J'ai un fichier avec des données de 260 individus qui ressemblent plus ou moins à ce format (mais plus de paramètres) :
| | ID de personne | Le genre | Tranche d'âge | Apport en protéines | kcal | |
| 1 | 1 | Homme | enfants | 33 | 107 | |
| 2 | 2 | Femelle | adultes | 52 | 220 | |
| 3 | 3 | Femelle | âgé | 50 | 150 | |
| 4 | 4 | Homme | adulte | 75 | 175 | |
Les données ne sont pas normalement distribuées et j'ai effectué une analyse de distribution. De plus, j'ai comparé les données entre les hommes et les femmes et aussi entre les groupes d'âge et j'ai calculé ps pour les paires
Je sais que les données ne sont normalement pas distribuées et que les tests non paramétriques doivent être désossés
J'ai comparé les données par sexe.
Et j'ai également tracé et comparé des données pour différents groupes d'âge (catégories).
Mais ensuite, je voudrais diviser les données en catégories d'âge ET en sexe en même temps et je n'ai pas compris comment faire cela dans JMP sans diviser les données en un fichier pour les hommes et un pour les femmes
Gunnar
Gunnar
Je sais que les données ne sont normalement pas distribuées et que les tests non paramétriques doivent être désossés
J'ai comparé les données par sexe.
Et j'ai également tracé et comparé des données pour différents groupes d'âge (catégories).
Mais ensuite, je voudrais diviser les données en catégories d'âge ET en sexe en même temps et je n'ai pas compris comment faire cela dans JMP sans diviser les données en un fichier pour les hommes et un pour les femmes
Vous devriez pouvoir effectuer les analyses distinctes que vous mentionnez "adolescents et adolescentes, personnes âgées, etc.", en spécifiant ces colonnes comme colonnes "Par" dans les plates-formes d'analyse et graphiques que vous utilisez. L'exemple ci-dessous ajoute "Âge" et "Sexe" à un simple ajustement Y par X pour "Taille" par rapport à "Poids"
Gunnar
Tout d'abord, pourquoi la distribution normale est-elle importante pour la réponse dans cette étude ?
L'analyse des effets des variables n'est pas efficace. Si vous souhaitez continuer ainsi, utilisez le rôle d'analyse Par. Intégrez les catégories de sexe et d'âge dans ce rôle pour votre analyse.
Vous pouvez envisager l'analyse la plus efficace et la plus informative dans laquelle vous utilisez les deux variables dans le prédicteur linéaire. Vous pouvez alors également inclure un terme pour l'effet d'interaction possible où l'effet d'un facteur (par exemple, le groupe d'âge) diffère selon le niveau de l'autre facteur (par exemple, le sexe). Utilisez Analyser > Ajuster le modèle pour cette approche.
La plate-forme Fit Least Squares qui en résulte fournit des diagnostics de régression basés sur les résidus. Le modèle suppose que les erreurs sont normalement distribuées (pas la réponse elle-même) et indépendantes.
