Signification statistiqueSalut,
Je n'ai que les informations suivantes :
J'ai des taux d'échec (FR) à partir de deux ensembles de données. L'ensemble expérimental a 4 échecs sur 2500 (FR : 0,16 %) échantillons et l'ensemble de contrôle a 34 échecs sur 35 000 échantillons (FR : 0,097 %). En raison d'une si grande différence dans la taille de l'échantillon, existe-t-il un moyen pour JMP d'aider à déterminer si ces deux RF sont statistiquement similaires ou différents ?
Merci.
ravi
Objet : Signification statistiqueAbsolument - ces calculatrices sont utiles lorsque vous travaillez à partir de statistiques résumées. Cela dit, nous les avons principalement destinés à une utilisation en classe, et vous obtiendrez généralement beaucoup plus de valeur en utilisant les plates-formes JMP natives.Objet : Signification statistiqueMerci Ian.
ravi
Objet : Signification statistiqueMerci Julien. C'était effectivement utile.
Puis-je également utiliser "Test d'hypothèse pour deux proportions" ?
ravi
Objet : Signification statistiqueBien faitObjet : Signification statistiqueJe ne sais pas si cela aide à comprendre, mais voici quelques JSL qui obtiennent la pValue directement via la simulation :
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)));Objet : Signification statistiqueSalut @RaviK ,
Il existe plusieurs façons d'aborder cela, mais la plus simple est peut-être un test d'indépendance du chi carré, un type d'analyse de contingence. Ce test est approprié car vous disposez de deux variables catégorielles, d'une variable de regroupement et d'un résultat catégoriel (succès ou échec), et vous souhaitez savoir si les proportions observées du résultat catégoriel pour vos deux groupes fournissent la preuve que le processus générant les résultats diffèrent entre les groupes.Vous pouvez obtenir ce test en utilisant Analyze > Fit Y by X. Mais d'abord, vous aurez d'abord besoin que vos données soient saisies d'une manière particulière (également jointe) :
Ce que j'ai fait, c'est prendre les chiffres que vous m'avez fournis et créer des colonnes pour Groupe , Résultat , et N , le nombre d'observations dans chacun. Pour le nombre de réussites, j'ai simplement pris le total que vous avez donné moins les échecs. Ensuite, nous exécutons Analyser > Ajuster Y par X :
Ici j'ai jeté Résultat dans le rôle Y, Groupe au X, et N comme Freq, ou fréquence d'occurrence. Lorsque nous appuyons sur OK, nous obtenons la sortie ci-dessous (j'ai masqué le diagramme en mosaïque car vos fréquences d'échec observées sont si faibles que le diagramme n'est pas utile). 
Notre valeur de p d'intérêt est le rapport de vraisemblance, ou Pearson (test d'indépendance du chi carré classique), qui sont tous deux autour de p = ~ 0,30, indiquant que s'il n'y a pas de vraie différence dans les processus du groupe expérimental et du groupe témoin , une différence dans la proportion d'échecs que vous avez observée dans ces données d'échantillon (ou une différence plus extrême) se produirait environ 30 % du temps lors de la prise d'échantillons des tailles que vous aviez. En d'autres termes, des preuves peu convaincantes qu'il existe une véritable différence entre ces ensembles.Étant donné ce qui semble être une grande différence dans la proportion d'échecs, cela peut être surprenant; mais, étant donné le faible nombre d'échecs dans l'ensemble, il est relativement facile d'observer des différences dans les proportions de cette ampleur ou plus simplement par hasard (c'est ce que ce test de signification statistique nous dit directement).
J'espère que ça aide!
@julien
