Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Je suis d'accord avec cet exemple de grincer des dents - une incompréhension classique de l'absence de preuve ne signifiant pas une preuve d'absence.Veuillez considérer le classique, mais moins simple : « l'intervalle de confiance à 95 % va de x à y, ce qui signifie que je suis sûr à 95 % que le véritable effet se situe entre x et y ».Je pense que c'est bien de dire cela, même si je sais que la déclaration correcte est que "95 % de tous les échantillons aléatoires construits de cette manière contiendront le véritable effet".Bien sûr, nous ne savons pas si notre échantillon est l'un de ces 95 % ou l'un des 5 % qui ne contiennent pas le véritable effet de population, et il le fait ou non.Mais, étant donné le seul échantillon dont nous disposons, je pense que le mieux que nous puissions dire est la première déclaration citée, bien qu'elle ne soit techniquement pas correcte.
J'aimerais savoir ce que les autres pensent de cet exemple.Les statisticiens adorent souligner à quel point cette mauvaise interprétation de l'intervalle de confiance est courante, alors que je peux tout à fait la comprendre.Et j'avoue donner aux étudiants la liberté de l'interpréter à tort (bien qu'au moins j'indique quelle est l'interprétation correcte).Le problème avec l'interprétation correcte est qu'elle ne nous laisse pas en mesure de dire quoi que ce soit sur l'échantillon que nous avons réellement.
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Je vais jouer... Mon préféré est en fait assez simple... Utiliser l'expression "statistiquement significative" appliquée n'importe où sans contexte. Il est intéressant de noter que si vous demandez à quelqu'un s'il est plus susceptible de croire quelque chose lorsque la phrase statistiquement significatif est ajouté qu'ils répondent oui sans rien savoir des comparaisons en cours.
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Hey @P_Bartell !Je suis content d'avoir de tes nouvelles!
Merci pour la réponse!!Nous mettrons ces idées dans ma liste (croissante) de déclarations dignes d'intérêt et nous les évoquerons dans les prochains articles !
Portez-vous bien, mon ami!
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Merci @statman !Plus de bon fourrage pour les futurs messages.
Continuez les commentaires !!
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1+ Aucune mention d'un contrôle de normalité
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Élargir un peu la discussion - pour moi, cela ne semble pas louche dès le début. À mon avis, cela peut toujours être une décision valable. Bien sûr, comme d'autres l'ont déjà souligné, il peut manquer beaucoup d'informations supplémentaires pour faire confiance à cette décision. Donc, à mes yeux, cela dépend du contexte de la déclaration, et de qui l'a formulée. Et au fait, quelle serait la bonne affirmation avec le même nombre de mots ?
De plus, bien que j'aime parfois les discussions sur la bonne formulation - les termes sont importants, je n'aime pas ériger un mur entre les statisticiens et les ingénieurs de processus qui n'ont pas une connaissance approfondie des statistiques. Mais ces derniers connaissent leurs données et leurs processus. Et comme nous pouvons l'imaginer, il y a beaucoup de choses qui sont encore plus importantes sous la table nue des nombres. Cela pourrait être l'environnement de l'échantillonnage des données ainsi que les conséquences de la décision prise, comme @P_Bartell déjà indiqué. Les décisions doivent toujours être prises par des humains, pas par des machines.
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1j'aime beaucoup @George dernière phrase de sa réponse ci-dessus. En tant que statisticien travaillant sur des équipes de commercialisation de processus/produits ou d'actions correctives depuis plus de 20 ans dans l'industrie, je disais souvent aux ingénieurs, aux scientifiques et aux managers avec qui j'ai travaillé : « Le jour où vous me laissez, un statisticien, vous dire comment gérer votre processus est le jour où votre route vers la ruine commence. Vous avez oublié plus de vos processus/produits que je ne le saurai jamais."
Ou comme Walter Shewhart l'a écrit (paraphrasé par moi) : "La contribution à long terme des statistiques ne dépend pas tant de la création d'un groupe de statisticiens que de la création d'un groupe d'ingénieurs, de scientifiques, de personnel de production et d'autres à l'esprit statistique."
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1En plus des autres problèmes mentionnés dans les messages précédents,
1) Lors du test d'équivalence de moyens, le caractère latéral du test doit être spécifié a priori. Sauf indication contraire, le test d'équivalence moyenne implique généralement un test bilatéral, auquel cas alpha, la probabilité d'erreur de type I de 5 %, est la somme de l'aire des queues supérieure et inférieure de la distribution nulle. Dans presque tous les cas, cette probabilité est divisée également, de sorte que la zone de queue à laquelle la valeur p doit être comparée doit être alpha/2, qui est de 0,025 et non de 0,05.
