Im vorherigen Artikel "Eine magische JMP-Funktionstabelle, Realizing the Comparison of All Groups of Data" haben wir die gebräuchlicheren Methoden zwischen Gruppen und die grundlegenden Funktionen von JMP-Operationen vorgestellt. Zu Beginn dieses Artikels werden wir mehrere separat vergleichen allgemein Die Methode des Vergleichs zwischen den Gruppen und ihr Operationsprozess werden nacheinander eingeführt. Der heutige Artikel beginnt mit einem Vergleich zwischen Gruppen kontinuierlicher Variablen.
Für den Vergleich von kontinuierlichen Variablen zwischen Gruppen gibt es, wenn Sie eine sinnvolle Analysemethode wählen wollen, zunächst einige Voraussetzungen zu beachten, nämlich Normalität und Homogenität der Varianz (Varianzhomogenität).
Was ist Normalität und Homogenität der Varianz?
Gängige Datenverteilungsmuster umfassen Normalverteilung, Poisson-Verteilung, Exponentialverteilung usw. Der Normalitätstest bezieht sich auf den Test zur Beurteilung, ob die Grundgesamtheit der Normalverteilung entspricht. Der Test auf Varianzhomogenität ist ein Test, ob die Varianz zwischen den Stichproben in jeder Gruppe gleich ist.
Bei der praktischen Anwendung des Vergleichs zwischen Gruppen kontinuierlicher Variablen besteht ein häufiger Fehler vieler Leute darin, dass sie nicht berücksichtigen, ob die Daten dem Normalzustand oder der Varianz entsprechen, sondern direkt den t-Test oder die Varianzanalyse (ANOVA) verwenden, um statistische Analyse der Daten, und sie ist korrekt Der Analyseprozess besteht darin, zu prüfen, wie Ihre Datenverteilung aussieht, bevor Sie eine Methode auswählen.
Der Inhalt dieses Artikels besteht darin, zwei wichtige Bedingungen vorzustellen, die vor der Auswahl einer statistischen Methode berücksichtigt werden müssen: wie beurteilt man, ob die Daten der Normalverteilung entsprechen, und wie beurteilt man, ob die Varianz zwischen den Gruppen gleich ist. Erst wenn diese beiden Bedingungen festgestellt sind, kann eine sinnvolle Analysemethode ausgewählt werden.
existieren JMP Normale Prüfung
Als nächstes werfen wir einen Blick darauf, wie die "Verteilung"-Plattform in JMP verwendet wird, um eine Überprüfung der Normalität zu erreichen. Nehmen Sie die Daten in (Abbildung 1) als Beispiel, um zu untersuchen, ob es einen Unterschied zwischen den BMI-Werten von Rauchen und Nicht-Rauchern gibt -Raucher.Zuerst müssen wir den BMI-Wert normalisieren.Testen und dann beurteilen, ob der t-Test oder der Rangsummentest entsprechend der Datenverteilung verwendet werden soll.
Abbildung 1 – In diesem Artikel verwendete Daten
Es ist zu beachten, dass beim Vergleich zwischen Gruppen eine Aufteilung in Gruppen erforderlich ist, um einen Normalzustandstest durchzuführen, d. h. um die Verteilung des BMI zwischen den beiden Gruppen Raucher und Nichtraucher zu testen, und nicht die Verteilung des BMI Werte für alle Menschen. Als nächstes erkläre ich, wie man bestimmte Operationen durchführt: Wählen Sie zuerst „Analyse“ → „Verteilung“ (Abbildung 2).
Abbildung 2-Der erste Schritt des normalen Überprüfungsvorgangs
Da wir die Verteilung des BMI zwischen Rauchern und Nichtrauchern untersuchen wollen, ist der BMI das Ergebnis und das Rauchen die Gruppe. Tragen Sie also den BMI in der Dialogbox in "Y, Reihe" ein, setzen Sie das Rauchen in "Basis" (Abbildung 3). Das Ausgabeergebnis ist in Abbildung 4 dargestellt.
