Es gibt zahlreiche Möglichkeiten, das zu analysieren, was Sie beschrieben haben: 1 bis 100 Tests mit 5 Bedingungen für jeden Test, wobei jedes Ergebnis eine "Verteilung" ist. Die geeignete Analyse hängt davon ab, wie die Daten gesammelt wurden.
- Angenommen, jeder Test repräsentiert eine Charge, dasselbe Ausgangsmaterial oder denselben Zeitrahmen und die Bedingungen A, B, C, D und Baseline wurden jeweils ausgeführt.In diesem Fall sollte Test/Batch als Blockierungsfaktor (JMP Oneway mit Test als Block) oder als multivariates Antwortmodell behandelt werden.
- Die "Verteilung" jedes Tests und jeder Bedingung bestimmt auch, welche Analyse durchgeführt werden soll.
Mein Vorschlag ist, jemanden in Ihrer Organisation oder Universität (oder in der Nähe einer Universität) zu finden, der sich statistisch beraten lässt.
Ich habe keine Ahnung, wie Ihre Daten gesammelt wurden, daher soll die beigefügte Beispieldatentabelle mit eingebetteten Grafiken Ihnen visuelle und analytische Möglichkeiten mit JMP zeigen. Die JMP-Tabelle enthält simulierte Daten für 100 Tests, jeder Lauf mit A-, B-, C-, D- und Baseline-Bedingungen, und die „Verteilung“ besteht aus 20 Messungen, die zufällige Effekte darstellen (im Vergleich zu festen Effekten: wie z. B. Messungen, die an festen Stellen eines Objekt; oder in einer bestimmten Abfolge von Zeitintervallen, wie z. B. bei einem Arzneimittelwirksamkeitstest, bei dem Messungen bei 0, 1 Stunde, 5 Stunden usw. gesammelt werden).Die Test-Test-Variation der Simulation ist groß; Nach Lauf 75 wurde eine Verschiebung hinzugefügt, um den Effekt noch besser sichtbar zu machen.
Die angehängte Tabelle enthält 3 eingebettete Skripte:
- Variabilitätstabelle des Wertes - Ein Diagramm der Rohdatengruppierung nach Test, Bedingung. Klicken Sie auf der rechten Seite der X-Achse auf Test und ziehen Sie es auf Bedingung.
- Zusammenfassungsdiagramme - Erstellt die Tabelle Testzusammenfassung, die den "Verteilungs"-Mittelwert und Standardabweichung jedes Tests/Bedingung berechnet, zeichnet dann Variabilitätsdiagramme auf und vergleicht "Verteilungs"-Mittelwerte und Standardabweichungsgruppierung nach Test, Bedingung, dann Bedingung, Test; vier Diagramme insgesamt (siehe die beiden Bedingungs-, Testdiagramme unten).
- Dunnett-Vergleich mit Test als Blockfaktor - Dieses Skript verwendet die Testzusammenfassungstabelle und eine Einweg-ANOVA, wobei Test als Block verwendet wird.Dies entfernt den Test-Test-Faktor und führt einen Oneway-Vergleich der Blockunterschiede durch.
Beachten Sie, dass ich die Simulation so erstellt habe, dass Baseline und D dieselben Mittelwerte haben (C ist nicht zu weit entfernt) und Baseline und C dieselbe Standardentwicklung haben.
Bitte denken Sie daran, wenn Ihre Experimente nicht so durchgeführt wurden, ist Nr. 3 wahrscheinlich nicht die beste Analyse, aber Diagramme wie Nr. 1 und Nr. 2 sollten Ihnen einen Einblick in Ihre experimentellen Ergebnisse geben.
Mean & Std Dev grouped by Condition, TestMean & Std Dev grouped by Condition, TestMean & Std Dev gruppiert nach Bedingung, Test
Ich beginne immer mit Grafiken, um sicherzustellen, dass es ein fairer Vergleich ist. Hinzufügen zu @dale_lehman Empfehlungen von , schlage ich vor, die Daten nach Reihenfolge (Zeit) oder anderen Faktoren darzustellen, die für diese Verteilungen wichtig sein könnten, z.
Ich würde vorschlagen, mit einem allgemeineren Ansatz zu beginnen.Sie sollten die Verteilungen überlagern und visuell vergleichen.Mittelwert und Streuung sind zusammenfassende Maße und können mit den hervorstechendsten Merkmalen der Verteilungen übereinstimmen oder auch nicht.Je nachdem, wie die Verteilungen aussehen, können Sie möglicherweise Konzepte wie die stochastische Dominanz verwenden, die die Formen der Verteilungen allgemeiner vergleichen, als nur die ersten beiden Momente der Verteilungen zu verwenden.Die kumulativen Verteilungen sind eine weitere Möglichkeit, die Vergleiche anzuzeigen, die nützliche Einblicke liefern könnten.
Viele gängige Hypothesentests (z. B. t-Tests, einfache ANOVA) sind parametrische Tests einer Differenz im Populationsmittelwert. Die Oneway-Plattform (wählen Sie Analysieren > Y nach X anpassen) führt diese beiden Tests durch. Sie können eine Mehrfachvergleichsmethode wie den Dunnett-Test verwenden, wenn Sie eine Kontrollpopulation haben, wenn Sie entscheiden, dass es einen signifikanten Unterschied zur ANOVA gibt.
Diese Plattform bietet auch parametrische Tests des Spreads. Klicken Sie auf das rote Dreieck neben Oneway und wählen Sie Unequal Variance aus. Leider gibt es keine multiplen Vergleichsmethoden für den Spread.
Sehen Hilfe > Bücher > Grundlegende Analyse und dann das Kapitel speziell über Einweg Plattform.
