2つの近似非線形曲線が統計的に異なるかどうかをテストするにはどうすればよいですか？こんにちは、
誰かがこれを手伝ってくれる？
私は、21の小さなボリュームで、3つの異なる方向で特定の特徴（オープン多孔性）を決定するための実験を行いました。
したがって、21のボリュームがあり、各ボリュームは3つの値、つまり開気孔率の3倍の値を生成しました。
データに非線形曲線を当てはめましたが、それらが互いに大幅に異なるかどうかを知りたいと思います。
これをJMPで行うことは可能ですか？
ここで、モデルy = a * x ^ bを適合させました。JMPは、モデルパラメーター（aおよびb）の可能な限り最良の推定を提供しました。 測定値はここには示されていません。これらは3方向にフィットした非線形曲線です。
ここでは、3つの曲線を再度適合させましたが、別のモデルでは、適合させる必要のあるモデルパラメーターが1つだけでした。
曲線は非常に似ており、おそらく大幅な違いはないことはわかっていますが、統計的に異なるかどうかをテストするための戦略と同様に、100％確実に知る必要があります。
よろしくお願いします！
分析グラフィックスRe：2つの近似非線形曲線が統計的に異なるかどうかをテストするにはどうすればよいですか？こんにちは、
Fit Curveプラットフォーム（標準の非線形モデル）を使用する場合、適合しているモデルには、[並列処理のテスト]、[パラメーター推定の比較]、および[等価性テスト]オプションがあります。
非線形プラットフォーム（顧客の非線形モデル）を使用する場合、パラメーター推定の信頼区間を計算するオプションがあります。 重複しない信頼区間は、統計的有意性の指標として使用できます。
詳細については、これらのプラットフォームのヘルプドキュメントを参照してください。
よろしく、
フィルRe：2つの近似非線形曲線が統計的に異なるかどうかをテストするにはどうすればよいですか？こんにちはフィル、
ご回答有難うございます！
非線形プラットフォーム（[分析]> [特殊モデリング]> [Non-lineair]）を使用しましたが、それらが大幅に異なるかどうかを確認するために適用できるテストはありますか？
または、パラメーター推定値の信頼区間は、これをテストするために使用できる唯一のものですか？
よろしく、
VinceL
Re：2つの近似非線形曲線が統計的に異なるかどうかをテストするにはどうすればよいですか？統計的有意性をテストするための他の機能を知りません。 FitCurveプラットフォームで言及したものとは別に。
FitCurveを使用してモデルを適合させることが可能かどうかを確認できます。 または、Fit Curveのテストの統計的詳細を調べて、Nonlinearからの結果に適用してみることができます。
信頼区間を使用して統計的有意差をテストすることに問題はありますか？
Re：2つの近似非線形曲線が統計的に異なるかどうかをテストするにはどうすればよいですか？曲線の類似性は複雑な問題であり、目標が何であるかによって異なります。
- 近似曲線自体が統計的に類似していると結論付けたいですか？
- モデルのパラメーター推定値には物理的な意味がありますか？パラメーター推定値に焦点を当てることで類似性を示すことができますか？もしそうなら、信頼区間はそれに近づく@phil_kay言及を使用することができます。ただし、非線形モデルでは、パラメーター推定値が相関する傾向があるため、統計的にいくつかの問題が発生します。
- 曲線自体は重要ですか、それとも各条件のデータのプロファイルの類似性についてですか？データがX変数で整列されている場合は、各条件のY値間の分布の違いを確認できます。
特定の問題の場合、より簡単なアプローチは、方程式の両辺の対数を取ることによってモデルを線形化することです。つまり、このモデルを近似します。
Log（Y）= A + B Log（X）
非線形モデルのA = log（a）およびB = log（b）。
次に、共分散の非常に標準的な分析を使用して、両対数モデルの傾きと切片を比較できます（添付の例を参照）。
Re: 2 つの近似非線形曲線が統計的に異なるかどうかをテストするにはどうすればよいですか?から提供されたすべてのものに加えて、 @phil_kayそして@MathStatChem 、あなたは「...100% 確実」が必要だと述べています。 私の質問は「何」について 100% 確実です。 すべての有意性検定は、意思決定者に検定統計量と、その統計量が「統計的有意性」を宣言するための棄却限界値を選択することを強制します。 その重要な値を選択することは、完全に意思決定者の選択です...しかし、タイプ I およびタイプ II のエラーの議論も開きます。 これにより、パラメータ推定値の「重要性」についてステートメントを作成するときに、100% 確実であることは不可能になります。
