Nel precedente articolo "Una magica tabella di funzioni JMP per realizzare il confronto di tutti i gruppi di dati", abbiamo introdotto i metodi comunemente utilizzati tra i gruppi e le caratteristiche di base delle operazioni JMP. All'inizio di questo articolo, analizzeremo diversi comuni il metodo di confronto tra gruppi e il suo processo operativo vengono introdotti uno per uno. L’articolo di oggi inizierà con confronti di gruppo di variabili continue.
Per i confronti tra gruppi di variabili continue, se si vuole scegliere un metodo di analisi ragionevole, ci sono diversi prerequisiti che devono essere considerati per primi, vale a dire la normalità e l'omogeneità della varianza.
Cosa sono la normalità e l’omogeneità della variazione?
Le forme 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 determinare se la distribuzione complessiva è conforme alla distribuzione normale. Il test di omogeneità del numero di variazione è un test per determinare se il numero di variazione tra ciascun gruppo di campioni è lo stesso.
Nell'applicazione pratica dei confronti tra variabili continue, molte persone spesso commettono l'errore di non considerare se i dati sono conformi alla normalità o alla variazione, ma utilizzano direttamente il test t o l'analisi della variazione (ANOVA) per eseguire analisi statistiche sui dati, e il processo di analisi corretto Il miglior processo di analisi consiste nel dare un'occhiata a come appare la distribuzione dei dati prima di scegliere un metodo.
Il contenuto di questo articolo è quello di introdurre due condizioni importanti che devono essere considerate prima di scegliere un metodo statistico: come giudicare se i dati soddisfano la distribuzione normale e come giudicare se il numero di variazioni tra i gruppi è uguale. Solo quando queste due condizioni sono determinate è possibile selezionare un metodo di analisi ragionevole.
在Il JMPProva di normalità
Successivamente, diamo un'occhiata a come utilizzare la piattaforma "Distribuzione" in JMP per implementare i test di normalità Prendendo come esempio i dati nella (Figura 1), per esplorare se ci sono differenze nei valori BMI dei fumatori e dei non fumatori. -persone che fumano, dobbiamo prima normalizzare i valori del BMI e quindi determinare 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 tra gruppi, i test di normalità devono essere eseguiti in gruppi, ovvero la distribuzione del BMI nei due gruppi di fumatori e non fumatori viene testata separatamente, piuttosto che la distribuzione dei valori di BMI. in tutte le persone. Successivamente, spiegherò come eseguire l'operazione specifica. Innanzitutto, seleziona "Analisi" → "Distribuzione" (Figura 2).
Figura 2 - Diagramma schematico della fase 1 dell'operazione di calibrazione della normalità
Poiché vogliamo esplorare la distribuzione del BMI di due gruppi di persone, fumatori e non fumatori, il BMI è il risultato mentre i fumatori sono il gruppo. Quindi, nella finestra di dialogo, inserisci BMI in "Y, colonna" e inserisci fumo in "Base" (Figura 3). I risultati di output sono mostrati nella Figura 4.
Figura 3 - Diagramma schematico della fase 2 dell'operazione di calibrazione della normalità
Figura 4 – Risultati in uscita
In JMP si vede spesso "base", che significa "separatamente" o "stratificato". Ad esempio, trascinare il fumo nella base significa che le operazioni verranno eseguite rispettivamente su fumatori e non fumatori. Questo è diverso dal significato di "raggruppamento", che significa confronto tra gruppi, come confrontare le differenze tra fumatori e non fumatori. Negli articoli successivi spiegheremo anche questo concetto.
Se non sei abituato a questo tipo di grafico a barre verticale e desideri ruotare il grafico a barre in orizzontale, puoi fare clic sul pulsante triangolo nell'angolo in alto a sinistra dell'interfaccia dei risultati e selezionare "Stack" nel menu a discesa (Figura 5 ).
Figura 5 - Diagramma schematico dell'operazione di impilamento
I risultati di output sono mostrati nella Figura 6. Di seguito sono riportate varie statistiche del BMI rispettivamente per i due gruppi di fumatori e non fumatori, tra cui media, deviazione standard, mediana, primo e terzo quartile, ecc.
Figura 6 – Risultati in uscita
Fare clic sul pulsante del triangolo rosso a sinistra di "BMI" e fare clic su "Adattamento continuo" → "Normalità di adattamento" nel menu a discesa (Figura 7).
Figura 7 - Il terzo passaggio del diagramma operativo della calibrazione della normalità
I risultati dell'adattamento normale sono mostrati nella Figura 8.
Figura 8 Risultati di output
Fare clic sul pulsante del triangolo rosso a sinistra e fare clic su "Buona adattamento" nel menu a discesa (Figura 9) e verranno visualizzati i risultati del test di normalità.
