比率の有意な2標本検定ですが、有意なカイ2乗ではありませんこんにちは、みんな
いくつかの合否テストのデータを使用しています。ここでは、左右にグループ化されたいくつかのサンプルでパフォーマンスの違いが観察されています。 これが実際の違いなのか、それとも統計的分散による変動なのかを分析しようとしています。 これは、JMPの偶発性分析（Fit X by Y）フレームワークを使用して行っています。
問題は、以下に示す結果に少し混乱していることです。 95％の信頼度を仮定すると、カイ2乗検定は、合格したデバイスと失敗したデバイスの比率が、それらが左または右のサンプルであるかどうかに依存していないように見えることを示しています。
ここで、比率の2サンプルテストを実行して、右側のサンプルのオフパスの確率が左側のパスの数以下になるかどうかをテストすると、この仮説を棄却できることがわかります。これは、右側のパスが正しいことを意味します。サイドサンプルは高くなっています。
これらの2つのテストは異なるタイプの仮説をテストすることを私は知っていますが、結論に対するこれらは互いに矛盾しているように思われます。
最後に、2つのサンプルの検定を見ると、P（pass | right）-P（pass | left）の差の信頼区間が-0.7％から9.4％になっていることがわかります。これは、私にとって驚くべきことに、すぐ上の2つのサンプルテスト。 この間隔のすべての値がゼロ以上であってはなりませんか？
すべてのコメントや提案は、これらすべての優れたツールを理解するのに役立ちます。 
分析ウィンドウズRe：比率の有意な2標本検定ですが、有意なカイ2乗ではありません2つのサンプルの検定は、ゼロを含む信頼区間を示しています。これは、比較する両側検定であるため、仮説検定と一致しています。どちらの場合も、5％の信頼水準を条件として、平等の仮説を棄却することはできません。カイ二乗結果とWald検定の違いには、私よりも深い統計知識を持った人が必要です。しかし、数値はそれほど変わらないことに注意します。また、カイ2乗検定にはいくつかの代替結果があることにも注意します（ここでも、違いを説明するために私よりも深い知識が必要です）。同一の数値結果は期待できませんが、質的には非常に類似していることがわかります。
Re：比率の有意な2標本検定ですが、有意なカイ2乗ではありませんデールありがとう。
しかし、そのとき示された結果に基づいて、左側のタイプのデバイスは大幅に故障しやすいと結論付けるのは正しいと思いますか？
このロジックに従う：
HA：P（パス|右）-P（パス|左）> 0
H0：P（パス|右）-P（パス|左）≤0
重要性：0.0455
95％の信頼水準が与えられた場合、帰無仮説を棄却し、対立仮説を受け入れることができます。右タイプデバイスに合格左タイプのデバイスより。 逆に、左タイプデバイスに不合格適切なタイプのデバイスより
