Nel precedente articolo "A Magical JMP Function Table, Realizing the Comparison of All Groups of Data", abbiamo introdotto i metodi più comunemente usati tra i gruppi e le caratteristiche di base delle operazioni JMP. All'inizio di questo articolo, confronteremo separatamente diversi comune Il metodo di confronto tra i gruppi e il suo processo di funzionamento sono introdotti uno per uno. L'articolo di oggi inizierà con un confronto tra gruppi di variabili continue.
Per il confronto di variabili continue tra gruppi, se si vuole scegliere un metodo di analisi ragionevole, ci sono diversi presupposti che devono essere considerati prima, vale a dire la normalità e l'omogeneità della varianza (Omogeneità della varianza).
Cos'è la normalità e l'omogeneità della varianza?
I modelli comuni di distribuzione dei dati includono la distribuzione normale, la distribuzione di Poisson, la distribuzione esponenziale, ecc. Il test di normalità si riferisce al test per giudicare se la popolazione è conforme alla distribuzione normale. Il test per l'omogeneità della varianza è un test per verificare se la varianza tra i campioni in ciascun gruppo è la stessa.
Nell'applicazione pratica del confronto tra gruppi di variabili continue, un errore comune che molte persone commettono è che non considerano se i dati sono conformi allo stato normale o alla varianza, ma utilizzano direttamente il t-test o l'analisi della varianza (ANOVA) per eseguire analisi statistica sui dati, ed è corretta Il processo di analisi consiste nell'esaminare l'aspetto della distribuzione dei dati prima di scegliere un metodo.
Il contenuto di questo articolo è introdurre due importanti condizioni che devono essere considerate prima di scegliere un metodo statistico: come giudicare se i dati soddisfano la distribuzione normale e come giudicare se la varianza tra i gruppi è uguale. Solo quando queste due condizioni sono determinate può essere selezionato un metodo di analisi ragionevole.
esistere JMP Controllo normale
Successivamente, diamo un'occhiata a come utilizzare la piattaforma di "distribuzione" in JMP per ottenere la verifica della normalità. Prendiamo i dati in (Figura 1) come esempio per esplorare se c'è una differenza tra i valori di BMI del fumo e non -fumatori.In primo luogo, abbiamo bisogno di normalizzare il valore BMI.Test, e poi giudicare se utilizzare il test t o il test della somma dei ranghi in base alla distribuzione dei dati.
Figura 1-Dati utilizzati in questo articolo
Va notato che quando si confrontano i gruppi, è necessario dividersi in gruppi per eseguire un test di stato normale, ovvero testare la distribuzione dell'IMC tra i due gruppi di fumatori e non fumatori, piuttosto che la distribuzione dell'IMC valori per tutte le persone. Successivamente, spiegherò come eseguire operazioni specifiche.In primo luogo, seleziona "Analisi" → "Distribuzione" (Figura 2).
Figura 2-Il primo passo della normale operazione di verifica
Poiché vogliamo esplorare la distribuzione dell'IMC tra fumatori e non fumatori, l'IMC è il risultato e il fumo è il gruppo. Quindi inserisci l'IMC in "Y, riga" nella finestra di dialogo; metti il fumo in "base" (Figura 3). Il risultato dell'output è mostrato in Figura 4.
Figura 3-Schema schematico della normale operazione di verifica fase 2
Figura 4-Risultato in uscita
"Base" è spesso visto in JMP, che significa "separatamente" o "stratificato". Ad esempio, trascinare il fumo nella base significa eseguire operazioni su fumatori e non fumatori separatamente. Questo è diverso dal "raggruppamento", che significa confronto tra gruppi, come confrontare le differenze tra fumatori e non fumatori. Nei prossimi articoli spiegheremo questo concetto.
Se non sei abituato a questo grafico a barre verticali e desideri ruotare il grafico a barre orizzontalmente, puoi fare clic sul pulsante triangolo nell'angolo in alto a sinistra dell'interfaccia dei risultati e selezionare "Impila" nel menu a discesa (Figura 5) .
Figura 5-Schema schematico dell'operazione di impilamento
Il risultato dell'output è mostrato nella Figura 6. Ecco varie statistiche del BMI dei due gruppi di fumatori e non fumatori, tra cui media, deviazione standard, mediana, primo e terzo quartile, ecc.
Figura 6-Risultato in uscita
Fare clic sul pulsante triangolo rosso a sinistra di "BMI" e fare clic su "Adattamento continuo" → "Adatta normale" nel menu a discesa (Figura 7).
Figura 7-La terza fase della normale operazione di verifica
Il risultato del montaggio normale è mostrato nella Figura 8.
Figura 8 Risultato in uscita
Fare clic sul pulsante del triangolo rosso a sinistra e fare clic su "bontà di adattamento" nel menu a discesa (Figura 9) e verranno visualizzati i normali risultati del test.
