Va bene trasformare i dati categoriali in percentuali ponderate?Sto confrontando l'efficienza dei forni misurando la coerenza nella cottura dei biscotti (beh, non proprio, sto solo usando questo per un esempio). Dopo aver riassunto i dati, ho due risposte, "Cotto uniformemente" e "Cotto in modo non uniforme".
Posso creare una nuova colonna "% cucinato uniformemente", eseguire Adatta X da Y dove Y =% cucinato uniformemente, X = forno e Freq = Lotti di biscotti? Nel fare questo, penso di dare peso (dal numero di lotti) alle percentuali. L'esecuzione dei dati in questo modo mi consente di eseguire medie / anova e test t per gli studenti per il report delle lettere di connessione, semplificando il confronto di più forni contemporaneamente.
Normalmente, impilo "Cucinato uniformemente" e "Cucinato in modo non uniforme" ed eseguo un'analisi di contingenza (osservando le proporzioni) su due forni alla volta, scoprendo quali sono significativamente diversi l'uno dall'altro. Spesso trovo difficile ottenere una buona panoramica delle statistiche quando uso l'analisi di contingenza su più forni contemporaneamente.
Dopo aver eseguito i dati in entrambi gli scenari, ottengo la stessa visione di ciò che i forni superano significativamente gli altri forni, ma ottengo le informazioni in una frazione del tempo dando "peso" ad una percentuale.
È un modo accettabile per analizzare i dati categoriali ?? Qualsiasi e tutte le critiche sono ben accette! Grazie!
Ri: Va bene trasformare i dati categoriali in percentuali ponderate?Il report delle lettere di collegamento non è appropriato per una risposta binaria. Questa forma di confronti multipli è intesa per un ANOVA a una via con una risposta continua.
Hai creato manualmente le proporzioni ma questa risposta non dovrebbe utilizzare il tipo di modellazione continua. La regressione e l'ANOVA presuppongono che la risposta continua reale sia illimitata ma la proporzione è limitata [0,1]. Quindi, mentre la proporzione può variare continuamente su questo intervallo, non è una vera risposta continua.
La tua risposta è binaria, quindi dovresti usare la regressione logistica o un GLM con una distribuzione binomiale e una funzione di collegamento logit.
Ri: Va bene trasformare i dati categoriali in percentuali ponderate?il rapporto delle lettere non è disponibile per quanto ne so. in generale le opzioni di contrasto sono limitate nella piattaforma logistica.
se chiedi i rapporti di quota ottieni un test formale per tutte le combinazioni di categorie.
Ri: Va bene trasformare i dati categoriali in percentuali ponderate?Ron: pensa alle diverse file come a "tipi di cookie" diversi. Dispiace per la confusione.
Ri: Va bene trasformare i dati categoriali in percentuali ponderate?Grazie per il feedforward.
Quando eseguo il modello di adattamento, presumo che impili ancora le risposte? In modo che Y = Etichetta (cucinata uniformemente / cotta in modo non uniforme), X = forno, Freq = Dati (conteggi di lotti cucinati uniformemente o cotti in modo non uniforme).
La cosa che mi piace di trasformare manualmente i dati è che il riepilogo mostra un rapporto di lettere di collegamento - dove posso trovare queste informazioni dalla regressione logistica? Non ho molta familiarità con questo rapporto.
Ri: Va bene trasformare i dati categoriali in percentuali ponderate?Sono d'accordo con Mark, la regressione logistica è la strada da percorrere.
inoltre, esiste una duplice struttura ripetitiva dei dati. i forni (A, B, C ...) sono ripetitivi e ogni ripetizione ha più ripetizioni in termini di lotti. se tutte le stesse indicazioni del forno a lettere sono identiche a quelle del sommario dei dati è fuorviante. se non sono identici deve essere controllato per. stessa cosa con i lotti.
il modo in cui i dati sono presentati mi fa pensare che ci sia una certa dipendenza tra le righe nella tabella.
ron
Ri: Va bene trasformare i dati categoriali in percentuali ponderate?Hai una risposta con due risultati. Perché non usare la regressione logistica? Questo metodo si basa sulle proporzioni / probabilità che descrivi ma non devi trasformare manualmente i dati. Assicurarsi che la colonna di risposta utilizzi il tipo di modello nominale, quindi selezionare Analizza> Adatta modello e immettere questa colonna nel ruolo Y. Passerà automaticamente alla regressione logistica nominale. Quindi crea il predittore lineare con tutti gli effetti che vuoi testare.
La piattaforma di analisi fornirà tutte le funzionalità necessarie, compreso Prediction Profiler.
Quindi, per essere chiari, non è necessario riassumere i risultati e trasformare la risposta in proporzioni. La regressione logistica si prenderà cura di tutto per te.