** EDIT : JMP s'occupe de cela pour vous en doublant la queue qu'il a trouvée en utilisant la statistique critique, mais si vous faisiez cela "à la main", vous finiriez par rejeter pour une zone à queue unique de < 0,025.
2) « 95 % de confiance dans les résultats » est ignoble car il comprend mal l'idée principale derrière un test d'hypothèse. Vous pouvez être sûr à 100 % qu'en exécutant un test d'hypothèse au niveau de signification 0,05, vous aurez utilisé une certaine procédure (si vous avez fait les choses correctement). Lorsque les moyennes des 2 distributions sont en fait les mêmes, sur le long terme (et en supposant que toutes les hypothèses soient vérifiées), 5% du temps, cette procédure produira une statistique de test qui aboutira à une conclusion de moyennes différentes, en raison de la variabilité d'échantillonnage.
3) Il n'y a que 2 conclusions possibles pour un test d'hypothèse de cette nature : 1) « Les données de l'échantillon fournissent une preuve (convaincante) que l'hypothèse nulle est fausse » et 2) « Les données de l'échantillon ne fournissent pas de preuve convaincante que l'hypothèse nulle c'est faux". Notamment absente est la déclaration « Sur la base des données de l'échantillon, nous concluons que l'hypothèse nulle est vraie. Généralement, lorsque vous voulez prouver quelque chose, vous définissez ce que vous essayez de prouver comme l'hypothèse alternative, en espérant que les données soutiennent le rejet du nul en faveur de l'alternative. Si le chercheur essaie de démontrer l'équivalence des moyennes, alors deux tests unilatéraux seraient plus appropriés.
4) D'autres l'ont mentionné, mais il convient de le répéter : la signification statistique et la signification pratique n'ont pas besoin d'être, et ne sont généralement pas, la même chose. La signification pratique devrait être discutée et convenue à partir de la case un, sinon de la case zéro.
@dale_lehman mentionne que "Le problème avec l'interprétation correcte est qu'elle ne nous permet pas de dire quoi que ce soit sur l'échantillon que nous avons réellement."Je ne suis pas d'accord, mais je sais où il veut en venir. Chaque technique statistique a une question particulière à laquelle elle est conçue pour répondre. En particulier dans le cas d'une hypothèse nulle que les données n'ont pas réussi à rejeter, l'un des principaux problèmes que les non-statisticiens (et les statisticiens bayésiens, d'ailleurs) ont avec les tests d'hypothèse fréquentistes est qu'une valeur p répond à une question qui est un question non naturelle à poser, à savoir : "Sous l'hypothèse nulle, quelle est la probabilité que j'observe des résultats aussi extrêmes, voire plus extrêmes que, les résultats que j'ai effectivement observés ?". Les bayésiens diront que leurs méthodes répondent à des questions plus naturelles, mais les techniques bayésiennes ont leurs propres problèmes : il n'y a pas de panacée. Rien ne remplace la compréhension des techniques les mieux équipées pour répondre à certaines questions et le choix d'une technique bien adaptée à la question à laquelle vous essayez de répondre. Le contrecoup récent (ish) contre la valeur p, en particulier dans le domaine de la recherche médicale, me frappe un peu comme un contrecoup contre les fourches lorsqu'elles sont utilisées comme cache-œil. Une p-value est un outil comme un autre. Utilisez-le de la bonne manière, pour le bon travail, et tout ira bien...
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Je ne pense pas que mon exemple ait vraiment quelque chose à voir avec l'analyse bayésienne vs fréquentiste ou les valeurs p (au moins directement).Vous avez bien sûr raison de dire que je suis sûr à 95 % que la vraie valeur aime dans cet intervalle de confiance à 95 % est incorrect : la confiance réside dans la procédure, pas dans un intervalle de confiance en particulier.La vraie valeur est ou n'est pas dans cet intervalle particulier.
Mais ce que je veux dire, c'est que 95 % est la meilleure estimation que je puisse donner pour savoir si mon intervalle particulier est ou non l'un des 95 % des « bons » qui contient la vraie valeur ou l'un des 5 % qui donneraient le mauvais conclusion.Vous pouvez trouver la mauvaise interprétation digne d'intérêt, mais pas moi.En fait, je trouve l'interprétation correcte quelque peu choquante, car c'est un tas de mots qui fait pleurer la plupart des gens.Et, je pense que cela contribue à la pratique bien pire (et plus ignoble) consistant à ignorer complètement l'incertitude et à traiter l'estimation ponctuelle comme la vraie valeur.
