Dans le dernier article, nous avons appris le test de base du Chi-deux. Quant à l'article qui sera présenté aujourd'hui, il s'agit d'une extension du chi carré de Pearson. Cet article présente principalement trois scénarios :
- Utilisé pour la comparaison entre les ensembles de données classés Test de la somme des rangs
- Utilisé pour observer les changements de tendance Test du Khi deux de tendance
- Pour les données d'appariement Test du chi carré apparié
Test de la somme des classements pour « comparaison de deux ou plusieurs ensembles de données sur les notes »
Comme mentionné dans l'article précédent, si le résultat est des données de classification ordonnées (données de notes), afin de comparer s'il existe des différences statistiques entre deux ou plusieurs groupes de données de notes, le test du chi carré n'est généralement pas utilisé pour le moment, car le test du chi carré ne peut pas afficher l'ordre de classement, mais utilise le test de la somme des classements.
En ce qui concerne le test de la somme des rangs, principalement Comparaison de groupes ou de groupes de données de distribution asymétriques, non de données graduées . Bien qu'il s'agisse tous de tests de somme de rangs, en raison des différents formats de données continues et de données de notes, les opérations sur JMP sont également différentes, cet article se concentre donc sur l'introduction Informations sur les notes Le fonctionnement du test de la somme des rangs.
Exemple 1 : Dans les données de la figure 1, je souhaite comparer s'il existe une différence dans la taille des amygdales entre les patients obèses et non obèses. L'indice de regroupement des données est une variable à deux catégories et l'indice de résultat est une donnée graduée.
À ce stade, si le test du chi carré est utilisé, il peut seulement indiquer s'il existe une différence statistique dans le rapport de composition entre les groupes. Si vous souhaitez refléter s'il existe une différence de degré ou de niveau entre les groupes, vous besoin d'utiliser le test de la somme des rangs pour l'analyse.
Figure 1 Données OSAS
Il convient de noter que lors de la définition du format de données, la taille des amygdales de l'indice de résultat doit être définie comme un type continu, comme le montre la figure 2.
Figure 2 Types de données des indicateurs de résultats
Sélectionnez le menu "Analyse" → "Ajuster Y avec X" dans le menu JMP. Dans la boîte de dialogue contextuelle, mettez "Graisse" dans "X, Facteur" et "Taille des amygdales" dans "Y, Réponse".
Dans le résultat, cliquez sur le bouton triangle rouge à côté de l'analyse à un facteur de « taille obésité-amygdale », et sélectionnez « non paramétrique → essai de Wilcoxon " (photo 3).
Figure 3 Fonctionnement de la sélection du tableau des fonctions de vérification de la somme des rangs
Les résultats sont présentés à la figure 4. La différence de taille des amygdales entre les patients obèses et non obèses n'était pas statistiquement significative (Z= -0,0478, P=0,9619).
Figure 4 Résultats du test de la somme des rangs
Veuillez noter : si le logiciel d'entrée n'est pas sous la forme des données d'origine comme illustré à la figure 1, mais sous la forme d'un tableau de contingence, dans ce cas, généralement la première colonne est la variable de regroupement, la deuxième colonne est la fin variable, et la troisième colonne est la fréquence. C'est-à-dire le nombre d'exemples de la combinaison des deux premières colonnes et le format des données est illustré à la figure 8 plus loin dans cet article. Dans ce cas, l'opération d'analyse statistique du test de différence est illustrée à la figure 9. Dans l'interface "Fit X to Y", vous devez faire glisser la série de fréquences vers "Frequency".
Test du Khi deux de tendance
Le test du chi carré de tendance est principalement utilisé pour regrouper dans un certain ordre des variables multicatégories (telles que plusieurs groupes d'âge, la gravité de la maladie), la variable de résultat est une variable de taux à deux catégories et son but est d'observer si le test positif le taux de la variable de résultat varie L'ordre de regroupement augmente ou diminue.
Exemple 2 : Dans l'article précédent, nous avons comparé l'incidence du SAOS chez des patients présentant différentes tailles d'amygdale sur la base des données de la figure 1. Les résultats sont illustrés à la figure 5. Il existe une différence statistiquement significative dans l'incidence du SAOS chez les patients avec différentes tailles d'amygdale (Pearson=6.305, P=0.0428).
Figure 5 Comparaison de l'incidence du SAOS chez des patients avec différentes tailles d'amygdales - résultats statistiques
Dans cet exemple, l'indice de regroupement est la taille des amygdales, qui sont divisées en trois catégories de <2, =2 et >2, qui appartiennent à des données multi-classes et sont des données graduées.