Figura 9-Diagramma schematico della normale operazione di verifica fase 4
Il risultato del test di normalità è mostrato in (Figura 10). Il p-value è uguale a 0,9128 e maggiore di 0,05. Non si può considerare che la distribuzione normale non sia soddisfatta, cioè non si può concludere che i dati non obbediscono alla distribuzione normale, quindi i dati possono essere trattati come una distribuzione normale.
Figura 10-Risultati di verifica normali
Il normale metodo di test dell'IMC per i non fumatori è lo stesso di cui sopra e i risultati sono mostrati in (Figura 11), che è una distribuzione anormale.
Figura 11-Risultati della verifica normali
In base ai risultati del test normale di cui sopra, dovremmo utilizzare il test della somma dei ranghi per il confronto tra i gruppi, perché nei due insiemi di dati, finché un insieme di dati è distribuito in modo anomalo, deve essere utilizzato il "test della somma dei ranghi" per il confronto tra i gruppi.
esistere JMP Ottenere il test di omogeneità della varianza in
Se, confrontando i gruppi, si riscontra che i due insiemi di dati sono normalmente distribuiti, ciò non significa che il test t possa essere eseguito direttamente, ed è necessario anche il test di omogeneità della varianza per determinare se il test t debba essere utilizzato successivamente o il test t aggiustato (T' test).
Cos'è il test di omogeneità della varianza?
Il test per l'omogeneità della varianza è un test per verificare se le varianze tra i gruppi sono le stesse. Perché abbiamo bisogno di testare l'omogeneità della varianza? Perché quando si confrontano i gruppi, se la varianza tra i gruppi è troppo grande, la differenza nella media verrà mascherata, portando a conclusioni errate.
I metodi comunemente usati per testare l'omogeneità della varianza sono:
F Test bilaterale, test di Brown-Forsythe, test di Levene, checksum di Bartlett e test di O'Brien. Tra questi, il test F-bilaterale viene utilizzato per testare l'omogeneità della varianza di due insiemi di dati, gli altri vengono utilizzati per testare l'omogeneità della varianza di più insiemi di dati.In pratica, il metodo di Levene e il metodo di Bartlett sono più comunemente usati, ma il metodo Bartlett può essere utilizzato solo per dati normali.Il metodo Levene può essere utilizzato anche per dati anormali e ha una gamma più ampia di applicazioni.
Prendiamo ad esempio i dati della (Figura 1). Se analizzi se ci sono differenze nei punteggi di salute fisica tra persone con diversi gradi di difficoltà respiratorie, esegui prima un test di normalità. Se i risultati del test rilevano che i due gruppi di dati sono in una distribuzione normale, quindi eseguire l'omogeneità della verifica della varianza.
Il test di omogeneità della varianza è un passaggio importante per il confronto tra i gruppi e il suo funzionamento è implementato nel modulo della tabella delle funzioni JMP "fit X with Y". Nel precedente articolo abbiamo brevemente introdotto l'operazione di confronto tra gruppi.
Scegli "Analizza" → "Adatta Y con X". In questo caso, il risultato è il punteggio di salute fisica e il grado di dispnea è il gruppo. Quindi inserisci il punteggio della salute fisica in "Y, risposta" nella finestra di dialogo e inserisci il grado di dispnea in "X, fattore", vedi (Figura 12) per l'operazione.
Figura 12-Operazione di verifica delle differenze
Fare clic sul pulsante triangolo rosso accanto all'analisi a fattore singolo di "Punteggio dispnea-fisico salute" e selezionare "Varianza diseguale" dal menu a discesa (Figura 13).
Figura 13 Il funzionamento del test di omogeneità della varianza
Il risultato dell'output è mostrato nella Figura 14. Se il p-value del test di omogeneità della varianza è maggiore di 0,05, si può considerare che la varianza è omogenea.
Figura 14-Risultati del test di omogeneità della varianza
Questo caso è un test per l'omogeneità della varianza dei due gruppi.È possibile selezionare entrambi i risultati del test (perché i due gruppi sono casi speciali di più gruppi) e ciascun risultato del test mostra P<0,05, quindi il test t corretto ( t' prova) ).
Nota: se si tratta di un test di omogeneità della varianza di più insiemi di dati, il risultato del test bilaterale F non apparirà nel risultato.
Quanto sopra sono alcuni metodi e precauzioni per il test di omogeneità basati sul controllo di normalità del totale e della varianza del JMP condiviso oggi. Nel prossimo articolo, introdurremo come eseguire il test t in JMP. Rimani sintonizzato! Scarica JMP e inizia il tuo viaggio nell'analisi dei dati.
originale: Come implementare il test di normalità e il test di omogeneità della varianza in JMP?
[Lettura consigliata] #10 abilità da imparare per l'analisi dei dati
