Il existe de nombreuses possibilités pour analyser ce que vous décrivez : 1 à 100 tests avec 5 conditions sur chaque test où chaque résultat est une "distribution". L'analyse appropriée dépend de la façon dont les données ont été recueillies.
- Par exemple, supposons que chaque test représente un lot, le même matériau source ou la même période et que les conditions A, B, C, D et la ligne de base aient été exécutées sur chacun.Dans ce cas, Test/Lot doit être traité comme un facteur de blocage (JMP Oneway avec Test comme bloc) ou comme un modèle de réponse multivariée.
- La "distribution" de chaque test et condition modulera également l'analyse à effectuer.
Ma suggestion est de trouver quelqu'un au sein de votre organisation ou de votre université (ou à proximité de l'université) pour obtenir des conseils de consultation statistique.
Je n'ai aucune idée de la manière dont vos données ont été collectées. L'exemple de tableau de données ci-joint avec des graphiques intégrés est destiné à vous montrer les possibilités visuelles et analytiques à l'aide de JMP. Le tableau JMP contient des données simulées pour 100 tests, chacun exécuté avec des conditions A, B, C, D et de référence et la « distribution » est de 20 mesures qui représentent des effets aléatoires (par rapport à des effets fixes : par exemple, des mesures prises sur des emplacements fixes d'un objet ; ou prises à une séquence spécifique d'intervalles de temps, comme un test d'efficacité d'un médicament où les mesures sont recueillies à 0, 1 heure, 5 heures, etc.).La variation test-test de la simulation est importante ; un décalage a été ajouté après l'exécution 75 pour rendre l'effet encore plus visible.
Le tableau ci-joint contient 3 scripts intégrés :
- Tableau de variabilité de la valeur - Un tracé du regroupement des données brutes par Test, Condition. Sur le côté droit de l'axe X, cliquez sur Test et faites-le glisser vers Condition.
- Graphiques récapitulatifs - Crée le tableau Test Summary qui calcule la moyenne "distribution" et la stdev de chaque test/condition, puis trace des graphiques de variabilité comparant les moyennes "distribution" et std dev regroupant par test, condition puis condition, test ; quatre parcelles en tout (voir les deux parcelles Condition, Test ci-dessous).
- Comparaison de Dunnett avec le test en tant que facteur de bloc - Ce script utilise le tableau Test Summary et une ANOVA à un facteur, en utilisant Test as a Block.Cela supprime le facteur test-test et effectue une comparaison à sens unique des différences de bloc.
Notez que j'ai construit la simulation de sorte que Baseline et D aient les mêmes moyens (C n'est pas trop éloigné), et Baseline et C ont le même std dev.
N'oubliez pas que si vos expériences n'ont pas été exécutées de la sorte, la n° 3 n'est probablement pas la meilleure analyse, cependant, des graphiques comme les n° 1 et n° 2 devraient vous donner un aperçu de vos résultats expérimentaux.
Mean & Std Dev grouped by Condition, TestMean & Std Dev grouped by Condition, TestMoyenne et écart type regroupés par condition, test
Je commence toujours par des graphiques pour m'assurer qu'il s'agit d'une comparaison équitable. Ajouter à @dale_lehman , je suggère de tracer les données par séquence (temps) ou d'autres facteurs qui pourraient être saillants pour ces distributions, par exemple si l'on regarde le prix des maisons, en regardant par emplacement ou par caractéristiques (nombre de pièces), etc.
Je suggérerais de commencer par une approche plus générale.Vous devez superposer les distributions et les comparer visuellement.La moyenne et la propagation sont des mesures sommaires et elles peuvent correspondre ou non aux caractéristiques les plus saillantes des distributions.En fonction de l'apparence des distributions, vous pourrez peut-être utiliser des concepts tels que la dominance stochastique qui comparent les formes des distributions plus généralement qu'en utilisant simplement les deux premiers moments des distributions.Les distributions cumulées sont un autre moyen d'afficher les comparaisons susceptibles de fournir des informations utiles.
De nombreux tests d'hypothèse courants (par exemple, les tests t, l'ANOVA unidirectionnelle) sont des tests paramétriques d'une différence dans la moyenne de la population. La plateforme Oneway (sélectionnez Analyser > Ajuster Y par X) effectue ces deux tests. Vous pouvez utiliser une méthode de comparaison multiple telle que le test de Dunnett lorsque vous avez une population témoin si vous décidez qu'il existe une différence significative avec l'ANOVA.
Cette plateforme fournit également des tests paramétriques du spread. Cliquez sur le triangle rouge à côté de Oneway et sélectionnez Variance inégale. Malheureusement, il n'existe pas de méthode de comparaison multiple pour la propagation.
Voir Aider > Livres > Analyse de base puis le chapitre spécifiquement sur Une manière Plate-forme.
