Est-il possible de transformer des données catégoriques en pourcentages pondérés?Je compare l'efficacité des fours en mesurant la consistance dans la cuisson des biscuits (enfin, pas vraiment, je l'utilise seulement à titre d'exemple). Après avoir résumé les données, j'ai deux réponses, "Cuisiné uniformément" et "Cuit inégalement".
Puis-je créer une nouvelle colonne "% de cuisson uniforme", exécuter Fit X par Y où Y =% de cuisson uniforme, X = four et Fréq = lots de cookies? En faisant cela, je pense que je donne du poids (à partir du nombre de lots) aux pourcentages. Utiliser les données de cette manière me permet d’exécuter un test mean / anova et un test t étudiant pour relier le rapport de la lettre, ce qui facilite la comparaison de plusieurs fours en même temps.
Normalement, j'empile les options "Cuit uniformément" et "Cuit de manière inégale" et effectue une analyse de contingence (en observant les proportions) sur deux fours à la fois, afin de déterminer lesquels sont significativement différents l'un de l'autre. J'ai souvent du mal à obtenir un bon aperçu des statistiques lorsque j'utilise une analyse de contingence sur plusieurs fours en même temps.
Après avoir traité les données dans les deux scénarios, j'obtiens le même aperçu des fours qui surpassent de manière significative les autres fours, mais je reçois l'information en une fraction du temps en donnant un "poids" à un pourcentage.
Est-ce une manière acceptable d'aborder l'analyse de données catégoriques? Toutes les critiques sont les bienvenues! Merci!
Re: Peut-on transformer des données catégoriques en pourcentages pondérés?Le rapport de correspondance des lettres ne convient pas pour une réponse binaire. Cette forme de comparaisons multiples est destinée à une ANOVA à une voie avec une réponse continue.
Vous avez créé manuellement les proportions mais cette réponse ne doit pas utiliser le type de modélisation continue. La régression et l'ANOVA supposent que la réponse continue réelle est non bornée mais que votre proportion est bornée [0,1]. Ainsi, bien que la proportion puisse varier de façon continue sur cette plage, il ne s’agit pas d’une réponse véritablement continue.
Votre réponse est binaire, vous devez donc utiliser une régression logistique ou un GLM avec une distribution binomiale et une fonction de lien logit.
Re: Peut-on transformer des données catégoriques en pourcentages pondérés?le rapport des lettres n'est pas disponible pour autant que je sache. En général, les options contrastées sont limitées dans la plate-forme logistique.
si vous demandez les rapports de cotes, vous obtenez un test formel pour toutes les combinaisons de catégories.
Re: Peut-on transformer des données catégoriques en pourcentages pondérés?Ron - Pensez aux différentes lignes en tant que "types de cookies". Désolé pour la confusion.
Re: Peut-on transformer des données catégoriques en pourcentages pondérés?Merci pour le feedforward.
Lorsque j'exécute le modèle d'adéquation, je suppose que les réponses sont toujours empilées? Pour que Y = Label (cuit uniformément / cuit inégalement), X = four, Freq = Data (nombre de lots cuits uniformément ou cuits inégalement).
Ce que j’aime dans la transformation manuelle des données, c’est que le résumé présente un rapport de correspondance des lettres. Où puis-je trouver cette information à partir de la régression logistique? Je ne connais pas très bien ce rapport.
Re: Peut-on transformer des données catégoriques en pourcentages pondérés?Je suis d'accord avec Mark, la régression logistique est la voie à suivre.
De plus, les données présentent une structure répétitive à deux niveaux. les fours (A, B, C ...) sont répétitifs et chaque répétition comporte plus de répétitions en termes de lots. si toutes les mêmes lettres indiquant le four sont identiques, le résumé des données est trompeur. si elles ne sont pas identiques, il faut en contrôler la présence. même chose avec les lots.
la façon dont les données sont présentées me fait penser qu'il existe une certaine dépendance entre les lignes du tableau.
Ron
Re: Peut-on transformer des données catégoriques en pourcentages pondérés?Vous avez une réponse avec deux résultats. Pourquoi ne pas utiliser la régression logistique? Cette méthode est basée sur les proportions / probabilités que vous décrivez, mais vous n'avez pas à transformer manuellement les données. Assurez-vous que la colonne de réponse utilise le type de modélisation nominal, puis sélectionnez Analyse> Ajuster le modèle et entrez cette colonne dans le rôle Y. Il basculera automatiquement vers la régression logistique nominale. Générez ensuite le prédicteur linéaire avec les effets que vous souhaitez tester.
La plate-forme d'analyse vous fournira toutes les fonctionnalités dont vous avez besoin, y compris Prediction Profiler.
Donc, pour être clair, vous n'avez pas besoin de résumer les résultats et de transformer la réponse en proportions. La régression logistique s’occupe de tout pour vous.
