Statistische SignifikanzHallo,
Ich habe nur die folgenden Informationen:
Ich habe Ausfallraten (FR) aus zwei Datensätzen. Der Versuchssatz hat 4 Fehlschläge bei 2500 (FR: 0,16 %) Proben und der Kontrollsatz hat 34 Fehlschläge bei 35.000 Proben (FR: 0,097 %). Gibt es aufgrund des großen Unterschieds in der Stichprobengröße eine Möglichkeit, mit JMP festzustellen, ob diese beiden FRs statistisch ähnlich oder unterschiedlich sind?
Danke.
Ravi
Betreff: Statistische SignifikanzAuf jeden Fall – diese Rechner sind nützlich, wenn Sie mit zusammengefassten Statistiken arbeiten. Allerdings sind sie hauptsächlich für den Einsatz im Klassenzimmer gedacht, und die Verwendung der nativen JMP-Plattformen bietet Ihnen in der Regel einen viel größeren Nutzen.Betreff: Statistische SignifikanzDanke Ian.
Ravi
Betreff: Statistische SignifikanzDanke Julian. Es war tatsächlich nützlich.
Könnte ich auch den „Hypothesetest für zwei Proportionen“ verwenden?
Ravi
Betreff: Statistische SignifikanzSchön gemachtBetreff: Statistische SignifikanzIch weiß nicht, ob es zum Verständnis beiträgt, aber hier ist eine JSL, die den pValue direkt durch Simulation erhält:
NamesDefaultToHere(1);
n1 = 2500; // Size of sample one
nf1 = 4; // Number of failures in sample one
n2 = 35000; // Size of sample two
nf2 = 34; // Number of failures in sample two
n = n1 + n2;
nf = nf1 + nf2;
nSim = 10000; // Number of simulations
np1 = J(nSim, 1, .); // Vector to hold the number of passes counted in sample one
// Randomly allocate nf failures to n units
for(s=1, s<=nSim, s++,
result$ = J(n, 1, 1); // All n units pass initially
result$[randomIndex(n, nf)] = 0; // Simulate nf failures at random
np1$ = VSum(result$[1::n1]); // Count the nummber of passes in sample one
np1[s] = np1$; // Store this result
);
// Now evaluate how extreme the observed number of passes, (n1 - nf1), is in relation to the
// reference distribution constructed under the null hypothesis of random allocation of
// failures to samples
np1Observed = n1 - nf1;
pValue = NRow(Loc(np1 <= np1Observed)) / nSim;
Print("Estimated pValue is "||Char(Round(pValue, 3)));Betreff: Statistische SignifikanzHallo @RaviK ,
Es gibt mehrere Möglichkeiten, dies zu erreichen, aber die einfachste ist vielleicht ein Chi-Quadrat-Unabhängigkeitstest, eine Art Kontingenzanalyse. Dieser Test ist geeignet, da Sie über zwei kategoriale Variablen, eine Gruppierungsvariable und ein kategoriales Ergebnis (Erfolg oder Misserfolg) verfügen und Sie daran interessiert sind, ob die beobachteten Anteile des kategorialen Ergebnisses für Ihre beiden Gruppen Hinweise darauf liefern, dass der Prozess generiert wird Die Ergebnisse unterscheiden sich zwischen den Gruppen.Sie können diesen Test über „Analysieren“ > „Y an X anpassen“ erhalten. Zunächst müssen Sie jedoch Ihre Daten auf eine bestimmte Art und Weise eingeben (ebenfalls beigefügt):
Ich habe die Zahlen, die Sie mir gegeben haben, genommen und Spalten für sie erstellt Gruppe , Ergebnis , Und N , die Anzahl der Beobachtungen in jedem. Für die Anzahl der Erfolge habe ich einfach die von Ihnen angegebene Summe abzüglich der Misserfolge genommen. Als nächstes führen wir Analysieren > Y an X anpassen aus:
Hier habe ich gecastet Ergebnis in der Y-Rolle, Gruppe zum X, und N als Freq oder Häufigkeit des Auftretens. Wenn wir auf „OK“ klicken, erhalten wir die folgende Ausgabe (ich habe das Mosaikdiagramm ausgeblendet, da Ihre beobachteten Fehlerhäufigkeiten so gering sind, dass das Diagramm nicht hilfreich ist). 
Unser interessierender p-Wert ist das Likelihood-Verhältnis oder Pearson (klassischer Chi-Quadrat-Unabhängigkeitstest), die beide bei etwa p = ~0,30 liegen, was darauf hindeutet, dass es keinen wirklichen Unterschied in den Prozessen der Versuchsgruppe und der Kontrollgruppe gibt , würde ein Unterschied im Anteil der Fehler, den Sie in diesen Stichprobendaten beobachtet haben (oder ein noch extremerer Unterschied), in etwa 30 % der Fälle auftreten, wenn Stichproben der Größen entnommen werden, die Sie hatten. Mit anderen Worten, es handelt sich nicht um sehr überzeugende Beweise dafür, dass zwischen diesen Mengen ein echter Unterschied besteht.Angesichts der scheinbar großen Unterschiede im Anteil der Ausfälle mag dies überraschend sein; Aber angesichts der insgesamt geringen Fehlerzahl ist es relativ einfach, Unterschiede in den Anteilen dieser Größenordnung oder größer einfach zufällig zu beobachten (was uns dieser statistische Signifikanztest direkt sagt).
Ich hoffe das hilft!
@julianisch
