J'enseigne un cours de méthodes statistiques au 2e semestre à des étudiants diplômés qui ne sont pas en statistiques. Cette année, c'est la première fois en 8 ans que je l'enseigne. Il y a 8 ans, tout était basé sur SAS. Cette année, je laisse les étudiants choisir entre R (que je peux facilement prendre en charge), SAS (également facilement pris en charge) et JMP (également facilement pris en charge pour la plupart des choses). Mon problème est de configurer un calcul de puissance / taille d'échantillon dans JMP. Pour autant que je sache, JMP vous oblige à configurer une analyse, peut-être avec des données fictives, puis à réviser sigma, delta et n pour la situation en question. Je peux le faire soit après les boîtes de dialogue Fit Y by X / pooled t-test ou Fit model.
Ce qui m'inquiète, c'est que le résultat de JMP diffère des calculs manuels, des calculs R et des calculs SAS (tous essentiellement identiques). Voici ce que je demande dans les prochains devoirs (langage légèrement différent car le problème réel du devoir est la partie c d'une séquence de questions).
Imaginez une comparaison de deux échantillons indépendants des moyennes. Supposons que sigma = 4,1 et delta (différence des moyennes) = 5,98. Si vous utilisez n = 5 pour chaque groupe, quelle est la puissance d'un test t à deux échantillons alpha = 0,05 ? JMP me dit 0,59 :
SAS (proc puissance ; twosamplemeans test=diff stddev=4.1 npergroup=5 meandiff=5.98 puissance=.;
exécuter; et R (power.t.test( n=5, delta=5.98, sd=4.1, strict=TRUE)
donne-moi 0,527. Un calcul manuel utilisant une approximation décalée en t me donne essentiellement 0,5.
Qu'est-ce que je fais mal lorsque je mets en place le problème dans JMP. Plus précisément, que dois-je dire aux étudiants qui utilisent JMP le vendredi pour qu'ils puissent résoudre les problèmes correctement ?
Merci,
Philippe Dixon
Le problème est la taille de votre échantillon. Si n=5 pour chaque groupe, la taille totale de votre échantillon est de 10. JMP recherche la taille totale de l'échantillon et suppose que les échantillons sont équitablement répartis entre les deux groupes (ou aussi proches que possible).
Si vous avez une situation où vous voulez des échantillons déséquilibrés, alors vous optez pour l'approche "données fictives", ce qui est logique. Si vous utilisez un calculateur de taille d'échantillon pour planifier la collecte de données, vous devez planifier sur l'équilibre - une propriété souhaitable.
Ah, et comme @Thierry_S souligné, il y a un endroit pour obtenir la taille et la puissance de l'échantillon. À l'aide de cette boîte de dialogue, j'ai choisi Two Sample Means, entré vos informations et obtenu ce résultat qui correspond aux autres packages.
