Ich unterrichte im 2. Semester einen Kurs in Statistikmethoden für Graduierte, die nicht in Statistik sind. Dieses Jahr unterrichte ich ihn zum ersten Mal seit 8 Jahren. Vor 8 Jahren basierte alles auf SAS. Dieses Jahr lasse ich die Studenten zwischen R (das ich problemlos unterstützen kann), SAS (das ebenfalls problemlos unterstützt wird) und JMP (das ebenfalls für die meisten Dinge problemlos unterstützt wird) wählen. Mein Problem ist die Einrichtung einer Leistungs-/Stichprobengrößenberechnung in JMP. Soweit ich weiß, müssen Sie für JMP eine Analyse einrichten, möglicherweise mit simulierten Daten, und dann Sigma, Delta und n an die vorliegende Situation anpassen. Ich kann das entweder nach den Dialogen „Y durch X anpassen“ / „gepoolter t-Test“ oder „Modell anpassen“ tun.
Meine Sorge ist, dass sich das JMP-Ergebnis von Handberechnungen, R-Berechnungen und SAS-Berechnungen unterscheidet (alle im Wesentlichen gleich). Hier ist, was ich in der kommenden Hausaufgabe frage (etwas andere Formulierung, da das eigentliche Hausaufgabenproblem Teil c einer Reihe von Fragen ist).
Stellen Sie sich einen Mittelwertvergleich zweier unabhängiger Stichproben vor. Nehmen Sie an, Sigma = 4,1 und Delta (Mittelwertdifferenz) = 5,98. Wenn Sie für jede Gruppe n = 5 verwenden, wie hoch ist dann die Trennschärfe eines t-Tests mit zwei Stichproben bei Alpha = 0,05? JMP gibt 0,59 an:
SAS (Prozessleistung; Zweistichprobenmittelwerte, Test=Diff, Standardabweichung=4,1, Anzahl pro Gruppe=5, Mittelwert=5,98, Leistung=.;
ausführen; und R (power.t.test( n=5, delta=5,98, sd=4,1, strict=TRUE)
geben Sie mir 0,527. Die manuelle Berechnung mit einer verschobenen t-Näherung ergibt im Wesentlichen 0,5.
Was mache ich falsch, wenn ich das Problem in JMP einstelle? Genauer gesagt, was sage ich den JMP-verwendenden Studenten am Freitag, damit sie die Probleme richtig lösen können?
Danke,
Philip Dixon
Das Problem ist Ihre Stichprobengröße. Wenn n = 5 für jede Gruppe ist, beträgt Ihre gesamte Stichprobengröße 10. JMP sucht nach der gesamten Stichprobengröße und geht davon aus, dass die Stichproben gleichmäßig auf die beiden Gruppen verteilt sind (oder so nahe wie möglich).
Wenn Sie eine Situation haben, in der Sie unausgeglichene Samples wünschen, dann entscheiden Sie sich für den „Mock Data“-Ansatz, was sinnvoll ist. Wenn Sie einen Stichprobengrößenrechner verwenden, um die Datenerhebung zu planen, sollten Sie ausgewogen planen – eine wünschenswerte Eigenschaft.
Ach, und wie @Thierry_S wies darauf hin, dass es einen Punkt gibt, an dem Stichprobengröße und -stärke abgerufen werden können. In diesem Dialogfeld habe ich Two Sample Means ausgewählt, Ihre Informationen eingegeben und dieses Ergebnis erhalten, das mit den anderen Paketen übereinstimmt.
