Dans l'article précédent "Une table de fonctions JMP magique pour réaliser la comparaison de tous les groupes de données", nous avons présenté les méthodes couramment utilisées entre les groupes et les fonctionnalités de base des opérations JMP. Au début de cet article, nous analyserons plusieurs éléments courants. la méthode de comparaison inter-groupes et son processus de fonctionnement sont présentés un par un. L'article d'aujourd'hui commencera par des comparaisons de groupe de variables continues.
Pour les comparaisons inter-groupes de variables continues, si l'on souhaite choisir une méthode d'analyse raisonnable, plusieurs conditions préalables doivent être considérées en premier, à savoir la normalité et l'homogénéité de la variance.
Que sont la normalité et l’homogénéité des variations ?
Les formes courantes de distribution de données incluent la distribution normale, la distribution de Poisson, la distribution exponentielle, etc. Le test de normalité fait référence au test permettant de déterminer si la distribution globale est conforme à la distribution normale. Le test d'homogénéité du nombre de variations est un test permettant de déterminer si le nombre de variations entre chaque groupe d'échantillons est le même.
Dans l'application pratique de la comparaison entre des groupes de variables continues, une erreur courante que font de nombreuses personnes est de ne pas considérer si les données sont conformes à la normalité ou à la variation, mais d'utiliser directement le test t ou l'analyse de variation (ANOVA) pour effectuer une analyse statistique sur les données et la bonne Le meilleur processus d'analyse consiste à examiner à quoi ressemble la distribution de vos données avant de choisir une méthode.
Le contenu de cet article est d'introduire deux conditions importantes qui doivent être prises en compte avant de choisir une méthode statistique : comment juger si les données satisfont à la distribution normale et comment juger si le nombre de variations entre les groupes est égal. Ce n'est que lorsque ces deux conditions sont déterminées qu'une méthode d'analyse raisonnable peut être sélectionnée.
在JMPTest de normalité
Voyons ensuite comment utiliser la plateforme « Distribution » dans JMP pour mettre en œuvre des tests de normalité en prenant les données de la figure 1 comme exemple, pour déterminer s'il existe des différences dans les valeurs d'IMC liées au tabagisme. et les personnes non-fumeurs, nous devons d'abord normaliser les valeurs du test de l'IMC, puis déterminer si le test t ou le test de la somme des rangs doit être utilisé en fonction de la distribution des données.
Figure 1 - Données utilisées dans cet article
Il convient de noter que lors des comparaisons entre groupes, les tests de normalité doivent être effectués en groupes, c'est-à-dire que la distribution de l'IMC dans les deux groupes de fumeurs et de non-fumeurs est testée séparément, plutôt que la distribution des valeurs de l'IMC. chez tous les gens. Ensuite, je vais vous expliquer comment effectuer l'opération spécifique. Tout d'abord, sélectionnez « Analyse » → « Distribution » (Figure 2).
Figure 2 - Diagramme schématique de l'opération d'étalonnage de normalité étape 1
Parce que nous souhaitons explorer la répartition de l'IMC de deux groupes de personnes, fumeurs et non-fumeurs, l'IMC est le résultat et le tabagisme est le groupe. Ainsi, dans la boîte de dialogue, mettez l'IMC dans « Y, colonne » ; mettez le tabagisme dans « Basé » (Figure 3). Les résultats de sortie sont présentés dans la figure 4.
Figure 3 - Diagramme schématique de l'opération d'étalonnage de normalité étape 2
Figure 4 - Résultats de sortie
Vous voyez souvent « base » dans JMP, ce qui signifie « séparément » ou « stratifié ». Par exemple, faire glisser le tabagisme dans la base signifie que les opérations seront effectuées respectivement sur les fumeurs et les non-fumeurs. Ceci est différent du sens de « regroupement », qui signifie comparaison entre groupes, comme comparer les différences entre fumeurs et non-fumeurs. Dans les articles suivants, nous expliquerons également ce concept.
Si vous n'êtes pas habitué à ce type de graphique à barres verticales 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 des résultats et sélectionner « Pile » dans le menu déroulant (Figure 5). ).
Figure 5 - Schéma de principe de l'opération d'empilage
Les résultats de sortie sont présentés dans la figure 6. Voici diverses statistiques d'IMC pour les deux groupes de fumeurs et de non-fumeurs respectivement, y compris la moyenne, l'écart type, la médiane, les premier et troisième quartiles, etc.
Figure 6 - Résultats de sortie
Cliquez sur le bouton triangle rouge à gauche de « IMC » et cliquez sur « Ajustement continu » → « Normalité d’ajustement » dans le menu déroulant (Figure 7).
Figure 7 - Diagramme schématique de l'opération d'étalonnage de normalité étape 3
Les résultats d’un ajustement normal sont présentés à la figure 8.
