Salut,
J'analyse les données d'un test sensoriel, dans lequel les participants devaient indiquer dans quelle mesure ils jugeaient acceptable un échantillon à consommer. Dans ces données, les scores d'acceptabilité qu'ils peuvent donner vont de 1 à 9. Au total, 8 échantillons doivent être évalués. J'ai 50 consommateurs différents qui ont chacun évalué les 8 échantillons. J'ai donc 400 scores au total, et je souhaite prendre en compte la variabilité entre consommateurs en utilisant consommateur comme variable de bloc dans la plateforme Fit Y by X. J'ai également effectué cette analyse avec l'outil Fit Model, en spécifiant le consommateur comme un effet aléatoire. Les résultats des deux analyses me fournissent la même valeur p, mais il y a une chose qui me laisse encore perplexe. Dans la plate-forme Fit Y by X, un tracé est produit de la variable de réponse. Parce que j'ai spécifié consommateur comme variable de bloc, le tracé indique que la variable Y est centrée par bloc (consommateur). J'ai supposé que le centrage signifiait centrer la moyenne autour de la moyenne du bloc par consommateur, mais j'ai vu qu'il y avait maintenant des scores d'acceptabilité supérieurs à 9, ce qui est impossible, étant donné que tous les scores se situent entre 1 et 9. Voir la figure ci-jointe pour voir ce que je veux dire.
Ma question est, comment ce centrage de bloc fonctionne-t-il alors? Comment se fait-il que les scores d'acceptabilité centrés sur les blocs soient supérieurs au score d'acceptabilité brut ? Merci pour votre aide!
Bien à vous,
Par groupe, je veux dire le temps de stockage pour votre situation.
Dans votre cas, vous souhaitez voir s'il existe des différences entre les temps de stockage. Vous avez cette source supplémentaire de variabilité, consommateur. Si vous deviez simplement utiliser Fit Y by X sans le bloc, l'image serait trompeuse en raison de la variabilité des consommateurs. Vous auriez du mal à voir l'effet des temps de stockage en raison de la variabilité ajoutée par le consommateur. Alors que faire? Supprimons l'effet du consommateur du tracé en centrant pour chaque bloc.
Je pense qu'il peut être plus facile de voir ce qui se passe avec un exemple simple. Utilisons ces données avec deux blocs et deux groupes (vous pouvez utiliser le consommateur et le temps de stockage respectivement si vous préférez ces noms) :
Notez que le point de données le plus élevé se trouve sur la ligne 4, bloc 1, groupe B. Il a une valeur de 14. Maintenant, l'utilisation de Fit Y by X avec Group comme X et Block entrant dans le rôle de blocage donnera ce tracé :
La valeur la plus élevée semble se situer autour de 11. Qu'est-il arrivé au 14 ? Dans la fenêtre contextuelle rouge, choisissez Means/Anova/Pooled t. Maintenant, regardez le rapport sur les moyens de blocage :
La moyenne pour le bloc 1 est de 12. La moyenne pour le bloc 2 est de 6. La moyenne générale est de 9. Ainsi, chaque observation du bloc 1 est supérieure de 3 unités à la moyenne. Tout dans le bloc 2 est inférieur de 3 unités à la moyenne. Afin de supprimer l'effet de blocage, je peux ajouter ou soustraire 3 (selon le bloc dans lequel je me trouve) pour supprimer l'effet de blocage. C'est le centrage du bloc.
Maintenant, regardez à nouveau les observations. Pour le groupe B, les observations initiales étaient de 12, 14, 6 et 8. Les 12 et 14 étaient dans le bloc 1, nous devons donc soustraire 3, ce qui nous donne 9 et 11. Le 6 et le 8 étaient dans le bloc 2, donc on ajoute 3. Cela donne 9 et 11. Ce sont les deux points indiqués sur le graphique. Si nous devions ajouter de la gigue au graphique, vous verriez qu'il y a deux observations à 9 et deux à 11. Et, bien sûr, un calcul similaire est effectué pour le groupe A.
Le centrage du bloc supprime uniquement l'effet de la variable de blocage afin que vous puissiez voir plus précisément les différences entre les traitements (niveaux de la variable X) dans l'image. J'espère que ça aide. J'inclus le fichier pour mon exemple simple pour plus de commodité.
Supposons que la moyenne globale de toutes les données soit de 6. Il se trouve que vous avez l'un des groupes qui a une moyenne basse, supposons que c'est 3. Mais vous avez pas mal de données dans ce groupe donc il y a une valeur qui est 9.
Le centrage indique que les éléments de ce groupe doivent être augmentés (puisque la moyenne du groupe est faible). Que devient le 9 ? Il doit aller plus grand.
