比较手段使用不同的方法给出不同的结果大家好，
我有一个关于在 JMP 15 中比较均值的快速问题。我的数据由两个变量组成：
这独立的变量是具有四个级别（高、中、低和极低）的序数变量，而因变量是连续的。
我想比较四组（高、中、低和极低）的平均值，看看它们之间是否存在统计差异。当我使用（所有对 Tukey-Cramer 方法）时，没有统计发现差异一切手段之间。 但是，当我使用（每对学生的 t 方法）时，统计区别发现介于“非常低”和“高”水平之间。
我的问题是：
1-为什么这两种方法之间存在差异？
2-应该使用哪一种？
先感谢您，
分析回复：比较手段使用不同的方法给出不同的结果我相信这在文档中有所涉及，但简单地说，比较每对假装您拥有的唯一数据是正在比较的每一对（即，它等效于对每对组进行子集化并单独测试差异） .Tukey HSD 考虑到您正在进行多重比较，并确保 1 类错误的概率反映了对之间差异测试的总体情况。因此，如果您进行 100 次测试（要比较的多个组），即使您在每个成对测试中发现 p<.05，其中一些测试也很有可能会产生类型 1 错误。Tukey 的限制要大得多（而且越多，您拥有的组越多），因为每个成对测试都受到更严格的审查，以确保您出现 1 类错误的总体概率涵盖您将进行的所有测试。
两两比较几乎肯定是太松懈了。但是对于许多团体，我发现 Tukey 可能过于严格了。两者都值得做——当结果在质量上不同时，对你的结论保持谦虚（至少比两种方法给出相同的定性结论时更谦虚）。
回复：比较手段使用不同的方法给出不同的结果你好@破冰船,
作为@dale_lehman解释说，Tukey 通过将总体第一类错误保持在 5% 来控制多重比较。 此外，它假设各组之间的方差相等。
在这种情况下，我将使用 Bonferroni 校正再次执行比较测试。 为此，将 5%（或您希望允许的任何类型的错误）除以您拥有的成对比较的数量（4 个不同类别的 6 个）。 在运行模型之前，在拟合模型平台的红色三角形中，将 alpha 级别设置为该新值 (0.008)。 然后执行 t 检验多重比较并再次检查结果。
最重要的是，我建议您检查成对比较表，并问自己每对重要的对是否也有有意义的不同 - 该组是否意味着您在现实世界中有所不同。 如果您看到两个具有两个不同值的观察结果，您是否可以说它们有很大不同，并且认为它们无关紧要并不能达到研究的目的。 我发现令人惊讶的是，有这么多人在报告重要性时并不确定情况是否如此。
