Hallo,
Wie kann ich die Differenz in der Differenzberechnung in JMP durchführen?
Vielen Dank,
Ne
Hallo @NeF
Für eine kategorische Antwort sollte dies von meinem Kollegen @Mark_Bailey in diesem Beitrag sehr gut behandelt werden: So bestimmen Sie Unterschiede zwischen jedem Paar kategorialer Daten mit 3+ Gruppen
Bei einer kontinuierlichen Antwort ist die Differenz der Differenzen (DID oder DD) lediglich ein Test der Interaktion zwischen zwei kategorialen Variablen (wobei jede Variable nur aus zwei Ebenen besteht).
Dazu verwenden Sie die Plattform „Modell anpassen“ in JMP. Betrachten Sie das folgende einfache Beispiel, in dem die Beziehung zwischen Alter und Zustand auf Y untersucht wird:
Ich habe Alter (Mittel vs. Jünger) und Zustand innerhalb des Alters (1 vs. 2).
Angenommen, ich möchte testen, ob der Unterschied zwischen „Alter = mittel“ bei Bedingung 1 gegenüber Bedingung 2 sich von dem Unterschied zwischen „Alter = jünger“ bei Bedingung 1 gegenüber Bedingung 2 unterscheidet. Anders ausgedrückt: Angenommen, ich möchte einen Hypothesentest für den Unterschied zwischen „Alter mittleres Alter“ (2 - 1) und „Alter jünger“ (2 - 1) in Bezug auf die Y-Antwort konstruieren?
Auch hier handelt es sich lediglich um einen Test der Interaktion zwischen Alter und Zustand auf Y. In JMP wird diese Interaktion durch einen Begriff erfasst, der als „Alter*Zustand“ bezeichnet wird.
Dazu gehe ich in „Modell anpassen“ und konstruiere ein Modell, indem ich den Alterseffekt, den Zustandseffekt und den Interaktionseffekt „Alter durch Zustand“ hinzufüge. Wenn Sie damit nicht vertraut sind, können Sie in diesem Video sehen, wie das geht.
Unsere Ergebnisse in diesem Fall zeigen, dass die DID auf dem 0,05-Alpha-Niveau statistisch signifikant ist. Praktisch ausgedrückt ist der Grad, in dem der Zustand (2 gegenüber 1) vom Alter (jünger gegenüber mittel) abhängt, statistisch signifikant. Grafisch ist dies vielleicht intuitiver und kann in der Ausgabe „Fit Model“ (im Effect Leverage-Bericht) visualisiert werden:
Wenn wir schematisch den durchschnittlichen Effekt darstellen, der durch das Alter den Zustand „eliminiert“, können wir sehen, dass dieser Effekt statistisch signifikant ist, wenn wir die Fehlerbalken für diesen Effekt approximieren (als etwa ähnlich den Fehlerbalken, die bei jedem Zustand-nach-Alter-Level gezeichnet werden):
Nicht überlappende Konfidenzintervalle liefern uns Beweise für einen Effekt in der Population, ähnlich wie ein statistisch signifikanter p-Wert (d. h. ein p-Wert < Alpha-Niveau, normalerweise 0,05) uns solche Beweise liefert. Dies ist die „Konfidenzintervallversion“ eines 2-Stichproben-t-Tests (siehe Bluman, Elementary Statistics (7. Auflage), 2015).
Hoffe, das hilft! @PatrickGiuliano
