216698_it-IT

liliconcom

Significato statistico

CIAO,

Ho solo le seguenti informazioni:

Ho tassi di fallimento (FR) da due set di dati. Il set di esperimenti ha 4 fallimenti su 2500 (FR:0,16%) campioni e il set di controllo ha 34 fallimenti su 35000 campioni (FR:0,097%). A causa di una così grande differenza nella dimensione del campione, c'è un modo in cui JMP può aiutare a determinare se questi due FR sono statisticamente simili o diversi?

Grazie.

Ravi

Ri: Significato statisticoAssolutamente, quei calcolatori sono utili quando si lavora da statistiche riassuntive. Detto questo, li abbiamo pensati principalmente per l'uso in classe e di solito otterrai molto più valore dall'utilizzo delle piattaforme JMP native.Ri: Significato statistico

Grazie Ian.

Ravi

Ri: Significato statistico

Grazie Giuliano. È stato davvero utile.

Potrei usare anche "Test di ipotesi per due proporzioni"?

Ravi

Ri: Significato statisticoBen fattoRi: Significato statistico

Non so se aiuta a capire, ma ecco alcuni JSL che ottengono il pValue direttamente attraverso la simulazione:

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)));

Ri: Significato statistico

CIAO @RaviK ,

Ci sono alcuni modi in cui potresti affrontare questo problema, ma forse il più semplice è un test di indipendenza del chi quadrato, un tipo di analisi di contingenza. Questo test è appropriato perché quello che hai sono due variabili categoriali, una variabile di raggruppamento e un risultato categorico (successo o fallimento), e sei interessato a sapere se le proporzioni osservate del risultato categorico per i tuoi due gruppi forniscono la prova che il processo che genera i risultati differiscono tra i gruppi.È possibile ottenere questo test utilizzando Analizza > Stima Y per X. Ma prima, dovrai prima inserire i tuoi dati in un modo particolare (anche allegato):

Quello che ho fatto è prendere i numeri che mi hai fornito e creare colonne per Gruppo , Risultato , E N , il numero di osservazioni in ciascuna. Per il numero di successi, ho semplicemente preso il totale che hai dato meno i fallimenti. Successivamente, eseguiamo Analizza> Adatta Y per X:

Qui ho lanciato Risultato nel ruolo Y, Gruppo alla X, e N come Freq, o frequenza di accadimento. Quando premiamo OK, otteniamo l'output di seguito (ho nascosto il grafico a mosaico poiché le frequenze di errore osservate sono così basse che il grafico non è utile).

Il nostro valore p di interesse è il rapporto di verosimiglianza, o Pearson (classico test di indipendenza Chi-quadrato), entrambi intorno a p = ~ 0,30, indicando che se non c'è alcuna vera differenza nei processi del gruppo sperimentale e di controllo , una differenza nella proporzione di errori osservati in questi dati campione (o una differenza più estrema) si verificherebbe circa il 30% delle volte quando si prelevano campioni delle dimensioni che si avevano. In altre parole, prove non molto convincenti che ci sia una vera differenza in questi insiemi.Data quella che sembra essere una grande differenza nella percentuale di fallimenti, ciò può sorprendere; ma, dato il basso numero di fallimenti complessivi, è relativamente facile osservare differenze nelle proporzioni di questa grandezza o maggiori semplicemente per caso (che è ciò che questo test di significatività statistica ci dice direttamente).

 

Spero che aiuti!

 

@giuliano