Esta es una guía de usuario mensual enviada a los suscriptores del boletín. Para consultas relacionadas ikju.shin@jmp.com complacer
Como es bien sabido, ANOVA (Análisis de Varianza) es el método más representativo para evaluar la importancia y la influencia de los factores categóricos en las respuestas continuas. sin ver. Los tipos de ANOVA incluyen ANOVA unidireccional y ANOVA bidireccional, donde unidireccional o bidireccional significa el número de factores. Por ejemplo, si prueba la diferencia de rendimiento de acuerdo con los materiales A y B, el factor es un material, por lo que es un ANOVA de una vía. Por otro lado, si desea probar la diferencia de rendimiento de los materiales A y B y temperaturas de calentamiento de 100 y 110 grados, el factor es el material y la temperatura, por lo que este caso se denomina ANOVA de dos vías. ANOVA es la forma más básica de ANOVA cuando hay dos niveles de cada factor, como material A, B o temperaturas de 10 grados y 110 grados. Comparación múltiple, donde hay tres o más niveles de un factor echemos un vistazo a
En general Análisis de Varianza (ANOVA) para probar la diferencia de medias, las hipótesis son:
1) Hipótesis nula (Ho): Todos los grupos tienen la misma media.
2) Hipótesis alternativa (H1): No todos los grupos tienen la misma media.
La clave está en rechazar la hipótesis nula si al menos la media de un grupo difiere de la media del otro grupo. Es decir, rechazar la hipótesis nula no significa que todos los grupos tengan diferentes medias. como esto Comparación múltiple A ver si hay algún problema que pueda surgir.
Por ejemplo, suponiendo que tiene un factor X con cinco grupos A, B, C, D y E y usa el método ANOVA para probar la diferencia en los valores medios entre los dos grupos, las 10 comparaciones son posibles.En este momento, según el nivel de significancia (α, error tipo 1) de 0,05, el riesgo general de la prueba es 0,401. Porque cuando el nivel de significación (error tipo I) es 0,05, la probabilidad de no tener un error tipo I es (1-0,05) = 0,95, mientras que la probabilidad de no tener un error tipo I para 10 comparaciones es (0,95) 10 = 0,599 .
Es decir, en 10 comparaciones, la probabilidad de un error de tipo I en al menos una comparación se convierte en 1 – 0,599 = 0,401, lo que aumenta la probabilidad de interpretar una diferencia significativa aunque no lo sea. Se requiere un método y una interpretación ligeramente diferentes. del caso de
Echemos un vistazo a los datos de muestra a continuación en JMP.
(Ayuda / Biblioteca de datos de muestra / big class.jmp)
Con el fin de comprobar si existe una diferencia en la media de la altura según la edad Analizar / Ajustar Y por X Seleccione la edad como X y la altura como Y y haga clic en Aceptar. ▼ Oneway ~ / Medios / Anova , El resultado es el siguiente.
En el resultado anterior, no debe juzgar que existe una diferencia en la altura según la edad al observar solo el valor P (0.0008). Esto significa que hay una diferencia entre al menos uno de los seis niveles de edad (12-17 años), no todos los niveles de edad, así que tenga cuidado.
En el caso de comparaciones múltiples de 3 o más como esta, ▼ Oneway ~ / Comparar medios Debe utilizar uno de los cinco métodos siguientes. Probemos los cinco métodos aquí. (Puede ejecutar los cinco métodos a la vez manteniendo presionada la tecla Alt y haciendo clic en el triángulo rojo junto a Oneway).
Los cinco métodos se resumen brevemente a continuación.
Una. Cada par, t de Student
Una) Matriz de umbral de LSD significa que hay una diferencia significativa entre los niveles expresados como valores positivos.
2) Informe de letras conectadas significa que no hay diferencia significativa entre Niveles que contienen la misma letra.
3) Informe de diferencia ordenada resume los resultados de la prueba entre los dos niveles.
4) ▼ Comparaciones / Informe detallado de comparación Si hace clic en , puede verificar todos los resultados de la comparación entre los dos niveles como se muestra a continuación (aquí, hay 6 niveles para comparar, por lo que hay 15 resultados de comparación en total).
2. Todos los pares, Tukey HSD (diferencia honestamente significativa)
En comparación con la prueba t de Student anterior, los resultados son bastante conservadores. (La significación estadística se interpreta de manera muy estricta, por lo que a menudo se usa en la práctica en situaciones donde se requiere tal interpretación).
3. Con Best, HSu MCB
Este método muestra resultados de prueba ligeramente diferentes de los dos métodos anteriores porque se compara con el grupo con el tamaño de muestra mínimo o máximo.
4. Con Control, de Dunnett
Este método prueba contra un grupo de comparación (aquí, se seleccionan 12 años como grupo de comparación).
5. Cada par Stepwise Newman Keuls (SNK) El resultado es el siguiente.
6. Interpretación Integral
1) En la práctica El método T de Student y el método Tukey-Kramer (Tukey HSD) son los más utilizados parece hacer
2) Entre estos El método Tukey-Kramer es más conservador y estricto. hacer.
3) Si hace clic en cualquiera de los círculos en la parte superior, el nivel sin diferencia significativa se muestra en el mismo color rojo y el nivel con una diferencia significativa se muestra en negro como se muestra a continuación. A continuación se muestran los resultados cuando elegí al niño de 13 años del método TurkeyKramer.(El último método, Stepwise Newman Keuls (SNK), no muestra estos círculos).
Hola, gracias por la buena explicación.
Estoy utilizando el software SAS JMP 18.1.0 y realicé un análisis post hoc de Tukey-Kramer HSD.
Sin embargo, existe un problema cuando los personajes no están conectados en ciertos grupos.
Como se muestra en la imagen siguiente, en ciertos grupos, H aparece inmediatamente después de ABC, pero en otros grupos aparece como ABCDH.
Creo que es un caso inusual... ¿Es un error de software o este método estadístico es originalmente capaz de producir caracteres como este?
Viendo que los grupos con ABCH y DEFGH no son significativamente diferentes entre sí (p>.05), parece que H no carece de significado.
