Dans l'article précédent "Une table de fonction JMP magique, réalisant la comparaison de tous les groupes de données", nous avons présenté les méthodes les plus couramment utilisées entre les groupes et les fonctionnalités de base des opérations JMP. Au début de cet article, nous comparerons séparément plusieurs commun La méthode de comparaison entre les groupes et son processus de fonctionnement sont présentés un à un. L'article d'aujourd'hui commencera par une comparaison entre des groupes de variables continues.
Pour la comparaison de variables continues entre groupes, si vous voulez choisir une méthode d'analyse raisonnable, il y a plusieurs conditions préalables qui doivent être considérées en premier, à savoir la normalité et l'homogénéité de la variance (Homogénéité de la variance).
Qu'est-ce que la normalité et l'homogénéité de la variance ?
Les modèles de distribution de données courants incluent la distribution normale, la distribution de Poisson, la distribution exponentielle, etc. Le test de normalité fait référence au test permettant de juger si la population se conforme à la distribution normale. Le test d'homogénéité de la variance est un test pour savoir si la variance entre les échantillons de chaque groupe est la même.
Dans l'application pratique de la comparaison entre des groupes de variables continues, une erreur courante que beaucoup de gens commettent est de ne pas considérer si les données sont conformes à l'état normal ou à la variance, mais utilisent directement le test t ou l'analyse de la variance (ANOVA) pour effectuer analyse statistique sur les données, et c'est correct Le processus d'analyse consiste à regarder à quoi ressemble votre distribution de données avant de choisir une méthode.
Le contenu de cet article est d'introduire deux conditions importantes qui doivent être considérées avant de choisir une méthode statistique : comment juger si les données répondent à la distribution normale et comment juger si la variance entre les groupes est égale. Ce n'est que lorsque ces deux conditions sont déterminées qu'une méthode d'analyse raisonnable peut être sélectionnée.
exister JMP Contrôle normal
Voyons ensuite comment utiliser la plate-forme « distribution » dans JMP pour réaliser la vérification de la normalité. Prenons les données de la (Figure 1) comme exemple pour déterminer s'il existe une différence entre les valeurs d'IMC du tabagisme et du non-fumeur. - les fumeurs. Tout d'abord, nous devons normaliser la valeur de l'IMC. Tester, puis juger s'il faut utiliser le test t ou le test de la somme des rangs en fonction de la distribution des données.
Figure 1-Données utilisées dans cet article
Il est à noter que lors de la comparaison entre les groupes, il est nécessaire de diviser en groupes pour effectuer un test d'état normal, c'est-à-dire pour tester la distribution de l'IMC entre les deux groupes de fumeurs et de non-fumeurs, plutôt que la distribution de l'IMC. valeurs pour tous. Ensuite, je vais vous expliquer comment effectuer des opérations spécifiques.Tout d'abord, sélectionnez "Analyse" → "Distribution" (Figure 2).
Figure 2-La première étape de l'opération de vérification normale
Parce que nous voulons explorer la distribution de l'IMC entre les fumeurs et les non-fumeurs, l'IMC est le résultat et le tabagisme est le groupe. Mettez donc l'IMC dans « Y, rangée » dans la boîte de dialogue ; mettez fumer dans « base » (Figure 3). Le résultat de sortie est illustré à la figure 4.
Figure 3-Schéma schématique de l'opération de vérification normale étape 2
Figure 4-Résultat de sortie
"Base" est souvent vu dans JMP, ce qui signifie "séparément" ou "stratifié". Par exemple, faire glisser le tabagisme dans la base signifie effectuer des opérations sur les fumeurs et les non-fumeurs séparément. Ceci est différent du « regroupement », qui signifie une comparaison entre les groupes, telle que la comparaison des différences entre les fumeurs et les non-fumeurs. Dans les articles suivants, nous expliquerons ce concept.
Si vous n'êtes pas habitué à ce graphique à barres vertical et que vous souhaitez faire pivoter le graphique à barres horizontalement, vous pouvez cliquer sur le bouton triangle dans le coin supérieur gauche de l'interface de résultat, et sélectionner "Empiler" dans le menu déroulant (Figure 5) .
Figure 5-Schéma schématique de l'opération d'empilement
Le résultat de sortie est illustré à la figure 6. Voici diverses statistiques de l'IMC des deux groupes de fumeurs et de non-fumeurs, y compris la moyenne, l'écart-type, la médiane, les premier et troisième quartiles, etc.
Figure 6-Résultat de sortie
Cliquez sur le bouton triangle rouge à gauche de « IMC », puis cliquez sur « Ajustement continu » → « Ajustement normal » dans le menu déroulant (Figure 7).
Figure 7-La troisième étape de l'opération de vérification normale
Le résultat d'un ajustement normal est illustré à la figure 8.
Figure 8 Résultat de sortie
Cliquez sur le bouton triangle rouge sur la gauche, puis cliquez sur « Qualité de l'ajustement » dans le menu déroulant (Figure 9), et les résultats du test normal seront affichés.
