La comparaison entre groupes est un élément de base de l'analyse statistique. En termes simples, il s'agit de comparer des indicateurs entre deux ou plusieurs groupes. Cet indicateur peut être une variable continue ou une variable catégorielle. Toute analyse statistique est quasiment indissociable des comparaisons entre groupes. Par exemple, dans un essai contrôlé randomisé, l'objectif principal est de comparer s'il existe une différence d'efficacité entre deux groupes ; dans une analyse multivariée, la comparaison entre les groupes est généralement également utilisée comme résultat de base et doit être montrée à tout le monde. .
Aujourd'hui, nous allons présenter une table de fonctions magique dans JMP qui peut réaliser presque toutes les comparaisons entre groupes. Cette table de fonctions est - Ajuster Y avec X.
sur quoi est basé X raccord oui ?
Pour faire simple, considérons le facteur de groupe comme x et la variable à analyser comme la variable dépendante y. En fonction des types de variables x et y, le logiciel JMP déterminera automatiquement la méthode appropriée.
Pourquoi cette fonction est-elle si étonnante ? Cet article explique chacun sous plusieurs aspects :
- Sélection de méthodes de comparaison communes entre les groupes ;
- D'un point de vue macro, connectez les méthodes de comparaison courantes entre les groupes ;
- À travers un cas, nous présenterons comment utiliser une table de fonctions de JMP pour réaliser toutes les comparaisons inter-groupes.
Quant aux méthodes spécifiques de comparaison entre groupes, nous les présenterons ultérieurement dans une série d’articles.
Comment choisir une méthode de comparaison entre groupes ?
Il existe de nombreuses façons de comparer entre les groupes, selon le nombre de groupes, le type de variables d'analyse, etc.
Les méthodes statistiques de comparaison entre des groupes de variables continues comprennent principalement le test t, l'analyse de variance, le test de somme de rangs, etc. Vous pouvez vous référer à la figure 1 lorsque vous choisissez des méthodes statistiques pour comparer des groupes de variables continues. Si vous vous référez attentivement à cette image lors de l'analyse des données, vous n'utiliserez pas le test t pour analyser des données non normales, ni n'oublierez de faire l'homogénéité de test de variance.erreur.
Figure 1 Idées pour sélectionner des méthodes de comparaison entre des groupes de variables continues
Lors du choix d’une méthode statistique, les facteurs clés à prendre en compte comprennent :
- Conception de l'étude (conception entièrement randomisée ou appariée)
- Nombre de groupes (deux groupes ou plus)
- Distribution normale (normale ou non normale)
- Homogénéité des variances (variances égales ou inégales)
Les principales méthodes statistiques de comparaison entre des groupes de variables catégorielles sont le test du chi carré et le test de la somme des rangs. Voir la figure 2 pour la sélection de la méthode.
Lors du choix de méthodes statistiques pour comparer des groupes de variables catégorielles, les principaux facteurs à prendre en compte comprennent :
- Conception de l'étude (conception entièrement randomisée ou appariée)
- Comparez le nombre de groupes (deux groupes ou plus)
- Catégorie d'indicateurs de résultats (binaires ou multicatégories ; ordonnés ou désordonnés)
Le choix de la méthode est principalement lié à la nature de l’indicateur de résultat (notez la variable de regroupement) :
- S'il s'agit d'un résultat dichotomique, utilisez le test du chi carré ;
- S'il s'agit d'un résultat multi-catégories, vous devez déterminer si l'indicateur de résultat est ordonné ou désordonné. S'il s'agit d'une variable non ordonnée, utilisez le test du chi carré. S'il s'agit d'une variable ordonnée, utilisez le test de la somme des rangs.
Figure 2 Idées pour sélectionner des méthodes de comparaison entre des groupes de variables catégorielles
JMP Menu Comparaison de groupes dans
Dans JMP, la plupart des comparaisons entre groupes peuvent être implémentées dans Fit Y en accomplissant.
