Chers collègues,
J'ai utilisé la liste de courrier SE obsolète pour poser cette question:
un client veut comparer deux méthodes de test. Ils ont des échantillons différents pour les méthodes et chaque échantillon est mesuré trois fois. La question d'intérêt est:
"Les variances des trois répétitions sont-elles plus grandes pour une méthode que pour l'autre?"
L’objectif est donc de tester deux distributions de variances. Je n'ai trouvé aucune plate-forme dans JMP qui permette un tel test. C'est pourquoi j'ai utilisé Tabulate et la fonction de distribution F pour résumer les données et calculer un test F. Le journal joint contient les données, les scripts et une explication de ce que j'ai fait.
Est-ce que quelque chose me manque dans JMP?
Mes pensées sont-elles correctes?
Ai-je fait les étapes et les calculs appropriés?
Je l'ai envoyé avec le journal ci-joint.
J'ai eu beaucoup de réponses que je compile et commente par la présente. Merci à tous pour vos contributions.
Diagramme de variabilité / plates-formes EMS et modèles mixtes
Les deux plates-formes offrent des options pour calculer les variances (moyennes) qui m'intéressent, mais il n'y a pas d'option pour exécuter un test F entre les groupes. Pour toutes les plateformes, vous utilisez le jeu de données de test d'origine. Dans le graphique de jauge de variabilité / attribut, vous définissez «Méthode» comme X, Groupement, «ID» en tant que pièce, ID d'échantillon et le type de modèle défini pour «Nested». L'option «Hétérogénéité des tests de variance» effectue les calculs souhaités. Les écarts-types au carré donnent exactement les statistiques F que j'ai calculées à l'aide de la fonction Résumé. La plate-forme EMS avec un modèle «imbriqué» examine également les effets globaux de l’ID et de la méthode et compare la variation des mesures et non la variation de la variation. Le modèle mixte avec «Méthode» comme effet fixe et «Répétée», «Variations inégales» comme structure, «ID» comme effet aléatoire et «Pas d'interception» donne des résultats identiques dans le contour «Estimations des paramètres de covariance des effets répétés». De nouveau, les variances (moyennes) ne peuvent pas être testées les unes par rapport aux autres.
Fit Y-by-X
Cette plateforme regroupe toutes les mesures par méthode dans un seul compartiment. Le test d'égale variance est donc basé sur les écarts carrés de toutes les mesures d'une méthode par rapport à la moyenne de leurs groupes respectifs, alors que je m'intéresse aux écarts carrés de la moyenne des tests individuels (par ID). Je pourrais utiliser ID en tant que variable de regroupement, mais je n'aurais alors aucune information sur les différences entre les deux méthodes.
Méthode Comparaison Addin
https://community.jmp.com/t5/JMP-Add-Ins/Method-Comparison/ta-p/21520
Ce complément combine certains des aspects déjà discutés auparavant et d'autres nécessitant des données dans une structure différente de celle disponible.
Conclusion
La façon dont le client souhaite analyser les données n’est pas fausse du point de vue méthodologique. La façon dont j'ai fait les calculs est également correcte. Il reste des faiblesses dans l’analyse proprement dite, mais c’est une autre discussion.
Bernd,
Je voudrais offrir une perspective différente en fonction de ce que vous avez dit sur ce que le client veut "Les écarts des trois répétitions sont-ils plus importants pour une méthode que pour l'autre?" Et "l'objectif est de tester deux distributions de variances . " Si tel est le cas, vous pouvez simplement effectuer un test de Kolmogorov-Smirnov en ajustant Y par X dans la colonne Variance du tableau récapitulatif que vous avez calculé. KS est un test non paramétrique de l'égalité de deux distributions empiriques d'une variable continue. Dans ce cas, le continu variable est la variance et vous souhaitez comparer les deux échantillons de variance par méthode.
