Erfahren Sie, wie Sie:
- Schauen Sie sich Boxplots und Statistiken an, wie sie ursprünglich von Mary Eleanor Spear vorgeschlagen wurden, um Informationen über Bevölkerungsgruppen darzustellen
- Verwenden Sie den Student-T-Test, wie er erstmals von Sealy Gosset vorgestellt wurde, um zu bestimmen, ob ein Mittelwert von einem Ziel abweicht oder ob zwei Mittelwerte statistisch gleich sind, beispielsweise wenn Getreideproben aus verschiedenen Chargen den gleichen (akzeptablen) Proteingehalt haben ein Zielwert
- Führen Sie eine explorative Datenanalyse (EDA) durch, wie sie von John Tukey kodifiziert und verfeinert wurde, um Daten mit potenziellen Beziehungen zu untersuchen und einige Statistiken zu untersuchen, die zum Verständnis der Beziehungen beitragen
Barley Box PlotBarley Box PlotGersten-Box-Plot
Petal Length vs WidthPetal Length vs WidthBlütenblattlänge vs. Breite
Ressourcen
Hallo JMP-Benutzergemeinschaft
Vielen Dank @gail_massari , @MikeD_Anderson für die Ausrichtung der Mastering JMP-Sitzung vom 15. Oktober 2021, Produzieren und Dolmetschen Basic Statistiken .
Die „gekerbte“ Boxplots-Funktion, die Sie vorgeführt haben und die im Graph Builder per Rechtsklick verfügbar ist, ist eine super coole (und nützliche) Funktion!
Während der Sitzung tauchten mehrere Fragen zum Hypothesentest und zur korrekten/sinnvollen Interpretation von p-Werten im Kontext des Hypothesentests auf.Zunächst wollte ich festhalten, dass das Testen von Hypothesen ein normativer, präskriptiver Rahmen für optimale Entscheidungen unter Unsicherheit ist, der auf einer Instanziierung von Occams Rasiermesser basiert (klicken Sie auf die Links, die ich unten zitiere).Der Stichprobenfehler ist die einfachste (sparsamste) Erklärung für die Erklärung, dass kein Behandlungseffekt vorliegt (die Situation, in der wir uns unter der Nullhypothese befinden), bei der der Stichprobenfehler vorliegt immer anwesend – Dies ist nur die inhärente Variation, die wir erhalten, wenn wir wiederholt Proben aus einer Population entnehmen.
Ein p-Wert ist einfach der Anteil der Fläche in einer Verteilung unter der Nullhypothese, wobei dieser Anteil (die abgedeckte Fläche) nur eine Wahrscheinlichkeit ist.
Formal ist ein p-Wert im Rahmen des Hypothesentests die Wahrscheinlichkeit, eine Statistik (oder eine extremere) zu erhalten. wenn die Nullhypothese wahr ist .
Wenn die Wahrscheinlichkeit „Niedrig“ ist, haben wir Grund, die Nullhypothese abzulehnen.
Wenn die Wahrscheinlichkeit „hoch“ ist, haben wir keinen Grund, die Nullhypothese abzulehnen.
Q. Was bestimmt, ob die Wahrscheinlichkeit „hoch“ oder „niedrig“ ist?A. Normalerweise die Kriterien, die wir festlegen Vor ein Experiment durchführen.
Was sind das für Kriterien?Bei diesem Kriterium handelt es sich einfach um einen Grenzwert, bei dem wir entscheiden, wie dieser Grenzwert sein soll und wobei dieser Grenzwert üblicherweise auf = 0,05 (oder 5 % als allgemeine Faustregel) festgelegt wird.
Wie nennen wir dieses Kriterium? Formal wird dieser Grenzwert „Alpha“ (α) genannt, auch bekannt als unser „Beweisstandard“.
Wenn p < α ist, lehnen wir die Nullhypothese ab.
Wenn p ≥ α ist, lehnen wir die Nullhypothese nicht ab.
Die Nullhypothese wird niemals akzeptiert!Warum? Das Fehlen von Beweisen für einen Effekt in einem bestimmten Experiment (mit anderen Worten, p ≥ α) dient in keiner Weise als Beweis dafür, dass der Effekt in der Population nicht vorhanden ist.Bei wissenschaftlichen oder industriellen Experimenten „suchen wir weiter“.Besonders wenn unsere Stichprobengröße klein ist und/oder wir feststellen, dass unsere experimentellen Ergebnisse nicht reproduziert werden können.In der Statistik betrachten wir normalerweise eine Ablehnungsaussage zum Nullbeweis (p < α) als viel „stärkeren“ Beweis als eine Nichtablehnungsaussage (p ist ≥ α).Eine Entscheidung „Die Nullhypothese nicht ablehnen“ ist im Grunde eine „Wir haben nichts gefunden“-Entscheidung.Es beweist nicht, dass da draußen nichts ist.Wenn wir davon ausgehen würden, dass dies der Fall wäre, würden wir keine wissenschaftlichen oder industriellen Experimente betreiben (das Leben wäre sehr langweilig).
Julian Parris ( @julianisch ) bietet eine hervorragende Behandlung auf dem Logik und Rahmen des Hypothesentests in seinem (2015) JMP-gesteuerten Statistikkurs Signifikant statistische Methoden ,
Hypothesentests und p-Werte werden im JMP ebenfalls sehr gut abgedeckt STIPPS Modul: Entscheidungsfindung mit Daten , verfügbar in der SAS Virtual Learning Environment (und kostenlos mit der Registrierung eines SAS-Benutzernamens und Passworts).
Sehen Abschnitt 4.2 Grundlagen der statistischen Tests ( „Die Null- und Alternativhypothese verstehen“ Und „Der p-Wert und die statistische Signifikanz“ )
Ich hoffe, das ist hilfreich!
@PatrickGiuliano
