Découvrez comment :
- Examinez les diagrammes en boîte et les statistiques, comme proposé à l'origine par Mary Eleanor Spear comme moyen de présenter des informations sur les populations.
- Utilisez le test t de Student, tel que présenté pour la première fois par Sealy Gosset, pour déterminer si une moyenne est différente d'une cible ou si deux moyennes sont statistiquement identiques, par exemple, si des échantillons de céréales provenant de lots différents ont la même teneur en protéines (acceptable) que une valeur cible
- Effectuer une analyse exploratoire des données (EDA), telle que codifiée et affinée par John Tukey, pour examiner les données qui ont des relations potentielles et examiner certaines statistiques qui aident à comprendre les relations
Barley Box PlotBarley Box PlotDiagramme en boîte d’orge
Petal Length vs WidthPetal Length vs WidthLongueur des pétales vs largeur
Ressources
Bonjour Communauté d'utilisateurs JMP
Merci de @gail_massari , @MikeD_Anderson pour avoir organisé la session Mastering JMP du 15 octobre 2021, Production et interprétation de base Statistiques .
La fonctionnalité Box Plots "encochée" dont vous avez fait la démonstration, disponible dans le générateur de graphiques en cliquant avec le bouton droit, est une fonctionnalité super cool (et utile) !
Au cours de la séance, plusieurs questions ont été soulevées concernant les tests d'hypothèses et l'interprétation correcte/significative des valeurs p dans le contexte des tests d'hypothèses.Pour commencer, je voulais préciser que les tests d'hypothèses sont un cadre prescriptif normatif pour des décisions optimales dans des conditions d'incertitude, basé sur une instanciation du rasoir d'Occam (cliquez sur les liens que je cite ci-dessous).L'erreur d'échantillonnage est l'explication la plus simple (la plus parcimonieuse) pour expliquer l'absence d'effet de traitement (la situation dans laquelle nous nous trouvons sous l'hypothèse nulle), où l'erreur d'échantillonnage est toujours présente - il s'agit simplement de la variation inhérente que nous obtenons lors du prélèvement d'échantillons répétés dans une population.
Une valeur p est simplement la proportion de superficie dans une distribution sous l’hypothèse nulle, où cette proportion (superficie couverte) n’est qu’une probabilité.
Formellement, dans le cadre des tests d'hypothèses, une valeur p est la probabilité d'obtenir une statistique (ou plus extrême) si l'hypothèse nulle est vraie .
Si la probabilité est « faible », nous avons des raisons de rejeter l’hypothèse nulle.
Si la probabilité est « élevée », nous n’avons aucune raison de rejeter l’hypothèse nulle.
Q. Qu'est-ce qui détermine si la probabilité est « élevée » ou « faible » ?UN. Les critères que nous établissons, généralement avant mener une expérience.
Quel est ce critère ?Ce critère est simplement une valeur seuil, dans laquelle nous décidons quel devrait être ce seuil, et où ce seuil est habituellement fixé à = 0,05 (ou 5 % en règle générale).
Comment appelle-t-on ce critère ? Formellement, ce seuil est appelé « alpha » (α), autrement connu sous le nom de « norme de preuve ».
Si p est < α, alors nous rejetons l’hypothèse nulle.
Si p est ≥ α, alors nous ne rejetons pas l’hypothèse nulle.
L'hypothèse nulle n'est jamais acceptée !Pourquoi? L’absence de preuve d’un effet dans une expérience particulière (en d’autres termes, p ≥ α) ne constitue en aucun cas une preuve que l’effet est absent dans la population.En science ou en expérimentation industrielle, nous « continuons à chercher ».En particulier si notre échantillon est petit et/ou si nous découvrons que nos résultats expérimentaux ne peuvent pas être reproduits.En statistiques, nous considérons généralement une déclaration de rejet sur la preuve nulle (p < α) beaucoup plus « solide » qu'une déclaration de non-rejet (p est ≥ α).Une décision « ne pas rejeter l’hypothèse nulle » est en fait une décision « nous n’avons rien trouvé ».Cela ne prouve pas qu'il n'y a rien là-bas.Si nous supposions que c'était le cas, alors nous ne ferions pas de science ou d'expérimentation industrielle (la vie serait très ennuyeuse).
Julien Parris ( @julien ) offre un traitement exceptionnel sur le logique et cadre des tests d'hypothèses dans son cours de statistiques piloté par JMP (2015) Méthodes significativement statistiques ,
Les tests d'hypothèses et les valeurs p sont également très bien traités dans le JMP. CONSEILS module: Prise de décision avec des données , disponible dans le SAS Virtual Learning Environment (et gratuit avec l'enregistrement d'un nom d'utilisateur et d'un mot de passe SAS).
Voir Section 4.2 Fondements des tests statistiques ( "Comprendre l'hypothèse nulle et alternative", et "La valeur p et la signification statistique" )
J'espère que cela sera utile !
@PatrickGiuliano
