distribué.
Le temps moyen entre les clignotements peut être approximé par une distribution normale, mais ressemble probablement davantage à une distribution de Weibull ou à une distribution gamma, car les temps ne peuvent pas être négatifs.