Figure 9-Schéma schématique de l'opération de vérification normale étape 4
Le résultat du test de normalité est illustré à la figure 10. La valeur p est égale à 0,9128 et supérieure à 0,05. On ne peut pas considérer que la distribution normale n'est pas satisfaite, c'est-à-dire qu'on ne peut pas conclure que les données ne pas obéir à la distribution normale.Par conséquent, les données peuvent être traitées comme une distribution normale.
Figure 10-Résultats de la vérification normale
La méthode de test normale de l'IMC pour les non-fumeurs est la même que ci-dessus, et les résultats sont présentés dans (Figure 11), qui est une distribution anormale.
Figure 11-Résultats de la vérification normale
Selon les résultats du test normal ci-dessus, nous devrions utiliser le test de la somme des rangs pour la comparaison entre les groupes, car dans les deux ensembles de données, tant qu'un ensemble de données est anormalement distribué, le "test de la somme des rangs" doit être utilisé pour comparaison entre les groupes.
exister JMP Réaliser le test d'homogénéité de la variance dans
Si, lors de la comparaison entre les groupes, il s'avère que les deux ensembles de données sont normalement distribués, cela ne signifie pas que le test t peut être effectué directement, et le test d'homogénéité de la variance est également requis pour déterminer si le test t doit être utilisé ensuite ou le test t ajusté (test T').
Qu'est-ce que le test d'homogénéité de la variance ?
Le test d'homogénéité de la variance est un test pour savoir si les variances entre les groupes sont les mêmes. Pourquoi faut-il tester l'homogénéité de la variance ? Parce que lors de la comparaison entre les groupes, si la variance entre les groupes est trop grande, la différence de moyenne sera masquée, conduisant à des conclusions erronées.
Les méthodes couramment utilisées pour tester l'homogénéité de la variance sont :
F Test bilatéral, test de Brown-Forsythe, test de Levene, somme de contrôle de Bartlett et test d'O'Brien. Parmi eux, le test F-bilatéral est utilisé pour tester l'homogénéité de la variance de deux ensembles de données, les autres sont utilisés pour tester l'homogénéité de la variance de plusieurs ensembles de données.En pratique, la méthode de Levene et la méthode de Bartlett sont plus couramment utilisées, mais la méthode de Bartlett ne peut être utilisée que pour des données normales. La méthode de Levene peut également être utilisée pour des données anormales et a un plus large éventail d'applications.
Prenez les données de la (Figure 1) comme exemple. Si vous analysez s'il existe des différences dans les scores de santé physique entre des personnes ayant différents degrés de difficultés respiratoires, effectuez d'abord un test de normalité. Si les résultats du test révèlent que les deux groupes de données sont dans une distribution normale, puis effectuer la vérification de l'homogénéité de la variance.
Le test d'homogénéité de la variance est une étape importante pour la comparaison entre les groupes, et son fonctionnement est implémenté dans le module JMP de la table de fonction "fit X with Y". Dans l'article précédent, nous avons brièvement introduit l'opération de comparaison entre groupes.
Choisissez "Analyser" → "Ajuster Y avec X". Dans ce cas, le score de santé physique est le résultat et le degré de dyspnée est le groupe. Mettez donc le score de santé physique dans "Y, réponse" dans la boîte de dialogue, et mettez le degré d'essoufflement dans "X, facteur", voir (Figure 12) pour l'opération.
Figure 12-Opération de vérification de différence
Cliquez sur le bouton triangle rouge à côté de l'analyse à un facteur de « Dyspnée-Score de santé physique » et sélectionnez « Variance inégale » dans le menu déroulant (Figure 13).
Figure 13 Le fonctionnement du test d'homogénéité de la variance
Le résultat de sortie est illustré à la figure 14. Si la valeur p du test d'homogénéité de la variance est supérieure à 0,05, on peut considérer que la variance est homogène.
Figure 14-Résultats du test d'homogénéité de la variance
Ce cas est un test pour l'homogénéité de la variance des deux groupes. L'un ou l'autre des résultats de test peut être sélectionné (car les deux groupes sont des cas particuliers de plusieurs groupes), et chaque résultat de test montre P<0,05, puis le test t corrigé ( t'essai) ).
Remarque : S'il s'agit d'un test d'homogénéité de la variance de plusieurs ensembles de données, le résultat du test bilatéral F n'apparaîtra pas dans le résultat.
Voici quelques méthodes et précautions pour le test d'homogénéité basé sur le contrôle de normalité du total et de la variance du JMP partagé aujourd'hui. Dans le prochain article, nous présenterons comment effectuer un test t dans JMP. Restez à l'écoute! Téléchargez JMP et commencez votre parcours d'analyse de données.
original: Comment implémenter le test de normalité et le test d'homogénéité de la variance dans JMP ?
[Lecture recommandée] #10 compétences indispensables pour l'analyse de données