Figura 9 - Diagramma schematico della fase 4 dell'operazione di calibrazione della normalità
Il risultato del test di normalità è mostrato in (Figura 10). Il valore p è pari a 0,9128, che è maggiore di 0,05. Non si può ritenere che la distribuzione normale non sia soddisfatta, cioè la conclusione che "i dati non obbediscono non è possibile tracciare la distribuzione normale". Pertanto, i dati possono essere trattati come una distribuzione normale. analizzare.
Figura 10 – Risultati del test di normalità
Il metodo operativo del test di normalità per il BMI delle persone non fumatori è lo stesso di cui sopra. I risultati sono mostrati nella (Figura 11), che è una distribuzione non normale.
Figura 11 – Risultati del test di normalità
In base ai risultati del test di normalità di cui sopra, dovremmo utilizzare il test della somma dei ranghi per il confronto tra gruppi, perché finché un gruppo di dati nei due insiemi di dati ha una distribuzione non normale, il "test della somma dei ranghi" deve essere utilizzato per il confronto tra gruppi.
在Il JMPRaggiungimento del test di omogeneità del numero di variazione in
Se confrontando tra gruppi si scopre che entrambi i set di dati sono distribuiti normalmente, ciò non significa che il test t possa essere eseguito direttamente. È necessario anche un test di omogeneità del numero di variazione per determinare se si tratta del test t o di quello corretto Il test t dovrebbe essere utilizzato successivamente. Test (t' test).
Cos'è il test di omogeneità della variazione?
Il test di omogeneità della variazione è un test per determinare se le varianze tra i gruppi sono le stesse. Perché abbiamo bisogno di testare l’omogeneità delle variazioni? Perché quando si confrontano i gruppi, se le varianze tra i gruppi sono troppo diverse, le differenze nelle medie verranno nascoste, portando a conclusioni errate.
I metodi comunemente utilizzati per testare l'omogeneità dei numeri di variazione includono:
F Test bilaterale, test di Brown-Forsythe, test di Levene, checksum di Bartlett e test di O'Brien. Tra questi, il test bilaterale F viene utilizzato per testare l'omogeneità dei numeri di variazione in due insiemi di dati; gli altri vengono utilizzati per testare l'omogeneità dei numeri di variazione in più insiemi di dati. In pratica, il metodo di Levene e il metodo di Bartlett sono più comunemente utilizzati utilizzato, ma il metodo di Bartlett può essere utilizzato solo per i dati normali, il metodo Levene può essere utilizzato anche per dati non normali, con una gamma più ampia di applicazioni.
Prendendo come esempio i dati in (Figura 1), se si analizza se ci sono differenze nei punteggi di salute fisica di persone con diversi gradi di dispnea, si effettuerà prima un test di normalità se i risultati del test rilevano entrambi i set di dati sono distribuiti normalmente, eseguirai un test di variazione omogenea.
Il test di omogeneità di variazione è un passo importante nel confronto tra gruppi e il suo funzionamento è implementato nel modulo "Adatta Y con X" del menu JMP. Nell’articolo precedente abbiamo brevemente introdotto l’operazione di confronto tra gruppi.
Scegli Analizza → Adatta Y per X. In questo esempio, il risultato è il punteggio della salute fisica e il grado di dispnea è il gruppo. Pertanto, nella finestra di dialogo, inserire il punteggio della salute fisica in "Y, risposta" e il grado di dispnea in "X, fattore". Vedere l'operazione (Figura 12).
Figura 12 – Operazione di verifica delle discrepanze
Fare clic sul pulsante del triangolo rosso accanto all'analisi a fattore singolo "Dispnea-punteggio salute fisica" e selezionare "Varianze disuguali" nel menu a discesa (Figura 13).
Figura 13 Operazione di test di omogeneità di variazione
I risultati di output sono mostrati nella Figura 14. Se il valore p del test di omogeneità delle varianti è maggiore di 0,05, le varianti possono essere considerate omogenee.
Figura 14 – Risultati del test di omogeneità del numero di variazione
Questo caso è un test per l'omogeneità dei numeri di variazione in due gruppi. È possibile scegliere qualsiasi risultato del test (perché i due gruppi sono casi speciali di più gruppi. Se ciascun risultato del test mostra P<0,05, il test t corretto (t'). test).
Nota: se si tratta di un test di omogeneità di variazione per più serie di dati, i risultati del test F bilaterale non verranno visualizzati nei risultati.
Quelli sopra riportati sono alcuni metodi e precauzioni per il test di omogeneità della variazione del checksum della normalità basato su JMP condiviso oggi. Nel prossimo articolo introdurremo come eseguire il t-test in JMP. Rimani sintonizzato! Scarica JMP e inizia il tuo percorso di analisi dei dati.
Testo originale: Come implementare il test di normalità e il test di omogeneità della varianza in JMP?
[Lettura consigliata] #10 competenze indispensabili per l'analisi dei dati