Remarque : Dans ce cas, si vous constatez qu'il existe des différences statistiques entre les groupes, vous pouvez continuer à considérer au moins deux choses à l'avenir :
- Demandez-vous si vous devez faire une comparaison par paires pour voir quels sont les deux groupes différents.Ce contenu a été expliqué en détail dans l'article précédent ;
- Déterminez si le taux positif a tendance à changer avec l'ordre du groupe (comme l'augmentation progressive des amygdales), c'est-à-dire que le test de tendance du chi carré est effectué, car le regroupement est ordonné et multi-classé, et le le résultat est l'indicateur de taux.
Cliquez sur le bouton triangle rouge à côté de l'analyse de contingence "Taille des amygdales-SAOS" et sélectionnez "Test de tendance Cochran-Armitage" dans le menu déroulant (Figure 6). Les résultats sont illustrés à la Figure 7.
Figure 6 Sélection du tableau opération-fonction de vérification de tendance
Dans les résultats du test de tendance Cochran-Armitage :
Lorsque la statistique (Z) 0, la valeur P unilatérale (probabilité > Z) donne la valeur P dans la première colonne du tableau de contingence (Figure 5).Si la valeur P est inférieure à 0,05, elle indique l'incidence de la première colonne d'indicateurs de résultats.
Lorsque la statistique (Z)>0, la valeur P unilatérale donne la valeur P dans la deuxième colonne du tableau de contingence (Figure 5). Si la valeur P est inférieure à 0,05, cela indique que l'incidence des indicateurs de résultats dans la deuxième colonne est orientée à la baisse, c'est-à-dire que la première colonne est à la hausse.
Dans ce cas, la valeur Z est supérieure à 0, indiquant que la première colonne (incidence du SAOS) est en hausse (voir la ligne pourcentage du tableau de contingence pour l'incidence du SAOS dans chaque groupe), c'est-à-dire l'incidence du Le SAOS augmente avec l'augmentation de la taille des amygdales, cette tendance est statistiquement significative (Z=2,4871, P=0,0064) (Figure 7).
Figure 7 Résultats de la vérification des tendances
Remarque : La différence entre cet exemple et l'exemple 1 est que l'indice de résultat de l'exemple 1 est constitué de données de notes, de sorte que le test de la somme des classements est effectué pour comparer la différence de notes entre différents groupes ;
Dans ce cas, l'indice de regroupement correspond aux données de notes et le résultat est une variable binaire. Par conséquent, le test du Khi deux peut être utilisé pour la comparaison entre les groupes. Si vous souhaitez une analyse plus approfondie, vous pouvez effectuer un test de tendance pour explorer l'incidence des indicateurs de résultats à mesure que le niveau de regroupement change.
Test du chi carré apparié
Le test du chi carré apparié est un test du chi carré pour les données appariées. Les conceptions d'appariement courantes sont des comparaisons de deux méthodes de détection dans la même population, des comparaisons avant et après traitement dans la même population, et ainsi de suite. Les données de ce plan ne peuvent pas utiliser le test du chi carré de Pearson ordinaire, mais doivent utiliser le test du chi carré apparié.
Exemple 3 : Un hôpital spécialisé dans les tumeurs a utilisé l'IRM et la TDM pour diagnostiquer le cancer du foie chez le même patient. Un total de 119 patients ont été inclus, 49 cas de cancer du foie ont été trouvés dans le diagnostic CT et 43 cas de cancer du foie ont été trouvés dans le diagnostic IRM. Les données sont présentées dans la Figure 8. Je veux comparer s'il y a une différence dans le taux de positivité des deux méthodes de diagnostic.
Figure 8 Données diagnostiques du cancer du foie
Le but de cette étude est de comparer si les résultats de diagnostic des deux méthodes sont différents, ce qui appartient à la catégorie des tests de différence. Cependant, contrairement au cas précédent, ce cas n'a pas d'indice de regroupement, mais compare deux résultats de la même population. Il s'agit d'un type de conception courant dans les tests de diagnostic médical, c'est-à-dire la conception d'auto-appariement. La même population de recherche reçoit deux différents traitements. Les deux indicateurs de résultat sont tous deux des variables catégorielles binaires.Pour la conception par paires de variables catégorielles, le test du chi carré apparié est généralement utilisé pour l'analyse statistique.
Lorsque JMP effectue un test de chi carré apparié, les données doivent être organisées dans un format spécifique. Notez que le format de la préparation des données doit être comme indiqué dans (Figure 8), sinon l'analyse du test apparié ne peut pas être terminée.
