Im vorherigen Artikel „Eine magische JMP-Funktionstabelle zur Realisierung des Vergleichs aller Datengruppen“ haben wir die häufig verwendeten Methoden zwischen Gruppen und die Grundfunktionen von JMP-Operationen vorgestellt. Zu Beginn dieses Artikels werden wir mehrere gängige Methoden analysieren Die Methode des Gruppenvergleichs und ihr Betriebsprozess werden nacheinander vorgestellt. Der heutige Artikel beginnt mit Gruppenvergleichen kontinuierlicher Variablen.
Wenn Sie für Gruppenvergleiche kontinuierlicher Variablen eine sinnvolle Analysemethode auswählen möchten, müssen zunächst mehrere Voraussetzungen berücksichtigt werden, nämlich Normalität und Homogenität der Varianz.
Was sind Normalität und Variationshomogenität?
Zu den gängigen Datenverteilungsformen gehören Normalverteilung, Poisson-Verteilung, Exponentialverteilung usw. Der Normalitätstest bezieht sich auf den Test, um zu bestimmen, ob die Gesamtverteilung der Normalverteilung entspricht. Der Homogenitätstest der Variationszahl ist ein Test, um festzustellen, ob die Anzahl der Variationen zwischen den einzelnen Probengruppen gleich ist.
Bei der praktischen Anwendung von Vergleichen zwischen kontinuierlichen Variablen machen viele Menschen oft den Fehler, nicht zu berücksichtigen, ob die Daten der Normalität oder Variation entsprechen, sondern direkt den t-Test oder die Variationsanalyse (ANOVA) zu verwenden, um eine statistische Analyse der Daten durchzuführen Der richtige Analyseprozess besteht darin, einen Blick darauf zu werfen, wie Ihre Datenverteilung aussieht, bevor Sie sich für eine Methode entscheiden.
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 die Normalverteilung erfüllen, und wie beurteilt man, ob die Anzahl der Variationen zwischen Gruppen gleich ist? Erst wenn diese beiden Bedingungen geklärt sind, kann eine sinnvolle Analysemethode ausgewählt werden.
在JMPNormalitätstest
Schauen wir uns als Nächstes an, wie die „Distribution“-Plattform in JMP zum Implementieren von Normalitätstests verwendet wird. Am Beispiel der Daten in (Abbildung 1) untersuchen wir, ob es Unterschiede in den BMI-Werten von Rauchern und Nichtrauchern gibt Bei Rauchern müssen wir zunächst die BMI-Werte normalisieren und dann anhand der Datenverteilung bestimmen, ob der T-Test oder der Rangsummentest verwendet werden soll.
Abbildung 1 – In diesem Artikel verwendete Daten
Es ist zu beachten, dass bei Vergleichen zwischen Gruppen die Normalitätsprüfung in Gruppen durchgeführt werden muss, d. h. die Verteilung des BMI in den beiden Gruppen Raucher und Nichtraucher wird separat getestet und nicht die Verteilung der BMI-Werte bei allen Menschen. Als nächstes erkläre ich, wie die jeweilige Operation durchgeführt wird. Wählen Sie zunächst „Analyse“ → „Verteilung“ (Abbildung 2).
Abbildung 2 – Schematische Darstellung des Normalitätskalibrierungsvorgangs Schritt 1
Da wir die BMI-Verteilung von zwei Gruppen von Menschen, Rauchern und Nichtrauchern, untersuchen möchten, ist der BMI das Ergebnis und die Raucher die Gruppe. Geben Sie im Dialogfeld den BMI in die Spalte „Y“ und das Rauchen in die Spalte „Basiert“ ein (Abbildung 3). Die Ausgabeergebnisse sind in Abbildung 4 dargestellt.
Abbildung 3 – Schematische Darstellung des Normalitätskalibrierungsvorgangs Schritt 2
Abbildung 4 – Ausgabeergebnisse
In JMP wird häufig „Basis“ verwendet, was „getrennt“ oder „geschichtet“ bedeutet. Wenn Sie beispielsweise das Rauchen in die Basis ziehen, bedeutet dies, dass Operationen jeweils an Rauchern und Nichtrauchern durchgeführt werden. Dies unterscheidet sich von der Bedeutung von „Gruppierung“, was einen Vergleich zwischen Gruppen bedeutet, beispielsweise den Vergleich der Unterschiede zwischen Rauchern und Nichtrauchern. In den folgenden Artikeln werden wir dieses Konzept ebenfalls erläutern.
Wenn Sie mit dieser Art von vertikalen Balkendiagrammen 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 „Stapel“ auswählen (Abbildung 5). ).
Abbildung 5 – Schematische Darstellung des Stapelvorgangs
Die Ausgabeergebnisse sind in Abbildung 6 dargestellt. Hier finden Sie verschiedene Statistiken zum BMI für die beiden Gruppen Raucher bzw. Nichtraucher, einschließlich Mittelwert, Standardabweichung, Median, erstes und drittes Quartil usw.
Abbildung 6 – Ausgabeergebnisse
Klicken Sie auf die rote Dreiecksschaltfläche links neben „BMI“ und klicken Sie im Dropdown-Menü auf „Kontinuierliche Anpassung“ → „Anpassungsnormalität“ (Abbildung 7).
Abbildung 7 – Schematische Darstellung des Normalitätskalibrierungsvorgangs Schritt 3
Die Ergebnisse der normalen Anpassung sind in Abbildung 8 dargestellt.
Abbildung 8 Ausgabeergebnisse
Klicken Sie links auf die Schaltfläche mit dem roten Dreieck und dann im Dropdown-Menü auf „Anpassungsgüte“ (Abbildung 9). Die Ergebnisse des Normalitätstests werden angezeigt.