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Où est-ce que je commence? Taille de l'échantillon (aucun n'est indiqué... peut-être trop petit pour donner au signal une chance de s'élever au-dessus du bruit) ? Quel est le risque alpha choisi (« ... 95 % de confiance dans les résultats... » est une déclaration dénuée de sens par rapport au risque alpha. Que signifie cette déclaration) ? Quelle est l'hypothèse nulle (aucune énoncée) ? Quelle est l'erreur de mesure (connue ou même supposée) ? Quel était le plan d'échantillonnage (aléatoire, de commodité, premier/dernier plan, stratifié ou autre) ? Quel est le risque de représentation... pas seulement le risque statistique ? Et ainsi de suite.
Pourquoi s'agit-il d'un énoncé statistique impressionnant ? #1Je vais lancer quelques fils de discussion au cours des prochaines semaines, et j'invite tout utilisateur JMP à sonner
avec leurs pensées.Ces discussions tourneront autour des « déclarations statistiques dignes d'intérêt ».
Pensez à contribuer.Après quelques jours, Je vais résumer les pensées dans un article de blog , et introduire une autre déclaration grinçante !
Voici la déclaration n°1 digne d'intérêt :
Nous effectuons un test t pour comparer les moyennes de deux populations.Nous voulons 95% de confiance dans les résultats.Nous exécutons le test et la valeur p revient à 0,63.Nous faisons la déclaration " Puisque p n'est pas inférieur à 0,05, nous concluons qu'il n'y a pas de différence dans les moyennes de ces populations. "
Pourquoi cette déclaration est-elle Cringeworthy ????
AnalytiqueRe : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Je n'appellerais pas l'interprétation : « Je suis sûr à 95 % que la différence moyenne de l'échantillon n'est pas inférieure à l'IC inférieur et pas supérieure à l'IC supérieur » « faux » en soi, en fait, je pense que c'est une façon parfaitement appropriée de la formuler qui est "correct" et facile à formuler, mais je dirais que l'interprétation est simplement "généralement mal comprise" @dale_lehman comme tu le soulignes.
Comme @julien dit dans Prise de décision avec des données (STIPS) - Section 4.1 Estimation {et vous pouvez l'obtenir à partir de la transcription où j'ai saisi à l'écran la référence de module appropriée ci-dessous intitulée " Démo : Comprendre le niveau de confiance et le risque alpha "}
« Nous allons cliquer sur Réinitialiser les échantillons, modifier le nombre d'échantillons à 100 et cliquer sur Dessiner des échantillons supplémentaires. Alors que nous continuons à tirer des échantillons, notez que la moyenne des échantillons est proche de la vraie moyenne. Notez également que près de 95 % des intervalles de confiance contiennent la vraie valeur moyenne du QI et qu'environ 5 % des intervalles de confiance n'incluent pas la vraie moyenne."
"C'est ce que nous entendons par le terme "confiance". En moyenne , pour un 95% de confiance intervalle, 9 5% du temps où cette méthode d'intervalle est utilisée, l'intervalle capture la vraie valeur du paramètre ."
Bien sûr, l'inférence porte sur la population, mais elle est basée sur les données de l'échantillon. C'est ce que nous faisons lorsque nous faisons des statistiques inférentielles en général. Toute l'entreprise consiste à faire des inférences sur la population sur la base des données d'échantillon dont nous disposons. Encore une fois, dans le même Prise de décision avec des données Module 4, Regarder la section 4.1 Introduction à l'inférence statistique .Ici, @mia_stephens en parle de manière claire, précise et directe.
Re : Pourquoi est-ce une déclaration statistique digne de ce nom ? #1Pour moi, cela ne reflète tout simplement pas un niveau de compréhension adéquat, mais au moins c'est plus ou moins la "bonne interprétation".
Quelques personnes ont discuté de ce que j'aime appeler la "méthode de la valeur p" et la "méthode de l'intervalle de confiance" pour exécuter un test T.J'aime penser que ces deux modes d'analyse sont essentiellement la même chose et je proposerai ici (et n'hésitez pas à être en désaccord avec moi) qu'ils sont en fait, différentes manières (d'exprimer mathématiquement) la même chose .JMP est très intelligent pour vous donner la présentation statistique dans les deux sens dans la plupart des cas, et j'aime vraiment ça ! L'interprétation à l'aide d'intervalles de confiance (dans le contexte des tests T simples, des tests de non-infériorité, des tests d'équivalence et de supériorité) a toujours été plus interprétable pour moi.
Un de mes chers amis m'a donné une belle référence de manuel qui, je pense, parle de ceci :
Bluman, Statistiques élémentaires (7e édition), 2015