Abbildung 3-Schematische Darstellung des normalen Überprüfungsvorgangs Schritt 2
Abbildung 4-Ausgabeergebnis
"Basis" wird oft in JMP gesehen, was "getrennt" oder "geschichtet" bedeutet. Zum Beispiel bedeutet das Ziehen des Rauchens in die Basis, dass Operationen an Rauchern und Nichtrauchern getrennt durchgeführt werden. Dies unterscheidet sich von der "Gruppierung", die einen Vergleich zwischen Gruppen bedeutet, beispielsweise den Vergleich der Unterschiede zwischen Rauchern und Nichtrauchern. In nachfolgenden Artikeln werden wir dieses Konzept erläutern.
Wenn Sie mit diesem vertikalen Balkendiagramm nicht vertraut sind und das Balkendiagramm horizontal drehen möchten, können Sie auf die Dreiecksschaltfläche in der oberen linken Ecke der Ergebnisoberfläche klicken und im Dropdown-Menü "Stack" auswählen (Abbildung 5). .
Abbildung 5-Schematische Darstellung des Stapelbetriebs
Das Ausgabeergebnis ist in Abbildung 6 dargestellt. Hier sind verschiedene Statistiken des BMI der beiden Gruppen von Rauchern und Nichtrauchern, einschließlich Mittelwert, Standardabweichung, Median, erstes und drittes Quartil usw.
Abbildung 6-Ausgabeergebnis
Klicken Sie auf die rote Dreiecksschaltfläche links neben „BMI“ und klicken Sie im Dropdown-Menü auf „Kontinuierliche Anpassung“ → „Normale Anpassung“ (Abbildung 7).
Abbildung 7-Der dritte Schritt des normalen Überprüfungsvorgangs
Das Ergebnis der normalen Anpassung ist in Abbildung 8 dargestellt.
Abbildung 8 Ausgabeergebnis
Klicken Sie links auf die rote Dreiecksschaltfläche und klicken Sie im Dropdown-Menü (Abbildung 9) auf "Goodness of Fit" und die normalen Testergebnisse werden angezeigt.
Abbildung 9-Schematische Darstellung des normalen Überprüfungsvorgangs Schritt 4
Das Ergebnis des Normalitätstests ist in (Abbildung 10) dargestellt. Der p-Wert ist gleich 0,9128 und größer als 0,05 Es kann nicht davon ausgegangen werden, dass die Normalverteilung nicht erfüllt ist, d nicht der Normalverteilung gehorchen, daher können die Daten als Normalverteilung behandelt werden.
Abbildung 10-Normale Überprüfungsergebnisse
Die normale Testmethode des BMI für Nichtraucher ist die gleiche wie oben, und die Ergebnisse sind in (Abbildung 11) gezeigt, was eine abnormale Verteilung darstellt.
Abbildung 11-Normale Überprüfungsergebnisse
Gemäß den Ergebnissen des obigen normalen Tests sollten wir den Rangsummentest zum Vergleich zwischen Gruppen verwenden, da in den beiden Datensätzen, solange ein Datensatz abnormal verteilt ist, der "Rangsummentest" verwendet werden muss zum Vergleich zwischen den Gruppen.
existieren JMP Erreiche den Homogenitätstest der Varianz in
Wenn beim Vergleich zwischen den Gruppen festgestellt wird, dass die beiden Datensätze normalverteilt sind, bedeutet dies nicht, dass der t-Test direkt durchgeführt werden kann, und der Homogenitätstest der Varianz ist auch erforderlich, um zu bestimmen, ob der t-Test als nächstes verwendet werden oder der angepasste t-Test (T'-Test).
Was ist der Homogenitätstest der Varianz?