Dans JMP, sélectionnez le menu "Analyze" → "Fit X to Y" pour entrer dans la boîte de dialogue de l'analyse des différences. Dans cet exemple, le résultat du diagnostic CT et le résultat du diagnostic IRM sont deux résultats de la même population, vous pouvez donc mettre n'importe quelle variable Entrez "Y, réponse", l'autre "X, facteur" et "nombre d'échantillons" dans "fréquence" (Figure 9).
Figure 9 Vérification de la cohérence de la sélection de données-variables appariées
Le résultat de sortie du logiciel JMP est illustré à la figure 10. On peut voir dans le tableau de contingence que le taux positif de diagnostic CT est de 41,18% et le taux positif de diagnostic RMN est de 36,13 %. résultat du test carré. Mais il faut noter que le résultat du test du chi carré donné dans le résultat n'est pas ce que nous voulons.Le test du chi-carré de Pearson est pour des échantillons indépendants, et le résultat du test du chi-carré apparié nécessite une étape.
Figure 10 Résultat de sortie JMP
Dans l'interface des résultats, cliquez sur le bouton triangle rouge à côté de l'analyse de contingence des « résultats du diagnostic RMN-résultats du diagnostic CT », et sélectionnez « Statistiques de cohérence » dans le menu déroulant (Figure 11) :
Figure 11 Vérification de la cohérence de la sélection d'un tableau de données-fonctions appariées
Le résultat de sortie est illustré à la figure 12 ci-dessous :
Figure 12 Vérification de la cohérence de la sortie données-résultats appariée
Comme le montre la figure 12, il y a deux parties de la sortie : Test de différence de somme de contrôle de cohérence Kappa.
- Le coefficient Kappa donne le résultat du test de cohérence, indiquant si les deux méthodes de diagnostic sont liées ou cohérentes.
- Le résultat du test Bowker/McNemar est un résultat de test de différence de données appariées, indiquant s'il existe une différence statistique dans le taux de positivité des deux méthodes de diagnostic pour le même groupe de personnes.
Le but de cet exemple est de comparer les différences entre les deux méthodes. Par conséquent, les résultats de la deuxième partie du test de McNemar ont été sélectionnés. Les résultats ont montré que les taux de diagnostic positif des deux méthodes n'étaient pas statistiquement différents (chi carré = 1,50, P = 0,2207). En l'absence d'étalon-or, les résultats ne peuvent que montrer si les taux de positivité des deux méthodes sont statistiquement différents et ne peuvent expliquer les avantages et les inconvénients des méthodes de diagnostic.
Résumé : Sélectionnez les résultats en fonction de l'objectif de la recherche
Enfin, il faut le souligner : dans la conception de l'appariement, si le résultat est une variable catégorielle, déterminez quel résultat choisir en fonction de l'objectif de votre recherche. Si le but de la recherche est de comparer les différences, comme dans cet exemple, vous devez choisir le test Bowker / McNemar (le tableau 2*2 à quatre grilles donne le test McNemar, le tableau de contingence symétrique 3*3 et supérieur donne le test Bowker) à la place du test du chi carré de Pearson ; si le but de la recherche est de vérifier s'il existe une corrélation, vous pouvez utiliser le test du chi carré de Pearson et générer l'indice de corrélation correspondant ; si le but de la recherche est d'observer la cohérence, vous pouvez choisir le Kappa test de cohérence.
En comparant le résultat du test de McNemar de la figure 12 avec le résultat du test du chi carré de Pearson de la figure 10, on peut constater que les deux sont complètement différents. Lors de l'exécution d'un test du chi carré apparié, vous devez faire attention au choix des résultats statistiques. Choisir la mauvaise méthode statistique conduira à des conclusions erronées.
Si vous souhaitez en savoir plus sur l'application approfondie de JMP, bienvenue Rejoignez le compte officiel JMP LINE , Obtenez régulièrement des compétences pratiques sur le fonctionnement de JMP et des informations sur les cours en ligne !
original: L'extension du test de la somme du classement des données du test du chi carré, du chi carré de tendance et du chi carré apparié
Lecture recommandée:
Réflexions et méthodes analytiques du test de la somme des rangs et de la comparaison par paires
Il existe 3 tests t couramment utilisés dans un test t pour un échantillon indépendant de la littérature, un test t pour un échantillon unique et un test t apparié
Effectuer un test d'état normal et un test d'homogénéité de la variance dans JMP
Analyse de la variation (ANOVA) et comparaison par paires : réflexions et méthodes analytiques