Abbildung 9 – Schematische Darstellung des Normalitätskalibrierungsvorgangs Schritt 4
Das Ergebnis des Normalitätstests ist in (Abbildung 10) dargestellt. Der p-Wert beträgt 0,9128, was größer als 0,05 ist. Es kann nicht davon ausgegangen werden, dass die Normalverteilung nicht erfüllt ist, d Die „Normalverteilung“ kann nicht gezeichnet werden. Daher können die Daten als Normalverteilung behandelt werden. analysieren.
Abbildung 10 – Ergebnisse des Normalitätstests
Die Normalitätstestmethode für den BMI von Nichtrauchern ist die gleiche wie oben. Die Ergebnisse sind in (Abbildung 11) dargestellt, bei der es sich um eine Nichtnormalverteilung handelt.
Abbildung 11 – Ergebnisse des Normalitätstests
Gemäß den obigen Ergebnissen des Normalitätstests sollten wir den Rangsummentest zum Vergleich zwischen Gruppen verwenden, denn solange eine Datengruppe in den beiden Datensätzen eine Nichtnormalverteilung aufweist, muss der „Rangsummentest“ vorhanden sein Wird zum Vergleich zwischen Gruppen verwendet.
在JMPDurchführung eines Variationszahl-Homogenitätstests in
Wenn beim Vergleich zwischen Gruppen festgestellt wird, dass beide Datensätze normalverteilt sind, bedeutet dies nicht, dass der t-Test direkt durchgeführt werden kann. Es ist auch ein Homogenitätstest der Variationszahl erforderlich, um festzustellen, ob der t-Test oder der korrigierte ist Als nächstes sollte der t-Test (t'-Test) verwendet werden.
Was ist ein Variationshomogenitätstest?
Der Variationshomogenitätstest ist ein Test, um festzustellen, ob die Varianzen zwischen Gruppen gleich sind. Warum müssen wir die Homogenität von Variationen testen? Denn wenn beim Gruppenvergleich die Varianzen zwischen den Gruppen zu unterschiedlich sind, werden die Mittelwertunterschiede verdeckt, was zu falschen Schlussfolgerungen führt.
Zu den häufig verwendeten Methoden zum Testen der Homogenität von Variationszahlen gehören:
F Bilateraler Test, Brown-Forsythe-Test, Levene-Test, Bartlett-Prüfsumme und O'Brien-Test. Unter ihnen wird der F-bilaterale Test verwendet, um die Homogenität von Variationszahlen in zwei Datensätzen zu testen; die anderen werden verwendet, um die Homogenität von Variationszahlen in mehreren Datensätzen zu testen. In der Praxis werden Levenes Methode und Bartletts Methode häufiger verwendet verwendet, aber Bartletts Methode kann nur für Normalitätsdaten verwendet werden, die Levene-Methode kann auch für nicht normale Daten mit einem breiteren Anwendungsbereich verwendet werden.
Wenn Sie anhand der Daten in (Abbildung 1) analysieren, ob es Unterschiede in den körperlichen Gesundheitswerten von Personen mit unterschiedlichem Grad an Dyspnoe gibt, führen Sie zunächst einen Normalitätstest durch normalverteilt sind, führen Sie einen homogenen Variationstest durch.
Der Variationshomogenitätstest ist ein wichtiger Schritt beim Vergleich zwischen Gruppen und seine Durchführung ist im JMP-Funktionstabellenmodul „Fit Y with X“ implementiert. Im vorherigen Artikel haben wir die Vergleichsoperation zwischen Gruppen kurz vorgestellt.
Wählen Sie „Analysieren→Y an X anpassen“. In diesem Beispiel ist der körperliche Gesundheitswert das Ergebnis und der Grad der Dyspnoe die Gruppe. Geben Sie daher im Dialogfeld den physischen Gesundheitswert in „Y, Reaktion“ und den Grad der Dyspnoe in „X, Faktor“ ein. Siehe die Operation (Abbildung 12).
Abbildung 12 – Diskrepanzüberprüfungsvorgang
Klicken Sie auf die rote Dreiecksschaltfläche neben der Einzelfaktoranalyse „Dyspnoe-Physical Health Score“ und wählen Sie „Ungleiche Varianzen“ im Dropdown-Menü (Abbildung 13).
Abbildung 13 Variationshomogenitätstest
Die Ausgabeergebnisse sind in Abbildung 14 dargestellt. Wenn der p-Wert des Homogenitätstests der Varianten größer als 0,05 ist, können die Varianten als homogen betrachtet werden.
Abbildung 14 – Ergebnisse des Variationszahl-Homogenitätstests
Bei diesem Fall handelt es sich um einen Test für die Homogenität der Variationszahlen in zwei Gruppen. Sie können ein beliebiges Testergebnis auswählen (da die beiden Gruppen Sonderfälle mehrerer Gruppen sind). Wenn jedes Testergebnis P<0,05 zeigt, beträgt der korrigierte t-Test (t'). prüfen).
Hinweis: Wenn es sich um einen Variationshomogenitätstest für mehrere Datensätze handelt, werden die Ergebnisse des bilateralen F-Tests nicht in den Ergebnissen angezeigt.
Im Folgenden sind einige Methoden und Vorsichtsmaßnahmen für den heute vorgestellten JMP-basierten Normalitätsprüfsummen-Variations-Homogenitätstest aufgeführt. Im nächsten Artikel stellen wir vor, wie man T-Tests in JMP durchführt. Bleiben Sie dran! Laden Sie JMP herunter und beginnen Sie Ihre Reise zur Datenanalyse.
Originaltext: Wie implementiert man einen Normalitätstest und einen Varianzhomogenitätstest in JMP?
[Empfohlene Lektüre] Nr. 10 der Fähigkeiten, die Sie für die Datenanalyse erlernen müssen
