Tengo un archivo con datos de 260 personas que se ven más o menos en este formato (pero más parámetros):
| | identificación de la persona | Género | Grupo de edad | Ingesta de proteínas | kcal | |
| 1 | 1 | Masculino | niños | 33 | 107 | |
| 2 | 2 | Femenino | adultos | 52 | 220 | |
| 3 | 3 | Femenino | anciano | 50 | 150 | |
| 4 | 4 | Masculino | adulto | 75 | 175 | |
Los datos normalmente no están distribuidos y he realizado un análisis de distribución. Además, comparé los datos entre hombres y mujeres y también entre grupos de edad y calculé ps por pares.
Sé que los datos normalmente no están distribuidos y las pruebas no paramétricas tienen que deshuesarse
He comparado los datos por género.
Y también he trazado y comparado datos para diferentes grupos de edad (categorías).
Pero luego me gustaría dividir los datos en categorías de edad Y género al mismo tiempo y no he descubierto cómo hacerlo en JMP sin dividir los datos en un archivo para hombres y otro para mujeres.
Gunnar
Gunnar
Sé que los datos normalmente no están distribuidos y las pruebas no paramétricas tienen que deshuesarse
He comparado los datos por género.
Y también he trazado y comparado datos para diferentes grupos de edad (categorías).
Pero luego me gustaría dividir los datos en categorías de edad Y género al mismo tiempo y no he descubierto cómo hacerlo en JMP sin dividir los datos en un archivo para hombres y otro para mujeres.
Debería poder realizar los análisis separados que menciona "adolescentes masculinos y femeninos, ancianos masculinos y femeninos, etc.", especificando esas columnas como columnas "Por" en las plataformas gráficas y de análisis que está ejecutando. El siguiente ejemplo agrega "Edad" y "Sexo" a un ajuste simple de Y por X para "Altura" frente a "Peso"
Gunnar
En primer lugar, ¿por qué es importante la distribución normal para la respuesta en este estudio?
Analizar los efectos de las variables no es eficiente. Sin embargo, si desea continuar de esta manera, utilice el rol Por análisis. Incluya categorías de género y edad en este rol para su análisis.
Puede considerar el análisis más eficiente e informativo en el que utiliza ambas variables en el predictor lineal. También podría incluir un término para el posible efecto de interacción donde el efecto de un factor (p. ej., grupo de edad) difiere según el nivel del otro factor (p. ej., género). Use Analizar > Ajustar modelo para este enfoque.
La plataforma Fit Least Squares resultante proporciona diagnósticos de regresión basados en los residuos. El modelo asume que los errores se distribuyen normalmente (no la respuesta en sí) y son independientes.