Figure 3 Menu Ajustement Y avec X
L'interface d'ajustement du tableau de fonctions X à Y est illustrée à la figure 4. Vous pouvez d'abord avoir une impression intuitive.
Figure 4 Utilisez X pour adapter l'interface du menu Y
Ce menu peut être un peu déroutant pour les personnes habituées à une méthode spécifique (comme le test t, l'analyse de variance).
Vous pouvez remarquer que dans le coin inférieur gauche de la figure 4, quatre types de méthodes sont combinés selon que x est catégorique ou continu et y est catégorique ou continu :
① X est une variable catégorielle, Y est une variable continue et les résultats de l'analyse factorielle unique peuvent être générés, y compris le test t, l'analyse de la variance et le test de la somme des rangs, etc.
② X est une variable catégorielle, Y est une variable catégorielle et la contingence est sortie, qui est le résultat du test du chi carré ;
③ X est une variable continue, Y est une variable continue et une régression linéaire à un facteur est générée ;
④ X est une variable continue, Y est une variable catégorielle et une régression logistique est générée.
C'est donc la particularité du tableau de fonctions JMP : il classe les méthodes statistiques par objectif, car qu'il s'agisse d'un test t, d'un test du chi carré, d'une analyse de variance, etc., sa structure est la même, qui est une variable de regroupement et une indicateur d'analyse. , qui correspond aux deux situations ①② évoquées ci-dessus. En d’autres termes, la comparaison entre les groupes est incluse dans le menu Ajuster Y avec X, mais la fonction Ajuster Y avec X
Comment utiliser "Avec X raccord Oui "Comparaison complète entre les groupes
Voyons ensuite comment utiliser « Ajuster Y avec X » pour réaliser une comparaison intergroupes à travers un cas.
Supposons que nous ayons les données suivantes (Figure 5). Notre objectif était d’explorer s’il existait des différences dans les scores de santé physique entre les personnes présentant différents niveaux de dyspnée. En d’autres termes, le degré de dyspnée est la variable de regroupement X (également appelée indice, variable explicative), et le score de santé physique est la variable d’analyse Y (également appelée variable de résultat, variable dépendante).
Figure 5 Données utilisées dans cet article
Cliquez sur « Analyse » → « Ajuster Y avec X » pour accéder à l'interface d'opération, comme le montre la figure 6. La dyspnée est une variable de regroupement, alors placez-la dans « X, facteur », le score de santé physique est l'indicateur de résultat, mettez-la dans « Y, réponse », cliquez sur OK pour accéder à l'interface des résultats.
Figure 6 Diagramme schématique de l’opération de comparaison entre groupes
Les résultats sont présentés dans la figure 7. Lorsque vous regardez ce résultat, vous risquez d'être confus car il n'y a qu'une seule image présentée dans la figure 7.
Il s'agit également d'une fonctionnalité majeure de JMP, c'est-à-dire que les résultats dont vous avez besoin peuvent être affichés en fonction de votre objectif dans l'interface des résultats au lieu de les sélectionner dans le menu. L'avantage de la sélection à partir des résultats est que vous n'avez pas besoin de basculer vers l'interface du menu.
Figure 7 Diagramme des résultats de sortie
Si vous cliquez sur le menu en petit triangle rouge dans le coin supérieur gauche de la figure 7, vous pouvez voir que les résultats disponibles sont très riches (figure 8), qui incluent diverses méthodes pouvant être utilisées dans les comparaisons entre des groupes de variables continues, telles que comme le test t, l'analyse de variance, divers tests non paramétriques, les tests d'équivalence, les tests d'homogénéité de variance, etc. Vous pouvez vérifier en fonction de la situation réelle pour afficher les résultats partiels correspondants.
