écart entre graph et dunnetts test de significationBonjour, je suis un peu coincé car, sur le plan visuel, mon graphique suggère qu’il existe une différence significative entre mon groupe témoin et le groupe en rouge (lors de l’utilisation de l’erreur standard). Toutefois, les performances des tests post-hoc de Mean / Anova et Dunnetts indiquent signification (bien que ce soit proche).
Lorsque le graphique est modifié avec des barres d'erreur pour l'écart type, il n'y a plus de signification. Cependant, j'aimerais utiliser la fonction d'erreur standard.
Ou y a-t-il une explication statistique à cela que je ne comprends pas très bien, auquel cas j'apprécierais beaucoup l'explication.
Re: discordance entre graph et dunnetts test de significationMerci pour l'explication! Cela aide certainement
Re: discordance entre graph et dunnetts test de signification(Désolé le retard!)
Votre exemple est un cas classique de 'testez suffisamment d'hypothèses nulles et vous trouverez une comparaison significative! "
Plus vous faites de comparaisons dans les mêmes données (A vs B, A vs C, etc.), plus vous risquez de commettre une erreur de type I. Le graphique à barres représente les comparaisons individuelles et distinctes qui ne vous protègent pas. La comparaison d'histogramme est trompeuse et naïve. Ce n'est pas faux, cela ne peut tout simplement pas répondre aux questions plus complexes de toutes les comparaisons.
D'autre part, les procédures de comparaison des moyennes, telles que le test de Dunnett, ajustent le critère en fonction du nombre de comparaisons afin de vous protéger. C’est-à-dire que si vous voulez une confiance de 95% sur tout les comparaisons, pas seulement avec chaque comparaison individuelle, alors vous avez besoin d'un ajustement. L’effet de cette protection est qu’une différence plus importante est nécessaire pour que la comparaison soit significative. Vous devriez croire les comparaisons de Dunnett.
Considérez cette 'expérience gedanken:' Générez des données aléatoires sous l'hypothèse nulle pour un grand nombre de groupes, testez l'hypothèse avec l'approche du diagramme à barres (identique à celle de Compare Means> Student t) et du test de Dunnett. Le nombre d'erreurs de type I (faux positif) est beaucoup plus élevé dans le graphique, mais correspond au résultat attendu avec le test de Dunnet.
