Salut la communauté JMP,
J'aimerais savoir quelle(s) méthode(s) statistique(s) dans JMP sont les plus appropriées pour tester des proportions multiples ? Je connais l'analyse Fit Y by X Contingency pour comparer deux proportions. Pourtant, je ne peux pas savoir s'il existe une plate-forme généralisée pour comparer plusieurs proportions à travers des conditions ou des points de temps.
Scénario typique (voir les données fictives ci-jointes) :
Je surveille un résultat binaire (par exemple, réponse / non-réponse) dans le temps et pour plusieurs conditions (par exemple, traitement, état initial et sexe). Je veux comparer l'effet des conditions à l'échelle mondiale et à des moments précis.
Système : Windows 10
Version JMP : 16.1
Toutes les suggestions seraient les bienvenues.
Meilleur,
TS
Salut @Thierry_S ,
juste en regardant les noms des colonnes et en imaginant le scénario derrière eux, je pense avoir une idée. c'est peut-être exactement ce dont vous avez besoin dans certaines circonstances. Si je comprends bien, l'identification se répète dans le temps, le temps est l'effet "à l'intérieur" tandis que le sexe, le statut d'origine et le traitement sont des effets "entre".
Puisqu'il y a du temps et un état de référence, je pense qu'un modèle mixte pour les mesures répétées est la voie à suivre.
j'obtiendrais le modèle mixte linéaire ajouté: https://community.jmp.com/t5/JMP-Add-Ins/Generalized-Linear-Mixed-Model-Add-in/ta-p/284627
Une fois que vous l'obtenez, vous pouvez l'utiliser pour saisir manuellement les rôles suivants :
Fit Model(
Y( :OUTCOME ),
Effects(
:BASELINE STATUS, :TREATMENT, :GENDER, :TIME, :BASELINE STATUS * :TREATMENT,
:BASELINE STATUS * :GENDER, :BASELINE STATUS * :TIME, :TREATMENT * :GENDER,
:TREATMENT * :TIME, :GENDER * :TIME, :BASELINE STATUS * :TREATMENT * :GENDER,
:BASELINE STATUS * :TREATMENT * :TIME, :BASELINE STATUS * :GENDER * :TIME,
:TREATMENT * :GENDER * :TIME,
:BASELINE STATUS * :TREATMENT * :GENDER * :TIME,
:ID[:BASELINE STATUS, :TREATMENT, :GENDER] & Random
),
Personality( "Generalized Linear Model" ),
GLM Distribution( "Binomial" ),
Link Function( "Logit" )
);
Le problème avec la plate-forme de modèle d'ajustement actuelle (jmp pro 16) est qu'elle ne le propose pas, vous devez donc utiliser le complément.
Lors de l'exécution avec l'add-in, ce modèle de mesures répétées factoriel complet, je rencontre des problèmes de singularité, donc peut-être que certaines interactions qui n'ont pas de variance devraient être supprimées. peut-être même vaut-il la peine de courir en premier sans interactions.
en passant, cet outil astucieux peut aider à trier très rapidement les effets "entre" / "à l'intérieur": https://community.jmp.com/t5/JMP-Add-Ins/Full-Factorial-Repeated-Measures-ANOVA-Add-In/ta-p/23904
faites-nous savoir si tout cela est utile,
Ron
Salut @ron_horne ,
Merci pour la réponse complète. L'étape critique que j'avais manquée consistait à utiliser la distribution binomiale dans le modèle GLM.
Je vais regarder dans le complément.
Meilleur,
TS
