Ho un file con i dati di 260 individui che sembrano più o meno in questo formato (ma più parametri):
| | ID persona | Genere | Fascia di età | Assunzione di proteine | kcal | |
| 1 | 1 | Maschio | figli | 33 | 107 | |
| 2 | 2 | Femmina | adulti | 52 | 220 | |
| 3 | 3 | Femmina | anziano | 50 | 150 | |
| 4 | 4 | Maschio | adulto | 75 | 175 | |
I dati non sono normalmente distribuiti e ho eseguito l'analisi della distribuzione. Inoltre ho confrontato i dati tra maschi e femmine e anche tra gruppi di età e calcolato ps per coppie
So che i dati non sono normalmente distribuiti e i test non parametrici devono essere disossati
Ho confrontato i dati per genere.
E ho anche tracciato e confrontato i dati per diversi gruppi di età (categorie).
Ma poi vorrei dividere i dati in categorie di età E sesso allo stesso tempo e non ho capito come farlo in JMP senza dividere i dati in un file per maschi e uno per femmine
Gunnar
Gunnar
So che i dati non sono normalmente distribuiti e i test non parametrici devono essere disossati
Ho confrontato i dati per genere.
E ho anche tracciato e confrontato i dati per diversi gruppi di età (categorie).
Ma poi vorrei dividere i dati in categorie di età E sesso allo stesso tempo e non ho capito come farlo in JMP senza dividere i dati in un file per maschi e uno per femmine
Dovresti essere in grado di eseguire le analisi separate che stai menzionando "adolescenti maschi e femmine, anziani maschi e femmine, ecc.", specificando quelle colonne come colonne "Per" nell'analisi e nelle piattaforme grafiche in esecuzione. L'esempio seguente aggiunge "Età" e "Sesso" a un semplice Fit Y per X per "Altezza" rispetto a "Peso"
Gunnar
Prima di tutto, perché la distribuzione normale è importante per la risposta in questo studio?
Analizzare gli effetti delle variabili non è efficiente. Se si desidera continuare in questo modo, tuttavia, utilizzare il ruolo Per analisi. Inserisci le categorie di sesso ed età in questo ruolo per la tua analisi.
Potresti considerare l'analisi più efficiente e informativa in cui usi entrambe le variabili nel predittore lineare. È quindi possibile includere anche un termine per il possibile effetto di interazione in cui l'effetto di un fattore (ad esempio, gruppo di età) differisce a seconda del livello dell'altro fattore (ad esempio, sesso). Utilizzare Analizza > Adatta modello per questo approccio.
La piattaforma Fit Least Squares risultante fornisce una diagnostica di regressione basata sui residui. Il modello presuppone che gli errori siano normalmente distribuiti (non la risposta stessa) e indipendenti.