Figure 8 Interface des résultats de comparaison entre les groupes de variables continues
Par exemple, dans cet exemple, la variable de regroupement dyspnée est divisée en deux groupes. On peut se référer à l'idée de la figure 1. Pour la comparaison des données continues entre les deux groupes, les méthodes qui peuvent être considérées incluent le test t, corrigé Test t (test t') et tests non paramétriques.
Quant à la méthode à choisir en fin de compte, ce n'est pas un problème du logiciel statistique, mais le travail de l'analyste lui-même. Il faut d'abord clarifier si les deux ensembles de scores de santé physique satisfont à la distribution normale et si les variances sont égaux. Si ces deux conditions sont remplies, vous pouvez vérifier les résultats du test t, sinon vous devrez peut-être choisir la méthode de test non paramétrique.
Par exemple, si nous voulons savoir si les deux groupes ont des variances égales, nous pouvons cocher « Variances inégales » dans la figure 8. Après vérification, l'interface des résultats affichera quelques résultats sur le test d'homogénéité de la variance (Figure 9). Les résultats montrent que la valeur P est bien inférieure à 0,05 et que les variances ne peuvent pas être considérées comme égales, c'est-à-dire que le test t ne peut pas être utilisé directement.
Les résultats fournissent également les résultats de comparaison des deux groupes dans des conditions de variances inégales, c'est-à-dire les résultats du test de Welch dans la dernière partie de la figure. Les résultats ont clairement montré que cette méthode peut être utilisée lorsque les variances des deux les groupes sont inégaux. Les résultats montrent qu’il existe une différence statistique dans les scores de santé physique entre les deux groupes.
Figure 9 Résultats du test d'homogénéité de variance
JMP Tableau des fonctions de comparaison entre les groupes 4 Grande fonctionnalité
Grâce à l'introduction préliminaire ci-dessus, je pense que tout le monde a une certaine compréhension de l'opération de comparaison inter-groupes de JMP. À partir de là, nous pouvons découvrir les quatre principales caractéristiques de l'analyse statistique de JMP :
1. Extrêmement simple à utiliser
Le menu de fonctionnement de JMP est très simple, il vous suffit de sélectionner x et y, c'est-à-dire à condition de pouvoir distinguer clairement quelle est la variable de regroupement et quelle est la variable de fin. Ce n'est pas un problème pour les chercheurs.
2. analyse exploratoire autonome
L'interface de résultats de JMP donne aux analystes une grande initiative. Vous pouvez cocher ou cocher certains résultats selon vos besoins.
C'est en fait une bonne chose, car cela nécessite que vous clarifiiez d'abord la méthode que vous souhaitez utiliser, au lieu d'utiliser le test t à chaque fois que vous avez une variable continue. Vous devez d'abord déterminer la normalité et l'homogénéité des variances des variables continues, puis vérifier les résultats souhaités en fonction des résultats.
3. Visualisation interactive partout
En tant que logiciel caractérisé par une visualisation interactive, les résultats d'analyse JMP seront affichés graphiquement pour les parties pouvant être affichées graphiquement, ce qui peut permettre aux analystes de découvrir de manière plus intuitive l'ampleur des différences entre les groupes. On peut dire que l’analyse visuelle interactive est omniprésente dans JMP.
4. Analyse d'exploration secondaire dans les résultats
En plus de fournir diverses méthodes, l'interface de résultats JMP propose également diverses options de modification. Vous pouvez modifier les graphiques et les résultats dans les résultats à tout moment et effectuer une analyse exploratoire de manière flexible, ce qui est très pratique.
À travers un cas simple, la puissante fonction de comparaison inter-groupes de JMP est présentée. Dans les articles suivants, nous vous amènerons à expliquer en détail la méthode spécifique de comparaison inter-groupes et comment l'utiliser dans JMP. Téléchargez JMP. Démarrez vos données parcours d’analyse.
original: Un menu JMP magique pour réaliser toutes les comparaisons de données inter-groupes
[Lecture recommandée] #10 compétences incontournables pour l'analyse des données :
