Comparer les moyennes en utilisant différentes méthodes donne des résultats différentsSalut tout le monde,
J'ai une petite question sur la comparaison des moyennes dans JMP 15.Mes données sont composées de deux variables :
le indépendant La variable est une variable ordinale à quatre niveaux (élevé, moyen, faible et très faible), tandis que la variable dépendante est continue.
Je souhaite comparer les moyennes de quatre groupes (élevé, moyen, faible et très faible) pour voir s'il existe une différence statistique entre eux ou non. quand j'ai utilisé (méthode Tukey-Cramer toutes paires), pas de statistique la différence a été trouvée entre tous les moyens. Cependant, lorsque j'ai utilisé (la méthode t de chaque élève en paire), un statistique différence entre les niveaux « très bas » et « élevés ».
Ma question est:
1- pourquoi y a-t-il une différence entre les deux méthodes ?
2- lequel faut-il utiliser ?
Merci d'avance,
Modélisation statistique avancéeMélange et nettoyage des donnéesIngénierie Qualité et ProcédésRe : Comparer les moyennes en utilisant différentes méthodes donne des résultats différentsje veux dire, demander le test t de l'élève et son rapport sur les différences ordonnées. Comme dans les images suivantes.
Re : Comparer les moyennes en utilisant différentes méthodes donne des résultats différentsMerci @dale_lehman pour votre réponse détaillée.
Re : Comparer les moyennes en utilisant différentes méthodes donne des résultats différentsSalut @iron_horne,
Merci pour vos commentaires,
J'ai fait la correction Bonferroni comme vous l'avez expliqué. mais je ne comprends pas qu'entendez-vous par effectuer le test t de comparaisons multiples ? est-ce que c'est toutes les paires, Tukey HSD ?
Re : Comparer les moyennes en utilisant différentes méthodes donne des résultats différentsSalut @IceBreaker ,
comme @dale_lehman expliqué, Tukey contrôle les comparaisons multiples en maintenant une erreur globale de type 1 à 5 %. De plus, cela suppose des variances égales entre les groupes.
dans cette situation, j'effectuerais à nouveau le test de comparaison en utilisant la correction Bonferroni. Pour ce faire, divisez 5 % (ou toute erreur de type I que vous souhaitez autoriser) par le nombre de comparaisons par paires dont vous disposez (6 pour 4 catégories différentes). Avant d'exécuter le modèle, dans le triangle rouge de la plateforme d'ajustement du modèle, définissez le niveau alpha sur cette nouvelle valeur (0,008). Effectuez ensuite le test t plusieurs comparaisons et inspectez à nouveau les résultats.
Plus important encore, je vous suggère d'inspecter le tableau de comparaisons par paires et de vous demander pour chaque paire significative si elle est également significativement différente - les moyens de groupe que vous avez sont-ils différents dans le monde réel. SI vous voyiez deux observations avec des valeurs différentes, seriez-vous en mesure de dire qu'elles sont substantiellement différentes et que les considérer comme indifférentes ne sert pas le but de l'étude. Je trouve frappant de voir combien de personnes ne s'assurent pas que c'est bien le cas lorsqu'elles rendent compte de l'importance d'un événement.
Re : Comparer les moyennes en utilisant différentes méthodes donne des résultats différentsJe crois que cela est couvert dans la documentation, mais brièvement, la comparaison de chaque paire prétend que les seules données dont vous disposez sont chaque paire comparée (c'est-à-dire que cela équivaut à sous-ensembler chaque paire de groupes et à tester une différence, de manière isolée) .Le Tukey HSD prend en compte le fait que vous effectuez des comparaisons multiples et garantit que la probabilité d'une erreur de type 1 reflète la totalité des tests de différences entre les paires.Ainsi, si vous effectuiez 100 tests (de nombreux groupes à comparer), il y a une chance non négligeable que même si vous trouvez p < 0,05 dans chacun des tests par paires, certains d'entre eux produiront des erreurs de type 1.Tukey est beaucoup plus restrictif (et plus encore, plus vous avez de groupes) dans la mesure où chaque test par paire est soumis à un examen beaucoup plus minutieux pour garantir que votre probabilité globale d'erreur de type 1 couvre tous les tests que vous effectuerez.
La comparaison par paire est certainement trop laxiste.Mais avec de nombreux groupes, j’ai trouvé Tukey peut-être trop restrictif.Cela vaut la peine de faire les deux – et lorsque les résultats diffèrent qualitativement, soyez humble dans vos conclusions (au moins plus humble que si les deux approches donnaient les mêmes conclusions qualitatives).