Figure 8 Résultats de sortie
Cliquez sur le bouton triangle rouge à gauche et cliquez sur « Qualité de l'ajustement » dans le menu déroulant (Figure 9), et les résultats du test de normalité seront affichés.
Figure 9 - Diagramme schématique de l'opération d'étalonnage de normalité étape 4
Le résultat du test de normalité est présenté dans (Figure 10). La valeur p est égale à 0,9128, ce qui est supérieur à 0,05. On ne peut pas considérer que la distribution normale n'est pas satisfaite, c'est-à-dire la conclusion selon laquelle « les données n'obéissent pas ». la distribution normale" ne peut pas être tracée. Par conséquent, les données peuvent être traitées comme une distribution normale. analyser.
Figure 10 - Résultats des tests de normalité
La méthode de fonctionnement du test de normalité pour l'IMC des non-fumeurs est la même que ci-dessus. Les résultats sont présentés dans la figure 11, qui est une distribution non normale.
Figure 11 - Résultats des tests de normalité
D'après les résultats du test de normalité ci-dessus, nous devrions utiliser le test de somme des rangs pour comparer les groupes, car tant qu'un groupe de données dans les deux ensembles de données a une distribution non normale, le « test de somme des rangs » doit être utilisé pour la comparaison entre les groupes.
在JMPRéalisation du test d'homogénéité du numéro de variation 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. Un test d'homogénéité du nombre de variation est également nécessaire pour déterminer s'il s'agit du test t ou du test corrigé. Le test t doit être utilisé ensuite. Test (t'test).
Qu’est-ce que le test d’homogénéité de variation ?
Le test d'homogénéité de variation est un test permettant de déterminer si les variances entre les groupes sont les mêmes. Pourquoi faut-il tester l’homogénéité des variations ? Car lors de la comparaison de groupes, si les écarts entre les groupes sont trop différents, les différences de moyennes seront masquées, conduisant à des conclusions erronées.
Les méthodes couramment utilisées pour tester l’homogénéité des nombres de variations comprennent :
F Test bilatéral, test de Brown-Forsythe, test de Levene, somme de contrôle de Bartlett et test d'O'Brien. Parmi eux, le test bilatéral F est utilisé pour tester l'homogénéité des nombres de variation dans deux ensembles de données ; les autres sont utilisés pour tester l'homogénéité des nombres de variation dans plusieurs ensembles de données. En pratique, la méthode de Levene et la méthode de Bartlett sont plus couramment utilisées. utilisée, mais la méthode de Bartlett ne peut être utilisée que pour la normalité. Pour les données, la méthode de Levene peut également être utilisée pour les données non normales, avec une gamme d'applications plus large.
En prenant les données de la figure 1 comme exemple, si vous analysez s'il existe des différences dans les scores de santé physique des personnes présentant différents degrés de dyspnée, vous effectuerez d'abord un test de normalité si les résultats du test révèlent que les deux ensembles de données. sont normalement distribués, vous effectuerez alors un test de variation homogène.
Le test d'homogénéité des variations est une étape importante dans la comparaison entre les groupes, et son fonctionnement est implémenté dans le module de table de fonctions JMP "Ajuster Y avec X". Dans l’article précédent, nous avons brièvement présenté l’opération de comparaison entre groupes.
Choisissez Analyser → Ajuster Y par X. Dans cet exemple, le score de santé physique est le résultat et le degré de dyspnée est le groupe. Par conséquent, dans la boîte de dialogue, mettez le score de santé physique en « Y, réponse » et le degré de dyspnée en « X, facteur ». Voir l'opération (Figure 12).
Figure 12 - Opération de vérification des écarts
Cliquez sur le bouton triangle rouge à côté de l’analyse à facteur unique « Dyspnée-Physical Health Score » et sélectionnez « Variances inégales » dans le menu déroulant (Figure 13).
Figure 13 Opération de test d'homogénéité de variation
Les résultats de sortie sont présentés dans la figure 14. Si la valeur p du test d'homogénéité des variantes est supérieure à 0,05, les variantes peuvent être considérées comme homogènes.
Figure 14 - Résultats des tests d'homogénéité des variations
Ce cas est un test d'homogénéité des nombres de variation dans deux groupes. Vous pouvez choisir n'importe quel résultat de test (car les deux groupes sont des cas particuliers de plusieurs groupes). Si chaque résultat de test montre P <0,05, le test t corrigé (t'). test).
Remarque : S'il s'agit d'un test d'homogénéité de variation pour plusieurs ensembles de données, les résultats du test bilatéral F n'apparaîtront pas dans les résultats.
Vous trouverez ci-dessus quelques méthodes et précautions pour le test d'homogénéité de variation de somme de contrôle de normalité basé sur JMP et 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.
Texte original : Comment implémenter le test de normalité et le test d'homogénéité de variance dans JMP ?
[Lecture recommandée] #10 compétences incontournables pour l'analyse des données