Der Test auf Varianzhomogenität ist ein Test, ob die Varianzen zwischen den Gruppen gleich sind. Warum müssen wir die Homogenität der Varianz testen? Denn wenn beim Vergleich zwischen Gruppen die Varianz zwischen den Gruppen zu groß ist, wird die Differenz im Mittelwert maskiert, was zu falschen Schlussfolgerungen führt.
Häufig verwendete Methoden zum Testen der Varianzhomogenität sind:
F Bilateraler Test, Brown-Forsythe-Test, Levene-Test, Bartlett-Checksumme und O'Brien-Test. Unter ihnen wird der F-bilaterale Test verwendet, um die Homogenität der Varianz zweier Datensätze zu testen, die anderen werden verwendet, um die Homogenität der Varianz mehrerer Datensätze zu testen.In der Praxis die Levene-Methode und die Bartlett-Methode werden häufiger verwendet, aber die Bartlett-Methode kann nur für normale Daten verwendet werden.Die Levene-Methode kann auch für abnormale Daten verwendet werden und hat ein breiteres Anwendungsspektrum.
Nehmen Sie die Daten in (Abbildung 1) als Beispiel. Wenn Sie analysieren, ob es Unterschiede in der körperlichen Gesundheit von Menschen mit unterschiedlichen Atembeschwerden gibt, führen Sie zunächst einen Normalitätstest durch. Wenn die Testergebnisse ergeben, dass die beiden Datengruppen in einer Normalverteilung, dann führen Sie die Homogenitätsprüfung der Varianz durch.
Der Varianzhomogenitätstest ist ein wichtiger Schritt für den Vergleich zwischen Gruppen, und seine Operation ist im JMP-Funktionstabellenmodul "X mit Y anpassen" implementiert. Im vorherigen Artikel haben wir kurz die Operation des Vergleichs zwischen Gruppen vorgestellt.
Wählen Sie „Analysieren“ → „Y mit X anpassen“. In diesem Fall ist der körperliche Gesundheitswert das Ergebnis und der Atemnotgrad die Gruppe. Setzen Sie also den körperlichen Gesundheitswert im Dialogfeld auf „Y, Reaktion“ und den Grad der Atemnot auf „X, Faktor“, siehe (Abbildung 12) für die Operation.
Abbildung 12 – Differenzüberprüfungsvorgang
Klicken Sie auf die rote Dreiecksschaltfläche neben der Einzelfaktoranalyse von „Dyspnoe-Physical Health Score“ und wählen Sie „Ungleiche Varianz“ aus dem Dropdown-Menü (Abbildung 13).
Abbildung 13 Die Funktionsweise des Homogenitätstests der Varianz
Das Ausgabeergebnis ist in Abbildung 14 dargestellt. Wenn der p-Wert des Varianzhomogenitätstests größer als 0,05 ist, kann davon ausgegangen werden, dass die Varianz homogen ist.
Abbildung 14-Ergebnisse des Homogenitätstests der Varianz
Dieser Fall stellt einen Test auf Homogenität der Varianz der beiden Gruppen dar. Jedes Testergebnis kann ausgewählt werden (da die beiden Gruppen Sonderfälle mehrerer Gruppen sind) und jedes Testergebnis zeigt P<0,05, dann der korrigierte t-Test ( t'-Test) ).
Hinweis: Wenn es sich um einen Test der Varianzhomogenität mehrerer Datensätze handelt, erscheint das Ergebnis des bilateralen F-Tests nicht im Ergebnis.
Im Folgenden sind einige Methoden und Vorsichtsmaßnahmen für den Homogenitätstest aufgeführt, die auf der Normalitätsprüfung der Summe und der Varianz des heute geteilten JMP basieren. Im nächsten Artikel werden wir vorstellen, wie man t test in JMP durchführt. Bleiben Sie dran! Laden Sie JMP herunter und beginnen Sie Ihre Reise zur Datenanalyse.
Original: Wie implementieren Sie den Normalitätstest und den Varianzhomogenitätstest in JMP?
[Empfohlene Lektüre] #10 unverzichtbare Fähigkeiten für die Datenanalyse
