Bonjour,
Comment puis-je effectuer le calcul de la différence de différence dans JMP?
Merci,
Ne
Bonjour @NeF
Pour une réponse catégorique, mon collègue @Mark_Bailey devrait très bien aborder ce problème dans cet article : Comment déterminer les différences entre chaque paire de données catégorielles avec plus de 3 groupes
Pour une réponse continue, la différence des différences (DID ou DD) n'est qu'un test de l'interaction entre deux variables catégorielles (chaque variable étant constituée de seulement deux niveaux).
Pour ce faire, vous utiliserez la plateforme Fit Model dans JMP. Prenons l'exemple simple suivant, en examinant la relation entre l'âge et la condition sur Y :
J'ai l'âge (moyen vs plus jeune) et l'état dans l'âge (1 vs 2).
Supposons que je souhaite tester si la différence entre Âge = Moyen dans la condition 1 et 2 est différente de la différence entre Âge = Plus jeune dans la condition 1 et 2. Autrement dit, supposons que je veuille construire un test d'hypothèse sur la différence entre l'âge et la condition 1. Moyen (2 - 1) et Âge plus jeune (2 - 1) par rapport à la réponse Y ?
Encore une fois, il ne s'agit que d'un test de l'interaction entre l'âge et la condition sur Y. Dans JMP, cette interaction est capturée par un terme désigné par « Âge*Condition ».
Pour ce faire, je vais aller dans Ajuster le modèle et construire un modèle en ajoutant l'effet Âge, l'effet Condition et l'effet Interaction Âge par condition. Vous pouvez voir comment procéder dans cette vidéo si vous n'êtes pas familier.
Nos résultats dans ce cas indiquent que le DID est statistiquement significatif au niveau alpha de 0,05. En termes pratiques, le degré selon lequel la condition (2 contre 1) dépend du niveau d'âge (plus jeune ou moyen) est statistiquement significatif. Graphiquement, cela est peut-être plus intuitif et peut être visualisé dans la sortie Ajuster le modèle (dans le rapport Effet de levier) :
Si nous représentons schématiquement l'effet moyen de la condition « éliminant » l'âge, nous pouvons voir que cet effet est statistiquement significatif si nous approchons les barres d'erreur sur cet effet (comme étant à peu près similaires aux barres d'erreur tracées à chaque niveau de condition par âge). ) :
Les intervalles de confiance qui ne se chevauchent pas nous donnent la preuve d'un effet sur la population de la même manière qu'une valeur p statistiquement significative (c'est-à-dire une valeur p < le niveau d'alpha, généralement 0,05) nous donne une telle preuve. Il s'agit de la « version intervalle de confiance » d'un test t à 2 échantillons (voir Bluman, Elementary Statistics (7e édition), 2015).
J'espère que cela t'aides! @PatrickGiuliano
